Digital.Trend.Studie Wie schlau ist künstliche Intelligenz?
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
hre
Digital.Trend.Studie
Foto: verticalarray– adobestock
Wie schlau ist künstliche Intelligenz?
Trends und Zukunftsperspektiven für eine smarte DB
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 1
DB Systel GmbH | Digital Foresight | März 2021
Inhalt
Subtrends der künstlichen Intelligenz ............................................. 42
Einführung KI-Basistechnologien und Services .................................................. 43
Ausgewählte Zitate zu künstlicher Intelligenz ....................................4 KI-Anwendungsgebiete ................................................................... 45
Vorwort ............................................................................................5 KI-Infrastruktur und Hardware ....................................................... 50
Herzlich Willkommen, ... ...................................................................7 Konzeptionelle und strategische Aspekte ........................................ 52
Zusammenfassung Markt und Gesellschaft
Kernergebnisse und Empfehlungen .................................................. 10 Das Ökosystem der künstlichen Intelligenz ..................................... 56
Chancen und Risiken ....................................................................... 13 Die wichtigsten KI-Unternehmen im Porträt ................................... 59
Digitale Ethik: KI und ethische Grenzen .......................................... 61
Definition und Grundlagen
Historie der künstlichen Intelligenz ................................................. 16
Ansprechpartner:innen
Was ist künstliche Intelligenz? ......................................................... 17 Team Digital Foresight ................................................................... 68
Entwicklungsstufen von KI .............................................................. 18 Lead.AI .......................................................................................... 68
Human Parity .................................................................................. 19 Disruptive Strategy & Business Consulting ...................................... 68
Ausprägungen von Machine-Learning-Algorithmen ........................... 20
Vergleich von Supervised, Unsupervised und Reinforcement Learning
....................................................................................................... 20
Künstliche Intelligenz 2030
Digitale Instandhaltung und Bahntechnik ........................................ 25
Digitales Kundenerlebnis ................................................................. 30
KI Trendradar
Trendbewertung .............................................................................. 37
Business Value ................................................................................ 38
Maturity (Reifegrad) ....................................................................... 41
DB Systel GmbH | Digital Foresight | März 2021 2
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Einführung
Ausgewählte Zitate zu Künstlicher Intelligenz ..................................................................................... 4
Vorwort .............................................................................................................................................. 5
Herzlich Willkommen, ... ..................................................................................................................... 7
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 3
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Ausgewählte Zitate zu künstlicher Intelligenz “Ärgerlicherweise liest man seit mindestens 20 Jahren regelmäßig, dass der Durchbruch der künstlichen Intelligenz (KI) unmittelbar bevorsteht. Aber jetzt stimmt es wirklich.“ Sascha Lobo | Autor und Strategieberater | Artikel auf Spiegel.de | März 2017 “Für die vierte industrielle Revolution gibt es viele Definitionen, meine ist sehr einfach: es ist ein radikaler Durchbruch in der Intelligenz techni- scher Systeme, und das ist ja was man im Allgemeinen unter „KI“ versteht. Ich bin davon überzeugt, dass die vierte industrielle Revolution maß- geblich eine KI-getriebene sein wird.“ Prof. Dr. Sabina Jeschke | Vorstand Digitalisierung und Technik Deutsche Bahn | Artikel auf LinkedIn | Dezember 2018 „With AI, the power of it is so incredible, it will change society in some very deep ways.” Bill Gates | Gründer Microsoft | Video auf YouTube | April 2019 “Artificial intelligence and the core technology of machine learning are likely to be a general purpose technology of the scale and scope similar to electricity or even the steam engine before it – Fundamentally revolutionizing many, many sectors of the economy.” Erik Brynjolfsson | Professor in Stanford und Buchautor | Video auf YouTube | Februar 2020 “Künstliche Intelligenz ist besser als natürliche Dummheit.“ Wolfgang Wahlster | Leiter Deutsches Forschungszentrum für KI | Artikel in der Computerwoche | Mai 2020 DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 4
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Vorwort
Sehr geehrte Leser:innen,
als ich vor ca. 20 Jahren noch am Anfang meines Studiums stand, hatte ich mit Ehrfurcht und Neugier die dama-
lige Vorlesung über künstliche Intelligenz entdeckt und mir fest vorgenommen, sollte ich einmal soweit im Stu-
dium sein, diese zu belegen. Tatsächlich sind die Themen KI und maschinelles Lernen viele Jahrzehnte alte For-
schungsgebiete. Sie haben in den vergangenen Jahren einen gewaltigen Aufschwung erlebt, ausgelöst durch die
heute zur Verfügung stehende Rechenleistung aber auch dank der verbesserten Verfügbarkeit von Daten.
Die USA und China werden häufig als führend und der europäische Datenschutz als Hindernis bezeichnet. Euro-
pas Wirtschaft ist jedoch nicht aufgrund der Sammlung von personenbezogenen Daten erfolgreich, wie sie bei
Internetanwendungen großer amerikanischer Konzerne üblich ist. Vielmehr hat Europa und insbesondere
Deutschland seine Vorzüge im Verkehr, im Maschinenbau und der Technologie, sowohl in der Produktion von
Automobilen, Zügen und Flugzeugen als auch im Transportsektor selbst, wie Logistik oder Personenverkehr. Ein
gläserner Bürger ist hier nicht nur kein tragfähiges Geschäftsmodell. Vielmehr ist das ausgeklügelte Wertesystem
Europas eine Grundlage, die als Alleinstellungsmerkmal unserer Region bei der Entwicklung und Anwendung von KI gesehen werden kann.
Der Bundeswirtschaftsminister nutzt für eine europäische KI gerne den Vergleich mit Airbus. Tatsächlich zeigt dieses Beispiel, das Europa nicht
nur in dieser Branche führend ist, sondern auch, dass viele wirklich großartige Ideen in Europa realisiert werden können. Leuchtturmprojekte wie
der A380 sind dabei wichtig, wenn auch dieses konkrete Beispiel allein betrachtet nicht wirtschaftlich war. Sollte man deshalb eher vorsichtig
agieren und das Risiko scheuen? Das würden wohl viele mit „nein“ beantworten.
Immer wieder begegne ich in Gesprächen auch Vorbehalten gegenüber KI und maschinellem Lernen. Die Neugier ist immer groß, allerdings fehlen
häufig konkrete Ideen oder vielleicht auch der Mut, die Risiken einzugehen. Es ist nur allzu verständlich, dass bewährte Methoden bevorzugt wer-
den, liefern sie doch häufig bewährt gute Ergebnisse. Vielleicht ist KI auch nicht überall der geeignete Ersatz für bewährte Methoden. Allerdings ist
es auch wichtig, Möglichkeiten und Grenzen von Technologien auszutesten – in der KI oder bei der Entwicklung von Flugzeugen wie dem A380.
