AURA: KI-Agenten wählen günstige Wohnungsstandorte in Echtzeit

Ein neues KI-System namens AURA (Autonomous Urban Resource Allocator) verspricht, die Auswahl von Standorten für bezahlbaren Wohnraum in Echtzeit zu revolutionieren. Durch den Einsatz von hierarchischem Multi-Agenten-Reinforcement-Learning kann AURA komplexe regulatorische Vorgaben – wie QCT, DDA und LIHTC – berücksichtigen und gleichzeitig mehrere Ziele wie Zugänglichkeit, Umweltverträglichkeit, Baukosten und soziale Gerechtigkeit optimieren.

Die Technologie modelliert die Aufgabe als einen begrenzten, mehrzieligen Markov-Entscheidungsprozess. Dabei nutzt AURA eine regulatorisch bewusste Zustandskodierung, die 127 bundesstaatliche und lokale Vorgaben abbildet, und setzt Pareto-konforme Policy-Gradienten ein, die gleichzeitig die Einhaltung der Vorschriften garantieren. Durch die Aufteilung der Belohnung in unmittelbare Kosten und langfristige soziale Ergebnisse kann das System sowohl kurzfristige als auch nachhaltige Vorteile berücksichtigen.

In Tests mit Daten aus acht US-Städten, die insgesamt 47.392 potenzielle Grundstücke umfassten, erreichte AURA eine regulatorische Konformität von 94,3 % und steigerte die Pareto-Hypervolumen um 37,2 % im Vergleich zu etablierten Baselines. Ein konkretes Fallbeispiel aus New York City zeigt, dass die Auswahlzeit von 18 Monaten auf nur 72 Stunden reduziert werden konnte und 23 % mehr geeignete Standorte identifiziert wurden. Die ausgewählten Grundstücke boten zudem 31 % bessere Nahverkehrsanbindung und 19 % geringere Umweltauswirkungen als von Experten gewählte Optionen.