Künstliche IntelligenzTechnikTechnik News

Große Pläne bei der Deutschen Bahn: Wie KI eine Zeitenwende einläuten soll

Zuletzt aktualisiert am 23. März 2024 von Michael Becker

Die Deutsche Bahn (DB) nutzt Künstliche Intelligenz (KI), um die Effizienz und Attraktivität des Schienenverkehrs zu steigern. KI-Anwendungen sind inzwischen integraler Bestandteil verschiedener Projekte bei der DB und unterstützen von der Materialplanung über die Verkehrssteuerung bis hin zur Instandhaltung. Ein herausragendes Beispiel für den erfolgreichen KI-Einsatz ist die Optimierung des S-Bahn-Verkehrs, insbesondere bei Störungen.

KI in der Verkehrssteuerung: Weniger Verspätungen, mehr Kundenzufriedenheit

Ein speziell entwickeltes KI-Tool, das bereits in den S-Bahn-Netzen von Stuttgart, Rhein-Main und München erfolgreich eingesetzt wird, kommt nun auch in Berlin und Hamburg zum Einsatz. Dieses Werkzeug versorgt DB-Mitarbeitende mit Handlungsempfehlungen, um den S-Bahn-Betrieb bei Unregelmäßigkeiten effizienter zu steuern und Verspätungen zu minimieren. Das Ergebnis: deutlich reduzierte Wartezeiten und Vermeidung von Stau auf hochfrequentierten Strecken. Im vergangenen Jahr konnten so bereits 58.000 Verspätungsminuten eingespart werden.

Deutsche Bahn setzt auf Künstliche Intelligenz für pünktlichere Züge

KI-Optimierung in der Instandhaltung der Deutschen Bahn

Die Deutsche Bahn setzt verstärkt auf Künstliche Intelligenz (KI), um die Instandhaltung ihrer Züge zu revolutionieren. Ziel ist es, eine flächendeckende, zustandsbasierte Wartung zu etablieren, die nicht nur die Effizienz steigert, sondern auch die Arbeitsbelastung der Mitarbeitenden deutlich reduziert. Ein beeindruckendes Beispiel hierfür ist die drastische Reduzierung der Inspektionszeit für das Dach eines ICE von Stunden auf Minuten durch den Einsatz von KI, die Kamerabilder und Sensordaten automatisiert analysiert.

Siehe auch  YouTube Music App demnächst auf mehr Geräten verfügbar

Prognose und Planung mit KI: Ein neuer Standard in der Wartung

Ein weiteres Projekt, das das Potenzial von KI unterstreicht, ist die Entwicklung eines Tools, das Flottenplanern der S-Bahnen ermöglicht, den optimalen Wartungszeitpunkt für Radsätze datenbasiert zu bestimmen. Diese Initiative zielt darauf ab, Wartungsarbeiten ressourcen- und kosteneffizient zu planen, was letztendlich die Verfügbarkeit der Fahrzeuge erhöht und zu einer verbesserten Servicequalität führt.

KI in Aktion: Schnelle Entscheidungen bei Unregelmäßigkeiten

Ein konkretes Beispiel: Wenn sich das Einsteigen einer Schulklasse verzögert und zwei Züge gleichzeitig einen eingleisigen Streckenabschnitt erreichen müssen, berechnet die KI blitzschnell, welcher Zug Vorrang haben sollte. Dies geschieht stets mit dem Ziel, die geringsten Auswirkungen auf die Gesamtpünktlichkeit zu erzielen. Die Disponent:innen erhalten durch die KI eine Art “Videoclip” der möglichen Zukunft, der zeigt, wie sich verschiedene Entscheidungen auf den Verkehr auswirken würden.

Proaktives Handeln dank kontinuierlicher Simulation

Durch die fortwährende Simulation des Live-Betriebs kann die KI zudem die Entwicklung der Verkehrslage vorausberechnen und frühzeitig potenzielle Konflikte identifizieren. Dies ermöglicht es den Disponent:innen, proaktiv einzugreifen, um Verspätungen zu minimieren und den Verkehrsfluss zu verbessern.