Denn auch wenn aus diesem einen Modell kein langfristiges Produkt wurde, so ist Airbus insgesamt natürlich dennoch ein Vorbild für die Innovati-
onskraft, die Europa hat. KI und maschinelles Lernen hat ein vergleichbares Potential und sollte mit ähnlicher Offenheit und Mut erschlossen wer-
den.
Dabei ist es wichtig den Unterschied zwischen KI und maschinellem Lernen zu verstehen. maschinelles Lernen ist ein Teilbereich der KI und für
den eigentlichen Boom des Gesamtthemas verantwortlich. Dazu benötigt man tatsächlich eine größere Menge Daten, um darin Systematiken zu
finden aus denen nützliche Informationen gewonnen werden können. Autonom fahrende Autos sind ein bekanntes Beispiel, die beispielsweise in
Kamerabildern PKW und Personen entdecken. Die Maschine lernt zuvor selbstständig in vielen aufgezeichneten Daten wie Personen oder Autos
aussehen. KI bezeichnet hingegen das breite Feld von intelligenten Systemen, die Entscheidungen selbstständig treffen können, ähnlich wie ein
Mensch. KI ist also gar nicht so fremd, im Grunde zu verstehen als die nächste Stufe in der Evolution der Automation.
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 5
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Natürlich wird mir häufig daraufhin die Frage gestellt, ob eine KI dann nicht auch bald ganze Berufszweige überflüssig macht und viele Jobs ver- nichtet. Die Erfahrung von vielen Jahrzehnten lehrt allerdings, dass technologischer Fortschritt eher das Gegenteil bewirkt. KI ist als ein weiterer Sprung zu verstehen, der die Automation weiter steigert. Berufe werden sich verändern. Ausbildung wird wichtiger werden. Weniger Beschäftigung war allerdings nie eine Folge von technologischem Fortschritt, im Gegenteil. Vielmehr werden Berufe interessanter und, dafür braucht man sich nicht zu schämen, auch angenehmer. Wer würde heute auf einen Bagger verzichten wollen? Dass beispielsweise die Produktion von Automobilen in Deutschland noch lohnend ist und viele Arbeitsplätze sichert, ist der Automation zu verdanken. KI hat das Potential den Wert eines Mitarbeiten- den wie durch Automation weiter zu steigern. Diese Chance darf nicht ungenutzt bleiben. Übrigens hat meine Begeisterung für das Thema nicht nur mein Studium geprägt, sondern ich bin heute leitender Wissenschaftler für maschinelles Lernen beim Fraunhofer Institut für Materialfluss und Logistik. Ich kann nur jedem dazu raten, auch den Mut und die Begeisterung aufzubringen, um es ebenfalls mit dem Thema zu versuchen. Ich wünsche daher nicht nur viel Spaß beim Lesen dieser Studie, sondern viele Erkenntnisse, die sich für Sie, Ihre Mitarbeiter:innen und Ihre Kolleg:innen als gewinnbringend erweisen! Dr.-Ing. Oliver Urbann Senior Scientist AI | Fraunhofer-Institut für Material Fluss und Logistik IML DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 6
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Herzlich Willkommen, ... ...zu unserer Digital.Trend.Studie über künstliche Intelligenz! „Computer, Warpgeschwindigkeit!“ Was bei Star Trek in den 60er Jahren noch Science-Fiction war, ist mit intelli- genten Sprachassistenten wie Apple Siri, Amazon Alexa oder Google Home heute so selbstverständlich wie noch nie – bis auf die Warpgeschwindigkeit. Künstliche Intelligenz (KI) ist längst Teil unseres Lebens geworden. Navigationssysteme, Abstandsregler, Not- bremsassistenten, Spurhalteassistenten oder die automatische Einparkhilfe erhöhen unsere Sicherheit im Stra- ßenverkehr. Unser Saugroboter kennt unsere Wohnung mittlerweile besser als wir, und der Spotify-Algorithmus versorgt uns mit unseren Lieblingssongs. Für den sicheren Log-In in unser Smartphone oder Laptop genügt dank Gesichtserkennung (Face ID) nur noch ein beherzter Blick. Auf sozialen Medien wie Instagram oder TikTok be- lustigen wir uns über die Vielzahl an Filtern und Funktionen. Nicht nur anhand dieser Beispiele wird deutlich, dass KI teilweise unbemerkt Einzug in vielfältige Bereiche unseres beruflichen und privaten Lebens erhalten hat und wird deshalb von uns gar nicht mehr wahrgenommen. „As soon as it works, no one calls it AI anymore” beschreibt John McCarthy, Informatiker und KI-Experte der ersten Stunde, dieses Phänomen. Hier liegt einer der Gründe, warum es so schwierig ist, eine allge- meine Definition dessen zu finden, was KI eigentlich ist. Innerhalb der letzten Jahre haben verschiedene Technologietreiber dem Konzept der KI enormen Aufschwung verliehen. Immer leistungsfähigere Sensoren haben einst „leblosen“ Gegenständen die Fähigkeit gegeben, mit uns zu kommunizieren. Heute sind unzählige Geräte über das Internet of Things (IoT) miteinander verbunden und erzeugen gewaltige Datenmengen (Big Data), die das Trainieren von Systemen durch maschinelles Lernen ermöglichen. In Verbindung mit neuer, leistungsfähiger Hardware können nun künstliche neuronale Netze erzeugt werden, die immer bes- sere Ergebnisse in immer kürzerer Zeit liefern. Mit Hilfe von High Performance und Quantum Computing werden wir zukünftig fähig sein, prädik- tive Ableitungen für die Zukunft zu treffen. In bisher ungeahnter Art