Projektbeschreibung

Das Projekt widmete sich der Frage, wie Verfahren des Machine Learnings in industriellen Umgebungen wie dem Eisenbahnbetrieb weiterentwickelt werden können, sodass sie auf komplexe betriebliche Daten anwendbar sind. Auch wurde untersucht, wie Signale von bestehenden Systemen so verwendet werden können, dass vor Abweichungen vom Normalbetrieb gewarnt wird und Gründe für die Warnung in natürlicher Sprache übermittelt werden. Im Rahmen des Projekts wurde eine Machbarkeitsstudie zur Anwendung von Machine Learning in einem ICE erstellt, bei der insbesondere Erklärbarkeit, Prüfbarkeit und Zertifizierbarkeit im Mittelpunkt standen.

Ergebnisse und Wirkungen

Da zum Training von Methoden der künstlichen Intelligenz (KI) große Datenmengen benötigt werden, wurde zunächst deren Verfügbarkeit und Eignung überprüft. Auf Basis dessen konnte ein Konzept für ein standardisiertes Datenaustauschformat entwickelt werden, das die Arbeit von Anwendern und Entwicklern voneinander entkoppelt. Somit leistet AGEME auch einen wichtigen Beitrag zur Normungsroadmap Künstliche Intelligenz, die Handlungsempfehlungen für die Normung und Standardisierung rund um KI gibt.

Es konnten erklärbare Algorithmen des maschinellen Lernens identifiziert werden, die innerhalb verschiedener Use Cases für komplexe Systeme wie einen ICE geeignet sind. Eine wissenschaftliche Erforschung und Erprobung des Konzepts kann somit im Rahmen von Folgearbeiten bewirken, dass der Wartungsaufwand bei Zügen deutlich verringert wird. Außerdem werden die Algorithmen durch die natürlich-sprachlichen Erklärungen insbesondere auch für KI-ferne Anwender nutzbar und erfahren darüber hinaus durch die Erklärbarkeit und potenzielle Zertifizierbarkeit eine höhere Akzeptanz.