Positive Ergebnisse und zukünftige Expansion

Bereits in Stuttgart, Rhein-Main und München hat der Einsatz der KI zu einer Vermeidung von insgesamt 58.000 Verspätungsminuten im letzten Jahr geführt. Mit der geplanten Einführung in Berlin und später in Hamburg sowie dem Test auf der Strecke Elmshorn-Sylt wird die KI-basierte Steuerung zunehmend in das deutsche Schienennetz integriert. Der Erfolg in diesen Regionen könnte zu einer deutschlandweiten Ersparnis von 90.000 Verspätungsminuten im Jahr 2023 führen.

Siehe auch  Nvidia: Neue Gerüchte zur RTX 3050 Variante

SEMMI: Pionier der sozio-emphatischen KI in der Kundeninteraktion

SEMMI, das KI-basierte Sprachdialogsystem der Deutschen Bahn, markiert einen innovativen Schritt in der Interaktion zwischen Mensch und Maschine. Als vielseitig einsetzbarer digitaler Avatar – sei es als Sprachbot in einer Telefonhotline oder als Roboter im Kundenservice – bietet SEMMI eine fortschrittliche Form der Kommunikation, die über herkömmliche Sprachsysteme hinausgeht.

Einsatzbereiche: Von Bahnhöfen bis zum digitalen Avatar

SEMMI hat bereits in verschiedenen Kontexten ihre Vielseitigkeit unter Beweis gestellt. 2019 unterstützte sie als Roboterdame das Servicepersonal im Reisezentrum des Berliner Hauptbahnhofs und am Frankfurter Flughafen. 2021 erweiterte SEMMI ihr Einsatzgebiet als digitaler Avatar, unter anderem im U-Bahnhof Stephansplatz in Hamburg und im Bahnhof Newcastle in Kooperation mit LNER.

SEMMI, das fortschrittliche KI-gestützte Sprachdialogsystem der Deutschen Bahn, revolutioniert den Kundenservice, indem es häufig gestellte und zeitaufwändige Kundenanfragen effizient bearbeitet: ( Quelle: DB )

Entwicklungsprozess: Menschliche Kommunikation als Vorbild

Entwickelt von DB-Experten und in Zusammenarbeit mit der TH Köln, zielt SEMMI darauf ab, eine sozio-emphatische “Conversational AI” zu sein, die nicht nur Befehle versteht und ausführt, sondern auch auf einer empathischen Ebene mit Nutzern interagieren kann. Dies schließt die Fähigkeit ein, Wertschätzung auszudrücken und eine Kommunikation auf Augenhöhe zu ermöglichen.

Die Zukunft der Mensch-Maschine-Interaktion

Die Weiterentwicklung von SEMMI fokussiert sich nicht nur auf technologische Aspekte, sondern auch auf die Erforschung der Mensch-Maschine-Interaktion. Dabei werden Fragen der Nutzerwahrnehmung und -akzeptanz, wie das Auftreten von Maschinen, Gestik, Mimik und kulturelle Aspekte, berücksichtigt. Diese Forschung ist entscheidend, um Systeme zu schaffen, bei denen sich Nutzer verstanden und gut beraten fühlen.

“Peak Spotting”: KI-optimierte Reisendensteuerung bei der Deutschen Bahn

Die Deutsche Bahn setzt auf eine innovative Anwendung von Künstlicher Intelligenz namens “Peak Spotting”, um die Auslastung ihrer Züge effizienter zu gestalten und Reisenden ein besseres Fahrerlebnis zu bieten. Durch diese Technologie werden Auslastungsspitzen in Fernverkehrszügen und an Bahnhöfen frühzeitig erkannt, was eine proaktive Reaktion ermöglicht.