und Weise werden Simulationen und Experimente möglich, um neue Erkennt- nisse über unser Handeln und unsere Umwelt zu gewinnen. Doch wie intelligent sind diese Systeme wirklich? Das Moravec’sche Paradox besagt, dass Computer bei der Lösung komplexer Probleme wie etwa dem Finden optimaler Spielzüge im Brettspiel „Go“ oder bei schwierigen Intelligenztests gegenüber dem Menschen mitunter im Vorteil sind. Gleichzeitig scheitern Maschinen im Wettbewerb mit einem einjährigen Kind, wenn es um Wahrnehmung oder Mobilität geht. Kann ein sol- ches System uns überhaupt gefährlich werden? Und doch fordern Unfälle von autonom fahrenden Autos, Deep Fakes und Filterblasen in sozialen Medien und Diskriminierungen durch Algorithmen unser Werte- und Rechtssystem zunehmend heraus. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 7
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Mit dieser Trendstudie möchten wir Euch befähigen, die wesentlichen technischen Grundlagen der KI zu verstehen, Potentiale zu identifi- zieren und den Einsatz für die Bahn von Morgen und in Eurem Geschäftsfeld aktiv mitzugestalten! Wir sind überzeugt, dass wir den öffentlichen Auftrag, den wir als Deutsche Bahn haben, nur mit einem verantwortungsvollen Einsatz von KI erfül- len können – für eine starke Schiene. Deshalb haben wir bei DB Systel die klare Vision, dass KI bis zum Jahr 2025 integraler Bestandteil in allen relevanten IT-Lösungen der Deutschen Bahn ist. Die gute Nachricht lautet, dass KI heute schon längst Realität bei der Bahn ist. Es gibt bereits zahlreiche spannende Projekte und Aktivitäten, die wir Euch im Rahmen dieser Studie vorstellen. Wir werden im Rahmen dieser Trendstudie auch über das Jahr 2025 hinaus und damit in die fernere Zukunft blicken. Wie wird KI die Mobilität und die Logistik von morgen verändern? Geht mit uns gemeinsam auf die Reise in die Zukunft! Wir möchten uns an dieser Stelle ganz besonders bei allen Mitwirkenden bedanken, die uns bei der Erstellung der Studie unterstützt haben. Nicht zu vergessen die zahlreichen Kolleg:innen, die an diesem wichtigen Thema bereits heute arbeiten und KI immer stärker für die Deutsche Bahn wertvoll und nutzbar machen, bei denen wir uns ebenso mit dieser Trendstudie bedanken. Wir wünschen Euch eine spannende und inspirierende Lektüre und freuen uns auf Euer Feedback. Christine Mohn Team Digital Foresight | DB Systel GmbH DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 8
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Zusammenfassung
Kernergebnisse und Empfehlungen.................................................................................................... 10
Chancen und Risiken ......................................................................................................................... 13
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 9
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Kernergebnisse und Empfehlungen
Es gibt nie nur den einen richtigen Weg. Es lohnt sich aber darüber nachzudenken, ob man sich treiben lassen will oder proaktiv
die Initiative ergreift. Dafür möchten wir Ihnen an dieser Stelle einige Empfehlungen geben.
Kernergebnis 1: Die Zeit ist reif für künstliche Intelligenz.
Gestiegene Rechenkapazitäten durch Fortschritte bei der Hardwareentwicklung, höhere Konnektivität durch neue Generationen von Mo-
bilfunknetzen sowie die Verfügbarkeit großer Datenmengen unterschiedlichster Quellen und immer besser werdende Algorithmen haben
KI innerhalb der letzten zehn Jahre einen immensen Schub gegeben. Eine Entwicklung, die sich mit der zukünftigen Verfügbarkeit von
Quantencomputern und immer stärkerer Vernetzung im Internet der Dinge noch beschleunigen wird.
Empfehlung:
KI ist im Hier und Jetzt ein verfügbares Werkzeug, das wir nutzen sollten! Bei der Lösung vieler Probleme kann diese Technologie schon heute
unterstützen. Mit zunehmendem Fortschritt kommen immer mehr KI-Anwendungen auf einen immer komplexer werdenden Markt. Hier gilt es
Schritt zu halten, das aktuell Machbare und damit die Fähigkeiten von KI stetig zu bewerten und wo sinnvoll KI-Systeme schnellstmöglich zu integ-
rieren und einzusetzen.
Kernergebnis 2: Künstliche Intelligenz vereint viele Teildisziplinen mit unterschiedlichen Reifegraden
KI ist ein Oberbegriff, hinter dem sich eine Vielzahl unterschiedlicher Technologien und Konzepte verbergen. Mit unserem KI-Trendra-
dar zeigen wir auf, wie facettenreich das Thema ist und mit welchen unterschiedlichen Reifegraden wir es zu tun haben. Die Spanne reicht
von verfügbaren und nutzbaren Lösungen bis hin zu visionären Zukunftskonzepten.
Empfehlung:
Wenn ein Unternehmen von sich behauptet, KI in seinen Produkten zu realisieren, handelt es dabei vielfach um geschicktes Marketing. Unser An-
spruch muss weiter gehen: Es gilt vielmehr zu durchdringen, welche Technologien und Konzepte schon heute verfügbar sind und diese auf pas-
sende Problemstellungen anzuwenden. Hier empfiehlt es sich, kommende Trends und Technologien auf dem Radar zu haben und die Potentiale zu
bewerten, um zum richtigen Zeitpunkt darauf zu setzen.
