Von intelligenten Algorithmen: KI bei PTV

Die PTV-Experten diskutieren über das spannende Thema „Künstliche Intelligenz“.

Künstliche Intelligenz ist das Motto des Wissenschaftsjahrs 2019, so das Bundesministerium für Bildung und Forschung. Kein Wunder: Intelligente IT-Systeme erobern sämtliche Bereiche unseres Lebens und bringen jede Menge Möglichkeiten mit sich.  Auch bei PTV steht das Thema auf der Agenda – schließlich stecken schlaue Algorithmen und Innovationen von jeher in der DNA des Unternehmens. Um das Thema genauer zu beleuchten, haben wir uns mit den PTV-Experten auf diesem Gebiet zum Interview getroffen: Klaus Nökel, Head of Innovation, Christian Mähler, Principal Software Engineer, Werner Heid, Director Methods und Axel Gußmann, Director Data standen Rede und Antwort über Potential und Möglichkeiten von KI.

Compass: KI ist aktuell in aller Munde. Aber so neu ist das Thema gar nicht, oder?

Klaus Nökel: Nein, ich habe bereits 1989 zum Thema KI promoviert und mich sehr lange damit beschäftigt.  Den ersten Hype erlebte das Thema dann Anfang der 1990er Jahre. Die Forschung hat sich damals ziemlich weit aus dem Fenster gelehnt, konnte aber nur wenig davon umsetzen. So ist der ganze Fachbereich erstmal einige Jahre in Ungnade gefallen. Erst vor knapp zehn Jahren nahm das Ganze wieder an Fahrt auf und besonders in den letzten zwei Jahren hat KI dann sehr viel Aufmerksamkeit erregt.

Compass: Woran liegt das?

Klaus Nökel: Eine kleine Gruppe Unentwegter hat nicht aufgegeben, sich mit den methodischen Grundlagen zu beschäftigen. Sie konnten einige der Dinge, die in den 1980ern nur auf dem Papier vorstellbar waren, tatsächlich umsetzen – mit besserer methodischer Einsicht und vor allem mit schnelleren Rechnern.

Compass: Wie definiert ihr Künstliche Intelligenz eigentlich?

Christian Mähler: KI ist für mich der Versuch, mit dem Computer intelligente, menschliche Verhaltensweisen nachzuahmen.

Axel Gußmann: Im Prinzip ist es ein Sammelbegriff für verschiedene Teilgebiete. Da gehört für mich die Robotik dazu, die Sensomotorik, das Maschinelle Lernen und auch empathische Intelligenz.

Werner Heid: Es gibt unterschiedliche Anforderungen, die ein KI-System erfüllen muss. Die Hochschule von Helsinki definiert zum Beispiel Adaptivität als eine Hauptanforderungen, das heißt die Fähigkeit sich anzupassen, ohne dass ein Mensch eingreift.  Und Autonomie, dass das System über einen längeren Zeitraum eigenständig laufen und eigenständig Entscheidungen treffen kann sowie mit probabilistischen Informationen, also Wahrscheinlichkeiten umgehen kann.

Compass: Welche Rolle spielt dabei Maschinelles Lernen?

Christian Mähler: Machine Learning ist eine Verfahrensweise aus dem Bereich der KI, also ein Teilgebiet, das sich in den letzten Jahren dominant durchgesetzt hat. Dabei wird künstliches Wissen aus Erfahrungen generiert.  IT-Systeme werden in die Lage versetzt, Muster in Datenbeständen zu erkennen und dann daraus Schlüsse zu ziehen.

Klaus Nökel: Du fütterst dein Modell im Prinzip mit möglichst vielen relevanten Daten und trainierst es damit.  Der Algorithmus lernt daraus, stellt Zusammenhänge fest und kann diese für neue Problemstellungen nutzen. Das Ganze funktioniert allerdings nur mit einer großen Menge an Trainingsbeispielen und Musterlösungen. Der Computer braucht nicht 100 oder 1000 Beispiele, sondern Millionen.

Axel Gußmann: Für diese Art des Lernens bilden Big Data Systeme eine wichtige Basis. Deshalb ist es ja so hilfreich, dass im heutigen Zeitalter der Digitalisierungen die Menschen ihre Verhaltensweisen offenbaren und zum Beispiel durch Apps oder ähnliches große Mengen an Datenspuren hinterlassen.  Diese Datenspuren liefern, was die Maschine Learning Strukturen dringend benötigen, nämlich riesige Mengen an Trainingsbeispielen.

Compass: Es wird auch immer wieder über Gefahren und Risiken gesprochen, die von der KI ausgehen. Dass zum Beispiel der Mensch die Kontrolle verliert. Wie seht ihr das?

Klaus Nökel: Die größte Gefahr, die ich sehe, ist, dass die Welt immer mehr KI-gerecht gemacht wird. Ich habe schon Wissenschaftler gehört, die darüber gesprochen haben, dass Städte zur Vorbereitung auf autonomes Fahre aufgeräumt werden müssen. Also keine unübersichtlichen Bäume mehr an den Straßenrändern, alles standardmäßig gepflastert usw. Viele Leute können sich heute schon nicht mehr vorstellen, einen Gegenstand zu kaufen, den es nicht bei Amazon im Sortiment gibt. Unser Konsumentenverhalten wird ständig in die Richtung gedrängt, dass nur noch das nachgefragt werden soll, was auch digital erfasst ist. Das ist einfacher zu bearbeiten. Das finde ich keine schöne Vorstellung.

Christian Mähler, Principal Software Engineer, Klaus Nökel, Head of Innovation, Werner Heid, Director Methods und Axel Gußmann, Director Data (v.l.n.r)

Compass: Wie und wo arbeiten wir bei der PTV an Künstlicher Intelligenz?

Christian Mähler: In unserer Software PTV Optima werden Machine-Learning Algorithmen bereits zur Prognoseberechnung eingesetzt und um die Genauigkeit des Modells zu verbessern. Wir beschäftigen uns zudem an vielen Stellen intensiv mit dem Thema KI. Dabei forschen wir zusammen mit externen Wissenschaftlern an verschiedenen Problemstellungen, so etwa mit dem FZI Forschungszentrum Informatik hier in Karlsruhe. Ich sehe da in Zukunft auch sehr viel Potential für unsere Produkte.

Werner Heid: Besonders interessant sind für uns KI-Methoden zur Nachfragebestimmung für neue Ridepooling-Services oder für den Einsatz von autonomen Fahrzeugen oder zur Fahrzeitvorhersage, etwa für die dynamische Tourenplanung.

Axel Gußmann: In der Datenabteilung haben wir gerade ein Verfahren zur Mode Detection von Bewegungsdaten, also der entsprechenden Zuordnung zum Verkehrsmittel, erarbeitet. Da ist jetzt der nächste Schritt, den Einsatz in den Produkten zu forcieren und weiterzutreiben.

Klaus Nökel: Mit den Algorithmen und Methoden, die wir in den letzten 40 Jahren eingesetzt haben und einsetzen, sind wir immer sehr nah an dem, was Maschinelles Lernen heute macht. Wir sind vorne mit dabei, neue Entwicklungen, wie KI, auszunutzen. KI wird uns in Zukunft dabei helfen, unsere Verkehrsmodelle schneller zu erzeugen, noch besser zu kalibrieren und zu optimieren und unsere Prognosen realistischer zu machen.