Siehe auch  Lenovo stellt neuen MotoAI-Assistenten vor

Frühzeitige Erkennung von Auslastungsspitzen

Das Herzstück von “Peak Spotting” ist eine fortschrittliche Prognosemaschinerie, die auf Machine Learning basiert. Diese ermöglicht es, hohe Auslastungen (“Peaks”) präzise vorherzusagen. Indem Auslastungsspitzen rechtzeitig identifiziert werden, können sowohl die Zugplanung als auch die Reisendeninformation optimiert werden, um Überfüllungen zu vermeiden.

Einsatz strategischer Maßnahmen zur Kapazitätsverteilung

Auf Basis der ermittelten Daten werden Züge mit vielen Sitzplätzen gezielt auf Strecken mit hohem Bedarf eingesetzt. Zusätzlich werden Reisende frühzeitig über erwartete hohe Auslastungen informiert, sodass sie ihre Reisepläne entsprechend anpassen können. Dies trägt nicht nur zur Verbesserung der Reiseerfahrung bei, sondern unterstützt auch ein effizientes Kapazitätsmanagement.

Kontinuierliche Verbesserung und Nutzen für Reisende

Dank ständiger Weiterentwicklungen und Anpassungen wird die Prognosegenauigkeit von “Peak Spotting” kontinuierlich verbessert, was direkt zu einer Steigerung der Informationsqualität für die Kunden führt. Indem Reisende präzisere Informationen über die Auslastung erhalten, können sie fundiertere Entscheidungen treffen und von einer gleichmäßigeren Verteilung der Nachfrage auf die verfügbaren Züge profitieren.

“Railmate” nutzt KI für verbesserte Kundenzufriedenheit

“Railmate”, eine Feedbackplattform der Deutschen Bahn, revolutioniert die Verarbeitung und Nutzung von Kundenfeedback durch den Einsatz von Künstlicher Intelligenz. Täglich erreichen die Bahn diverse Rückmeldungen von Reisenden über verschiedene Kanäle – ob per Telefon, Brief oder digital, beispielsweise über einen QR-Code am Sitzplatz, den DB Navigator oder das ICE Portal.

Digitalisierung des Feedbackprozesses

“Railmate” bietet einen digitalen und vollautomatisierten Prozess, der es ermöglicht, Kundenfeedback effizient zu sammeln, zu verarbeiten und zu nutzen. Ein Multi-Class Deep Learning Modell, ein fortgeschrittenes neuronales Netzwerk, analysiert die eingehenden Texte, extrahiert relevante Merkmale und ordnet sie über 200 Kategorien wie Pünktlichkeit, Sauberkeit oder Freundlichkeit des Personals zu. Die so gewonnenen Daten werden dann mit internen betrieblichen Informationen abgeglichen, um ein umfassendes Bild zu erhalten. Jährlich werden auf diese Weise über 3,2 Millionen Feedbacks verarbeitet.

Schnelle und langfristige Maßnahmen zur Verbesserung

Die Plattform ermöglicht es, Feedback schnell an das Zugpersonal zu übermitteln, sodass kleinere Probleme unmittelbar behoben werden können. Gleichzeitig fließen die Erkenntnisse aus den Feedbacks in langfristige Optimierungen ein, wie etwa das innovative Beleuchtungskonzept im ICE 4, das Helligkeit und Farbton je nach Tageszeit anpasst.

Überwachung von Reiseinformationen

Darüber hinaus nutzt “Railmate” die gesammelten Daten zur ständigen Überprüfung der Konsistenz von Reiseinformationen, um sicherzustellen, dass Reisende stets korrekte und nützliche Informationen erhalten.

Avatar-Foto

Michael Becker

Michael Becker ist ein leidenschaftlicher Gamer und Technik-Enthusiast, der seine Liebe zu Computerspielen und Technologie in eine erfolgreiche Karriere als Autor auf einer Technikwebsite umgewandelt hat. Schon in jungen Jahren war er fasziniert von Computerspielen und begann bald darauf, sich intensiv mit der Technologie dahinter zu beschäftigen. Seine Liebe zur Technologie und seine Leidenschaft für Computerspiele machen ihn zu einem Experten auf seinem Gebiet und inspirieren andere, sich ebenfalls mit diesen Themen zu beschäftigen.