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 10Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Kernergebnis 3: Das Potential künstlicher Intelligenz wirkt auf alle Verbundprozesse unseres Bahnsystems. Unsere Ergebnisse machen deutlich, dass durch den Einsatz künstlicher Intelligenz erhebliche Effizienzen durch die Optimierung der Un- ternehmensprozesse realisiert werden können. Gleichzeitig werden durch KI neue Potentiale für das Reisendenerlebnis erschlossen. Eine intelligente Informationsverarbeitung bereitet den Weg für neue datenbasierte Geschäftsmodelle. Empfehlung: KI ist eine Enabling-Technology für die Digitalisierung des Bahnsystems. Die Integration zentraler Digitalisierungskonzepte wie dem Internet der Dinge, Digital Twins und neuen Mobilfunkgenerationen wie 5G ist ein erster Schritt in die Zukunft. Erst durch die intelligente Verwendung der dadurch verfügbar werdenden Daten, können Potentiale vollständig ausgeschöpft werden. Verschiedene auf künstliche Intelligenz basierende Technologien werden auf Basis dieser Daten einen immer größeren Beitrag Mehrwert schaffen. Kernergebnis 4: Strategische und Gesellschaftliche Aspekte wie Digitale Ethik und AI Governance werden zu Schlüsselkompetenzen. Digitale Ethik und AI Governance sind zwingend notwendige Voraussetzungen, ohne die wir das Vertrauen unserer Mitarbeiter:innen, Lie- ferant:innen und Kund:innen in KI-basierte Prozesse nicht gewinnen können. Ein ethischer Rahmen und ein verantwortungsvoller Umgang mit KI sowie die Sicherstellung der Qualität und Effizienz unserer Datengrundlage und Mechanismen werden zum strategischen Wettbe- werbsvorteil. Empfehlung: Unsere Studienergebnisse zeigen, dass innerhalb des DB Konzerns verschiedene Einheiten wesentliche Schlüsselaufgaben einer AI Governance übernehmen. Dazu zählen Aktivitäten wie die strategische Weiterentwicklung der KI-Strategie oder die Sicherstellung eines einheitlichen Datenzu- gangs oder Qualitätsmanagement. Auch die Relevanz digitaler Ethik und Corporate Digital Responsibility ist identifiziert und erste Schritte wurden initiiert. Im nächsten Schritt ist eine partnerschaftliche Zusammenarbeit zu etablieren und organisationsübergreifend die Kräfte zu bündeln. Kernergebnis 5: Künstliche Intelligenz geht nicht ohne natürliche Intelligenz Technologischer Fortschritt wurde immer durch Menschen eingeleitet und angetrieben. Eine General Artificial Intelligenz, die den Men- schen überflüssig machen wird, werden wir absehbar nicht erleben. Die Frage ist nicht „Mensch oder Maschine?“. Vielmehr entsteht der Mehrwert durch die Verknüpfung unersetzbarer menschlicher Fähigkeiten wie Kreativität, Empathie, Flexibilität und Intuition mit der Unterstützung durch maschinelle Prozesse. Diese Zusammenarbeit zwischen Menschen und Maschinen wird unsere Zukunft prägen. Empfehlung: Ängste und Misstrauen sowohl auf Seiten der Mitarbeiter:innen als auch der Öffentlichkeit müssen ernst genommen werden. Mit dem Aufbau ethi- scher Richtlinien und Rahmenbedingungen und der verbindlichen Einhaltung derselben bauen wir Unsicherheiten ab. Die Einbindung interner Gremien, Arbeitnehmervertretungen und Entscheidungsträgern bei Konzeption und Einsatz von KI-Systemen ist dabei Grundvoraussetzung. Schu- lungsprogramme zum Aufbau von KI-Know-how bei allen Mitarbeitenden wirken dabei unterstützend. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 11
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Kernergebnis 6: Von der Pilotierung in die Skalierung kommen In den letzten Jahren wurden bei der Deutschen Bahn grundlegendes KI-Know-how und damit ein solides Fundament aufgebaut. Viele Er- fahrungen wurden in Form von zahlreichen Proof-of-Concepts (PoCs) und Pilotprojekten gesammelt, die den Mehrwert in ihren Anwen- dungsfeldern über alle Geschäftsbereiche hinweg erkennen lassen. Empfehlung: Mehr Mut und Offenheit! Lösungen die als Prototyp erste Wertversprechen halten konnten, müssen auf die nächste Skalierungsebene gehoben werden. Nur wenn wir Transparenz über Einzelaktivitäten schaffen und Pilotanwendungen zu wiederverwendbaren Services weiterentwickeln, gelingt uns der nächste Schritt. Dabei müssen wir nicht alles selbst entwickeln, sondern sollten auch prüfen, ob die Integration vorgefertigter Stan- dardlösungen zum Beispiel von Cloudanbietern wertstiftend ist. Mit der Entwicklung einer KI-Plattform sind wir einen ersten, richtigen Schritt in Richtung von Skalierung und besserer Nutzbarkeit gegangen. Kernergebnis 7: Das Team DB verfügt über das Rüstzeug für einen erfolgreichen Einsatz von künstlicher Intelligenz KI ist ein wesentliches Technologiefundament unserer Digital- und Technikstrategie. Sie ist eine zentrale Grundlage zur Erreichung unserer Ziele der Konzernstrategie „Starke Schiene“ und damit einer Verbesserung des Kundenerlebnisses, eines digitalen Bahnbetriebs mit hoch- verfügbarer Bahntechnik und der digitalen Instandhaltung. Der Bedeutung angemessen, haben sich im gesamten Konzern KI-Initiativen etabliert. In Innovation Labs wie dem Skydeck oder der DB mindbox wird mit neuen Techniken experimentiert und werden Mitarbei- ter:innen bei ihren Innovationstätigkeiten gefördert. Empfehlung: Kleine Pilotprojekte und Innovationsaktivitäten werden der KI bei der Deutschen Bahn nicht zum Durchbruch verhelfen. Nur wenn innerhalb des Konzerns partnerschaftlich an einer gemeinsamen KI-Strategie und den damit einhergehenden Themen wie KI-Governance und Plattformlösungen gearbeitet wird, kann sich der volle Nutzen entfalten. Dies erfordert eine klare Vision und eine Roadmap für den KI-Einsatz innerhalb der DB. Der Rahmen muss einerseits verbindlich und bindend für alle Beteiligten sein, aber ihnen auch genügend Freiraum und Flexibilität bei dem Erarbeiten kreativer Lösungen geben. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 12
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Chancen und Risiken
Yin oder Yang? Trends und damit einhergehende Entwicklungen sind objektiv betrachtet neutrale Veränderungen. In jedem Trend
stecken sowohl Chancen als auch Risiken. Welche Seite der Medaille überwiegt, entscheidet oft das eigene Handeln.
Chancen [wenn wir richtig handeln]:
Der Einsatz von KI unterstützt unsere Strategie einer starken Schiene. Die Steigerung der Verfügbarkeit von Zügen und Infrastruktur, die Opti-
mierung unseres Bahnbetriebs und die Erhöhung unserer Reisendenzahlen wird durch KI stark unterstützt.
Die Möglichkeiten bei Datenanalysen und Simulationen werden durch KI massiv erweitert. Auf vorhersehbare und nicht vorhersehbare Ereig-
nisse kann schneller und besser reagiert werden. Dadurch wird die Zukunftsfähigkeit und Resilienz unserer Organisation erheblich verbessert.
Die Automatisierung wiederkehrender Prozesse durch KI-Systeme hilft, die negativen Auswirkungen des Fachkräftemangels abzuschwächen.
Zudem werden unsere Mitarbeiter:innen entlastet. Sinnstiftende Arbeit gewinnt anteilig an der Arbeitszeit an Bedeutung. Dort wo Kreativität,
Flexibilität und Anpassungsfähigkeit gefragt ist, ist der Mensch gefordert, während er bei wiederkehrenden Routinearbeiten durch KI entlastet
wird.
Durch den Einsatz von KI an der Kundenschnittstelle (etwa durch digitale Assistenten) unterstützen wir unser Servicepersonal und verbessern
das Kundenerlebnis. Wir gewinnen neue Erkenntnisse über die Bedürfnisse unserer Reisenden und richten sowohl bestehende als auch zukünf-
tige Services und Produkte daran aus.
Der Arbeitsmarkt für KI-Experten ist hart umkämpft. Große Tech-Unternehmen und innovative Start-ups stehen im Wettbewerb um die größten
Talente. Durch eine klare Vision und den Ausbau unserer strategischen KI-Aktivitäten werden wir zu einem attraktiven Arbeitgeber und können
in diesem Wettbewerb standhalten.
Das Vertrauen unserer Mitarbeiter:innen, Lieferant:innen sowie Kund:innen und eine Steigerung der Akzeptanz in unsere KI-Aktivitäten wird
durch verbindliche Wertvorstellungen für Entwicklung und Einsatz von KI gefördert. Der Aufbau eines KI-Ethikrats ist ein erster Schritt in diese
Richtung.
Risiken [wenn wir nicht die richtigen Dinge tun]:
Durch nicht korrekte bzw. unzureichende Daten oder fehlerhafte Algorithmen laufen wir Gefahr, die falschen Schlüsse zu ziehen. Das kann mit-
unter zu dramatischen Fehleinschätzungen führen. Hinzu kommen Risiken der fehlenden Nachvollziehbarkeit von KI-basierten Entscheidungen
gepaart mit möglicherweise unzureichendem Wissen über die Arbeitsweise von Algorithmen.
Auch wenn der Einsatz künstlicher Intelligenz große Potentiale birgt und die aktuellen Entwicklungen vielversprechend sind, sollten die heutigen
Fähigkeiten von KI nicht überschätzt werden. Unser KI-Trendradar gibt Hilfestellung bei der Priorisierung und der Bewertung der einzelnen
Anwendungsgebiete und Technologiefelder.
Unzureichendes Wissen über KI sowie mangelhafte Kommunikation und Transparenz steigern das Misstrauen in KI-Systeme. Dies kann zu einer
mangelnden Akzeptanz bereits realisierter Lösungen und damit zum Investitionsverlust führen.
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 13Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Risiken [Fortsetzung]: Ein verbindlicher Rahmen für eine „Digitale Ethik“, insbesondere in Bezug auf KI, befindet sich erst in der Diskussion und Entstehung. Entspre- chend sind gesetzliche Regelungen weit davon entfernt, verabschiedet zu werden. Gleichzeitig existieren regulatorische Hürden sowie ungeklärt Haftungsregeln bezüglich KI-gestützter Entscheidungen. Im intermodalen Wettbewerb sind mitunter kleinere und innovativere Unternehmen schneller dabei, neue KI-gestützte Mobilitätsangebote zu entwickeln. Auch wird der Einsatz autonom fahrender Fahrzeuge, ein Kerngebiet der KI-Forschung, immer wahrscheinlicher und rückt näher. Wenn wir diese Entwicklungen nicht genau verfolgen und KI, wo passend, nicht schnell für unsere Kund:innen einsetzen, riskieren wir massive Verluste von Marktanteilen. Oftmals erfordern KI-Systeme hohe Anfangsinvestitionen. Messbare Effekte treten erst langfristig ein, sind dann aber umso signifikanter und höher. Werden Projekte und Initiativen zu früh verworfen, können diese Effekte nicht realisiert werden. Bereits getätigte Investitionen sind unwiederbringlich verloren. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 14
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Definition und Grundlagen
Historie der Künstlichen Intelligenz .................................................................................................. 16
Was ist künstliche Intelligenz? .......................................................................................................... 17
Entwicklungsstufen von KI ................................................................................................................ 18
Human Parity.................................................................................................................................... 19
Ausprägungen von Machine-Learning-Algorithmen ............................................................................ 20
Vergleich von Supervised, Unsupervised und Reinforcement Learning ............................................... 21
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 15Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Historie der künstlichen Intelligenz Wie eingangs bereits erwähnt, ist KI kein neuer Trend, sondern hat eine Historie von mehr als 70 Jahren vorzuweisen. Wir werfen daher zunächst einen Blick auf die wichtigsten Meilensteine, bevor wir uns tiefer mit dem Thema beschäftigen: DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 16
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Was ist künstliche Intelligenz?
Selbst nach einem halben Jahrhundert KI-Forschung, existiert bis heute keine einheitliche Definition. Im weitesten Sinne beschreibt der Begriff
„künstliche Intelligenz“ alle Technologien, die es Maschinen ermöglichen, menschliche kognitive Fähigkeiten nachzuahmen. Allerdings existiert
kein gemeinsames Verständnis davon, was menschliche Intelligenz ist und wie genau sie sich auf Maschinen übertragen lässt. Darüber werden
Begriffe wie „Machine Learning“ oder „Deep Learning“ teilweise synonym verwendet. Wir möchten Euch auf dieser Seite einen Überblick über die
wichtigsten Begrifflichkeiten und deren Bedeutung vermitteln.
Künstliche Intelligenz
KI beschreibt die Fähigkeit eines Systems, mit Hilfe von fortschrittlichen Analyse- und logikbasierten
Techniken, Ereignisse und Daten zu interpretieren, aus diesen Informationen zu lernen und diese Erkennt-
nisse zu nutzen, um eigenständig bestimmte Ziele und Aufgaben durch flexible Anpassung zu erreichen.1
Maschinelles Lernen
Maschinelles Lernen ist eine Teildisziplin der KI, die mathematische Modelle verwendet, um Muster und
Informationen aus großen Datenmengen zu extrahieren. Hierbei werden drei Hauptansätze unterschieden,
die am Ende dieses Kapitels genauer behandelt werden: Supervised Learning (Überwachtes Lernen),
Unsupervised Learning (Unüberwachtes Lernen) und Reinforcement Learning (Bestärkendes Lernen).
Die aus den vorhandenen Daten gewonnenen Erkenntnisse lassen sich auf unbekannte Daten anwenden
und für vergleichbare Problemstellungen verwenden.
Deep Learning (Deep Neuronal Networks)
Deep Learning ist wiederum ein Teilgebiet des maschinellen Lernens, welches mit Hilfe von künstlichen neuronalen Netzen das menschliche Lern-
verhalten imitiert. Deep Learning kommt zum Einsatz, wenn herkömmliche mathematische Algorithmen an ihre Grenzen stoßen. Sie sind in der
Lage auch große Mengen unstrukturierter Daten auszuwerten und Muster zu erkennen. Unstrukturierten Daten können beispielsweise Bilder, Vi-
deos oder Töne sein.
1
Für weiterführende Literatur zu einer konkreten, aktuellen Definition empfehlen wir die Veröffentlichung der führenden KI-Wissenschaftler Kaplan und Haenlein (2019)
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 17Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Entwicklungsstufen von KI
Die große Vision, eine domänenübergreifende maschinelle Intelligenz, die dem Menschen ebenbürtig ist, dürfte in der näheren Zukunft noch nicht
realisierbar sein. Während wir heute bereits Unterstützung durch Computer in eng begrenzten Domänen („Schwache KI“) erfahren, lässt der
Durchbruch einen „Starken KI“ noch auf sich warten.
Schwache KI
Als Narrow Artificial Intelligence (übersetzt: „schwache KI“) wird ein KI-System bezeichnet, das auf die Lösung einer einzelnen,
vordefinierten Aufgabe spezialisiert ist. Alle heute existierenden Systeme fallen in die Evolutionsstufe der „schwachen KI“.
Beispiele für schwache KI sind:
Bild- und Spracherkennung
Automatisierte Übersetzung
Zeichen- bzw. Texterkennung
Chatbots (etwa im Kundensupport)
Optimierung/Automatisierung von Prozessen (etwa der Buchhaltung, Posteingang, Backoffice…)
Starke KI
Eine starke künstliche Intelligenz oder auch Artificial General Intelligence (AGI) ist ein System, das (mindestens) die gleichen
intellektuellen Fähigkeiten eines Menschen besitzt. Zum heutigen Zeitpunkt existiert die „Superintelligenz“ nur als theoretisches Kon-
zept. Im Rahmen des Betrachtungszeitraums dieser Studie (zehn Jahre) ist nicht mit einer Entwicklung einer starken KI zu rechnen.
Ein starkes KI-System beherrscht:
Logisches Denkvermögen
Entscheidungsfähigkeit auch bei Unsicherheit
Planungs- und Lernfähigkeit
Fähigkeit zur Kommunikation in natürlicher Sprache
Kombinieren aller Fähigkeiten zur Erreichung eines übergeordneten Ziels
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 18Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Human Parity Allen im vorangegangenen Abschnitt dargestellten Meilensteinen liegt der Anspruch zugrunde, Maschinen irgendwann mit einer dem Menschen vergleichbaren Intelligenz auszustatten, inklusive der Fähigkeit zur Selbstoptimierung ( Technologische Singularität). Ein Gleichstand, d.h. eine „Human Parity” (menschliche Parität) wird erreicht, sobald ein KI-System eine Fähigkeit genauso gut ausüben kann wie ein Mensch. Ziel ist dabei nicht die absolute Perfektion, sondern ein Gleichstand der Fehlerraten von Menschen und KI-Systemen in derselben Wissensdomäne. In einigen Gebieten ist Human Parity heute schon erreicht worden: Innerhalb der nächsten Jahrzehnte wird Human Parity in diesen Bereichen erwartet: DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 19
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Ausprägungen von Machine-Learning-Algorithmen
Im Bereich der „Schwachen KI“ werden im Wesentlichen drei Ansätze verfolgt, um Erkenntnisse aus großen Datenmengen mit Hilfe von maschi-
nellem Lernen zu extrahieren. Diese Konzepte unterscheiden sich in der Stärke und Art der Unterstützung, die der Mensch einer Maschine geben
muss, um Entscheidungen zu treffen und Aktionen auszulösen. Je nach Grad der menschlichen Unterstützung unterscheidet man in Supervised
Learning (Überwachtes Lernen), Unsupervised Learning (Unüberwachtes Lernen) und Reinforcement Learning (Bestärkendes Lernen):
Vergleich von Supervised, Unsupervised und Reinforcement Learning
Supervised Learning Unsupervised Learning Reinforcement Learning
(Klassifizierung) (Clustering) (Trial and Error)
Vorheriges Kennen der
Ja Nein Nein, bzw. es gibt keine Klassen
Klassen erforderlich?
Trainingsdaten müssen Keine vordefinierten Trainingsda-
Ja Nein
klassifiziert sein? ten
Welches Problem soll Zuordnung von neuen Daten zu Suche nach neuen Clustern Lösen von Minimierungs- bzw.
gelöst werden? bereits bekannten Klassen anhand von Merkmalsmustern Maximierungsprobleme
Optimierungsaufgaben mit
Dokumentenklassifizierung Anomalie Erkennung
bekannten, definierten Regeln
Risiko Modelle (etwa im Versi- Topic Modelling
Typische und Abhängigkeiten
cherungsbereich) Assoziationsanalyse
Anwendungsbeispiele
Bild/Sprach-Erkennung Customer Segmentation
Empfehlungssysteme
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 20Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Supervised Learning (Überwachtes Lernen)
Beim Supervised Learning trainiert der Algorithmus mit klassifizierten Daten: Das System wird mit bekannten Eingaben (Inputs)
und den daraus folgenden, korrekten Ausgaben (Outputs) gefüttert. Der Trainings-Datensatz dient als Grundlage für die Vorher-
sage der Klassifizierung anderer unbekannter Daten. In jedem Schritt, nach der Verarbeitung jedes Input-Output-Paares, ändert
der Algorithmus das Modell, um einen Output zu erzeugen, der dem gewünschten Ergebnis so nahe wie möglich kommt. Die Er-
gebnisse des Lernprozesses werden mit den bekannten, richtigen Ergebnissen verglichen, also „überwacht“.
Anwendungen für überwachtes Lernen werden typischerweise in zwei Kategorien unterteilt: Klassifizierung und Regression.
Klassifizierung
Unter Klassifizierung versteht man die Vorhersage einer Ergebnisklasse auf Basis einer definierten Menge von Eingabeklassen. So sind beispiels-
weise im nebenstehenden Beispiel Eingabeklassen mit Mustern für die Ziffern 0 bis 9 vorgesehen. Eine neu geschriebene Ziffer wird mit diesen
Mustern verglichen und das Resultat der am besten passenden Ergebnisklasse zugeordnet.
Chihuahua oder Muffin? Dieses bekannte Internet-Meme zeigt die erstaunliche Ähnlichkeit zwischen zwei völlig unter-
schiedlichen Klassen und verdeutlich damit die Herausforderungen von Klassifizierungsproblemen von Machine Lear-
ning.
Weitere klassische Beispiele für den Einsatz von Klassifizierung sind die Inter-
pretation von Zeichen als Ziffern, die Übersetzung von Handschriften in Text
oder das Erkennen und Entfernen von Spam-Emails.
Regression
Sollten die Ergebnisse der Ausgabe nicht eindeutig sein, sondern können beliebige quantitative Werte annehmen, spricht man von einem Regressi-
onsproblem. Typische Beispiele wären Prognosen zu Staus, Kosten oder zur Nachfrage bei Eintreten bestimmter Randbedingungen. Diese Vorher-
sagen können durch Regression ermittelt werden.
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 21Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Unsupervised Learning (Unüberwachtes Lernen)
Unsupervised Learning wird verwendet, um aus Daten, die aus Eingabedaten ohne bekannte Outputs bestehen, prädiktive Modelle
zu entwickeln. Dieses Verfahren wird eingesetzt, wenn das Problem eine große Menge an nicht gelabelten Daten erfordert, es sich
also um Daten handelt, deren Inputparameter unbekannt sind.
Die häufigsten Anwendungen des unüberwachten Lernens sind Clustering und das Lösen von Assoziationsproblemen.
Clustering
Beim Clustering entsteht ein Modell, das Objekte auf der Grundlage bestimmter Eigenschaften, wie etwa ihrer Farbe oder Form, gruppiert.
Nehmen wir an, es handelt sich bei un- Das Anlegen einer Linie zwischen den Hier haben wir zwei Cluster. (Achtung! Wenn nun neue Daten in Form von
seren Daten um nicht kategorisierte unsortierten Punkten ist nicht hilfreich. Die Anzahl der Cluster ist willkürlich). neuen Tierbildern dazu kommen, kön-
Tierbilder. Am Anfang steht eine An- Am Ende haben wir immer noch ein ähn- Was stellen diese Cluster dar? Das ist nen sie ziemlich leicht kategorisiert
sammlung vieler unsortierter Punkte. lich diffuses Bild auf beiden Seiten der schwer zu sagen. Nehmen wir hier an, werden – vorausgesetzt, sie passen in
Linie. Es ist klar, dass ein anderer An- das System hat zwei Cluster identifi- ein bekanntes Cluster.
satz gewählt werden muss. ziert und es ergeben sich die Kategorien
Was aber, wenn ein Foto-Clustering-Mo-
„Igel“ und „Gürteltier“.
dell noch nie zuvor ein Schuppentier ge-
Manchmal findet das Modell Muster sehen hat? Wird das System das neue
in den Daten, die es nicht lernen soll, Foto den Gürteltieren oder vielleicht
wie zum Beispiel Stereotypen oder den Igeln zuordnen?
Bias/Verzerrungen.
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 22Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Reinforcement Learning (Bestärkendes Lernen)
Algorithmen der Kategorie Reinforcement Learning lernen selbstständig, indem sie versuchen, Belohnungen zu maximieren bzw.
Strafen zu minimieren. Dahinter steckt das Prinzip von „Versuch und Irrtum“, verbunden mit einer Bewertung, die „gutes“ (zielfüh-
rendes) Verhalten belohnt und „schlechte“ Verhaltensmuster bestraft.
Der Algorithmus durchläuft eine Vielzahl von Iterationen, bei denen er bewährte Verhaltensmuster miteinander kombiniert und
zufällig neue Verhaltensweisen ausprobiert. So kommt er dem Optimum Schritt für Schritt näher. Die wohl bekanntesten Vertreter dieser Kategorie
sind die genetischen Algorithmen, die sich an der Evolutionstheorie von Charles Darwin orientieren.
Reinforcement Learning wird bei Minimierung- und Maximierungsaufgaben verwendet. Des Weiteren
kommt es bei Lernprozessen, bei denen auf sich verändernde Umwelteinflüsse reagiert werden soll, zum
Einsatz.
Ein eindrucksvolles Beispiel für Deep Reinforecement Learning lieferte das von Google Deepmind entwi-
ckelte Programm AlphaGo. Im März 2016 trat das KI-System gegen einen den weltbesten Profispieler
des 3000 Jahre alten, chinesischen Brettspiels „Go“ an und schlug ihn in vier von fünf Partien.
„Go“ gilt aufgrund seiner Komplexität als das herausforderndste klassische Spiel der Welt.
Abbildung 1: Bildquelle: https://www.bbc.com/news/technology-35761246
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 23Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Künstliche Intelligenz 2030
Digitale Instandhaltung und Bahntechnik .......................................................................................... 25
Digitales Kundenerlebnis .................................................................................................................. 30
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 24Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Künstliche Intelligenz 2030 Wie könnte die Zukunft der Bahn mit künstlicher Intelligenz aussehen? Anhand von zwei Future Stories zeigen wir auf, wie KI die Instandhaltung und die Bahntechnik sowie das Reisendenerlebnis und unsere Mobilität von morgen verändern wird. Dabei geben wir zunächst einen Vorge- schmack auf die Zukunft, wie wir sie uns vorstellen. Im Anschluss folgen spannende Marktimpulse sowie aktuelle DB Aktivitäten, die schon heute auf diese Zukunftsbilder einzahlen. Digitale Instandhaltung und Bahntechnik Future Story In nicht allzu ferner Zukunft werden die am Bahnsystem beteilig- ten Unternehmen und Institutionen eng vernetzt und hoch auto- matisiert zusammenarbeiten. Dies wird möglich durch die Samm- lung, Auswertung und Nutzung von Daten aus der Infrastruktur, aus den Fahrzeugen aber auch aus Lagerhaltungs- und Logistiksys- temen. Doch wie kann diese Fiktion Realität werden? Welche Vo- raussetzungen müssen erfüllt sein, damit ein Fahrzeug automa- tisch Ersatzteile ordert und sich selbstständig einen Werkstattter- min bucht, der den Betrieb nur minimal beeinträchtigt? Schon heute werden Fahrzeuge, Infrastruktur und weitere Assets im Bestand mit Sensoren ausgestattet. In der Zukunft werden keine Anlagen oder Fahrzeuge mehr ohne die erforderliche Sensortechnik in Betrieb genommen. Ausnahmen bilden lediglich Gegenstände, die selbst keine aktiven Komponenten haben, wie etwa Gleise oder infrastrukturelle Bauwerke. Diese werden in re- gelmäßigen Abständen durch Drohnen oder mit Hilfe von Satelliten überwacht. Abbildung 2: Konzeptvorstellung Vorprojekt, DB Fahrzeuginstandhaltung 2020 Zum Ende des Jahrzehnts sind alle Anlagen, die sich im Betrieb be- finden, mit der erforderlichen Sensorik ausgestattet oder werden visuell und akustisch hinsichtlich Auffälligkeiten überwacht. Sensoren erkennen am Ort der Entstehung, d.h. an der „ Edge“, ob aufgrund von Schwellwerten, Informationen für einen reibungslosen Bahnbetrieb von Bedeutung sind. Die relevanten Grenzwerte, ab denen Aktionen eingeleitet werden müssen, werden auf der Basis von selbstlernenden Algorithmen stetig angepasst und optimiert. Selbstverständlich werden dabei auch Umfeldinformationen einbezogen, die auf den ersten Blick nicht relevant erschei- nen. Big Data Analytics bildet die Grundlage, entsprechende Beziehungen zwischen scheinbar nicht zusammengehörenden Informationen zu erkennen. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 25
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen Die Algorithmen der künstlichen Intelligenz sind außerdem in der Lage die Dispositionsentscheidungen bei der Auswahl des richtigen Instandhal- tungswerks zu übernehmen. So wird auf Basis von Material- und Personalverfügbarkeit sowie der Position des Fahrzeugs entschieden, in wel- chem Werk eine Instandhaltung am sinnvollsten erscheint. Anpassungen an Schwellwerten werden an die relevanten Zulassungsbehörden, wie dem Eisenbahnbundesamt in Echtzeit übermittelt. Die Prüfsysteme der Behörden passen Toleranzgrenzen aufgrund der Verfügbarkeit globaler Daten zu unvorhergesehen Zwischenfällen und Unfällen im Bahnbereich mittels maschinellen Lernens stetig an. Auf Basis dieser Erfahrungswerte werden neue Schwellenwerte freigegeben oder zwischen den Systemen des Bahnbetreibers und der Zulassungsbehörde ausgehandelt. Dies alles setzt selbstverständlich hoch performante mobile Datennetze voraus. Sowohl Funklöcher als auch Kapazitätsgrenzen bei der Übertra- gung der relevanten Daten kommen im Jahr 2030 kaum noch vor. Auch konnte die Latenz auf ein Minimum reduziert werden. Sensordaten stehen damit unmittelbar nach ihrer Entstehung zur Auswertung, Interpretation und Verarbeitung zur Verfügung. Sobald das Fahrzeug die Werkstatt erreicht und der Instandhalter seine Arbeit aufnimmt, wird er von modernsten Technologien unterstützt. Eine Hilfe bei der Inspektion bietet der Einsatz von Nanobots, die direkt in der Fahrzeugkomponente autonom agieren, die vorliegende Datenbasis nutzen und um ihre Erkenntnisse anreichern. Auch wenn das noch sehr visionär erscheinen mag, so gibt es bereits heute erste Innovationsprojekte in der Luftfahrtindustrie. Auf Basis der Daten ergeben sich auch völlig neue Geschäftsmodelle in der Zusammenarbeit zwischen Betreiber und Hersteller. Dem Fahrzeug- hersteller wird dadurch ermöglicht, Material und Komponenten stetig zu optimieren. Betriebsdaten werden in Echtzeit durch KI-Systeme analy- siert. Die Teile einer Klimaanlage, die immer wieder zu Ausfällen führen, werden schnell identifiziert und können bei der Weiterentwicklung durch zuverlässigere Komponenten anderer Hersteller ersetzt werden – ein positiver Faktor, der auch bei der Neubeschaffung von Fahrzeugen zum Tra- gen kommt, und diesen maßgeblich beschleunigt. DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 26
Einführung | Zusammenfassung | Definition und Grundlagen | Künstliche Intelligenz 2030 | KI Trendradar | Markt und Gesellschaft | Ansprechpartner:innen
Marktimpulse
Laut einer Studie der Boston Consulting Group wird die digitale Instandhaltung im Eisenbahnsektor in Zukunft ein Ökosystem aus vielen Akteu-
ren werden, die von zentralen Analysezentren gesteuert werden. Wesentliche Veränderungen zur heutigen Instandhaltungslandschaft werden eine
disruptiv veränderte Instandhaltungsdurchführung, vernetzte Flotten- und Streckendiagnostik sowie die zentrale Verbindung aller Daten
sein.
In dem Artikel „The future of maintenance for distributed fixed assets” beschreibt McKinsey den großen Mehrwert einer digital optimierten
Instandhaltung. Ein maßgeblicher Faktor in der digitalen Instandhaltung wird Predictive Maintenance sein. Die Unternehmensberater leiten darin
Einsparungen an Wartungskosten von bis zu 30 Prozent durch neue Technologien her. Auch wenn der Artikel die Instandhaltung von stationä-
ren Anlagen zum Inhalt hat, so lassen sich doch die Mehrwerte auch auf andere investitionsintensive Güter wie Eisenbahnen übertragen.
Ein Beispiel aus der Eisenbahnindustrie wird in der Veröffentlichung „Predictive Maintenance 4.0 – Predict the Unpredictable“ von PwC und
Mainnovation vorgestellt: Das in Belgien für die Eisenbahninfrastruktur zuständige Unternehmen Infrabel, das vor ähnlichen Herausforderungen
hinsichtlich der Instandhaltung wie wir steht, antwortet darauf mit immer ausgefeilterer Sensorik und smarter Hardware. Dadurch wird eine
vorausschauende Instandhaltung möglich.
Ein Klassiker für Predictive Maintenance und völlig neue Geschäftsmodelle rund um den Le-
benszyklus und die Wartung kommt aus der Luftfahrtindustrie mit dem Triebwerkshersteller
Rolls Royce. Doch nicht nur die Hersteller von Flugzeugkomponenten, auch die Flottenbe-
treiber investieren in innovative Instandhaltung. So verfügt Lufthansa Technik mit Aviatar
über eine Plattform, die im Luftfahrtsektor Airlines, Flugzeuginstandhalter (MROs), OEMs
und Leasinggeber zusammenbringt. Die Nutzer von Aviatar werden in die Lage versetzt ihre
komplexen Flugzeugflotten digital in Echtzeit zu verwalten und Vorhersagen von Ausfall-
wahrscheinlichkeiten von Komponenten zu erhalten.
Eine führende Rolle zum Thema Predictive Maintenance in der Automobilindustrie nimmt Innovati-
onsführer Tesla ein. Tesla ist weltweit der einzige Autohersteller, der in seinen Fahrzeugen über
autonome Diagnosesysteme verfügt. Dabei führt das Fahrzeug über Sensoren und Algorithmen eine
Selbstdiagnose durch. Bei identifizierten Fehlern bestellt das Fahrzeug selbständig die Ersatzteile in
die präferierte Werkstatt.
Eine Beispielfehlermeldung des Tesla Model 3: „An unexpected condition has been detected with
the Power Conversion System on your Model 3. A replacement part has been pre-shipped to your
preferred Tesla Service Center. Please use your Tesla Mobile App or your Tesla account to schedule
a service visit appointment now.”
DB Systel GmbH | Digital Foresight | März 2021 | Vertraulichkeitskennung: DB Offen 27Sie können auch lesen
