Künstliche Intelligenz bei der DB

Die DB setzt KI in den S-Bahn-Leitstellen ein zur effizienteren Steuerung des S-Bahn Verkehrs bei Störungen ein: Disponent:innen überwachen dort die Fahrt der Züge und müssen bei Unregelmäßigkeiten schnell reagieren. Ein Beispiel: Wenn eine Schulklasse länger zum Einsteigen braucht, der Zug verspätet weiterfährt und zeitgleich mit einem anderen Zug einen eingleisigen Abschnitt erreicht, dann berechnet die KI in Sekundenbruchteilen, welcher Zug den Abschnitt zuerst befahren sollte. Immer unter der Maßgabe der geringsten Auswirkungen auf die Pünktlichkeit. Die Disponent:innen können wie in einer Art Videoclip in eine mögliche Zukunft vorspulen und sich ansehen, wie sich die Empfehlungen auf den Verkehr auswirken, bevor sie sich entscheiden.

Zusätzlich simuliert die KI auf Basis des Live-Betriebs laufend die Entwicklung der Verkehrslage und meldet mögliche Konflikte frühzeitig. Die Disponent:innen werden von der KI unterstützt, bei Unregelmäßigkeiten die S-Bahnen so zu steuern, dass möglichst wenig Verspätung aufgebaut wird und können so erstmals präventiv eingreifen.

Im Ergebnis fließt der Verkehr besser: Züge müssen seltener ihre Geschwindigkeit reduzieren oder warten, wenn ein anderer Zug einen Streckenabschnitt blockiert. Das vermeidet Wartezeiten und Stau auf stark befahrenen Strecken.

Bei den S-Bahnen in Stuttgart, im Rhein-Main-Verbund und in München ist das Tool bereits im Einsatz. Im letzten Jahr konnten dort insgesamt 58.000 Verspätungsminuten vermieden werden. In der zweiten Hälfte dieses Jahres wird die KI bei der S-Bahn in Berlin eingeführt. Die DB erwartet dadurch für das Jahr 2023 deutschlandweit etwa 90.000 vermiedene Verspätungsminuten. Im kommenden Jahr soll das Tool auch im Hamburger S-Bahn-Netz zum Einsatz kommen. Damit können künftig alle fünf Metropol-S-Bahnen in Deutschland KI-gestützt arbeiten.

Zudem wird das Tool aktuell auf der Strecke zwischen Elmshorn und Sylt getestet. In diesem Abschnitt operiert die KI erstmals außerhalb eines geschlossenen S-Bahn-Systems und muss mit Mischverkehr, also Güter-, Nah- und Fernverkehrszügen umgehen. Verlaufen diese Tests erfolgreich, kommt das System im nächsten Schritt auf der stark ausgelasteten Strecke zwischen Mannheim und Basel zum Einsatz.

SEMMI (kurz für Sozio-Emphatische Mensch-Maschine-Interaktion) ist ein KI-basiertes Sprachdialogsystem, das als digitaler Avatar, Sprachbot in einer Telefonhotline oder auch als Roboter im Kundenservice eingesetzt werden kann. Als smarte Roboterdame unterstützte SEMMI 2019 testweise im Reisezentrum des Berliner Hauptbahnhofs und auch am Frankfurter Flughafen das Servicepersonal. 2021 war SEMMI erstmals als digitaler Avatar im Einsatz: Gemeinsam mit der Hamburger Hochbahn testete die DB das System am U-Bahnhof Stephansplatz sowie gemeinsam mit dem britischen Eisenbahnverkehrsunternehmen LNER im Bahnhof Newcastle.

Ihr Wissen hat SEMMI von DB-Entwicklern, die den Roboterkopf fit für die Fragen der Reisenden gemacht haben. Gemeinsam mit der TH Köln arbeitet die DB zudem an der Entwicklung einer sogenannten Conversational AI, einem KI-basierten sozioempathischen Gesprächssystem. Heutige Sprachsysteme verstehen bisher Befehle und einfache sprachliche Anfragen. Für eine Kommunikation auf Augenhöhe braucht es eine sogenannte „Conversational AI“, die etwa auch Wertschätzung ausdrücken kann. Neben der technologischen Weiterentwicklung geht es um die weitere Erforschung der Mensch-Maschine-Interaktion. Ein Beispiel ist die Frage, wie Maschinen auftreten müssen, damit die Nutzer:innen sich gut beraten fühlen. Beispiele sind Gestik und Mimik, aber auch kulturelle Gepflogenheiten. Mehr Informationen gibt es hier.

Künstliche Intelligenz wird aktuell an vielen Stellen in der Instandhaltung der Deutschen Bahn getestet und eingeführt. Zum einen im Bereich der visuellen Befundung als auch der zustandsbasierten Wartung. Ziel dabei ist es, die Kapazitäten in der Instandhaltung durch ein Zusammenspiel von KI und Automatisierungstechnik zu steigern. So soll mit Hilfe von Kameras bei DB Fernverkehr, DB Regio und DB Cargo die Befundung eines Fahrzeugs anhand automatisierter Bildanalyse stattfinden, durch welche dann innerhalb weniger Minuten dank einer KI-basierten Bildauswertung Schäden an Zügen identifiziert werden.

Diese Bilder werden aufgenommen, während ein Zug unter einer Kamerabrücke hindurchfährt. Anschließend erhalten die Kolleg:innen in der Instandhaltung die Auswertungsergebnisse der KI mit entsprechenden Hinweisen, falls Instandhaltungsmaßnahmen an den Fahrzeugen notwendig sind. Der Einsatz unserer Mitarbeitenden in der Instandhaltung kann damit deutlich effektiver gestaltet werden: Statt den Zug abzulaufen und Schäden zu suchen, wird gezielt auf Abweichungen vom Sollzustand hingewiesen. Zudem können Aufnahmen als „fernes Auge“ genutzt werden, sodass z.B. aufwendiges Klettern auf das Dach reduziert werden kann.

Ebenfalls in Pilotierung bei den S-Bahnen befindet sich ein Prognose-Tool, um Materialbedarf für die Instandhaltung von Radsätzen frühzeitig identifizieren und planen zu können. Infolgedessen stehen Reisenden besser gewartete Fahrzeuge zur Verfügung, da unsere Kapazitäten weniger in die Fehlersuche, sondern stärker in die Instandsetzung fließen und damit zielgerichteter eingesetzt werden.

Auch bei der Reisendensteuerung ist KI in Form von "Peak Spotting" im Einsatz, um die Nachfrage möglichst optimal auf die Züge zu verteilen. „Peak Spotting“ sorgt mittels effektiver Visualisierungen dafür, dass Auslastungsspitzen („Peaks“) in Fernverkehrszügen oder an Bahnhöfen rechtzeitig entdeckt („gespotted“) werden, um frühzeitig gegenzusteuern. So werden Züge mit vielen Sitzplätzen primär dort eingesetzt, wo der Bedarf hoch ist und Reisende werden frühzeitig über hohe erwartete Auslastungen informiert.  Hinter „Peak Spotting“ steckt eine mächtige Prognose-Maschinerie, die auf Machine Learning basiert. Durch kontinuierliche Weiterentwicklungen werden die Aussagen immer zuverlässiger und die Qualität der Kundeninformation steigt kontinuierlich. KI zahlt hier unmittelbar auf ein verbessertes Kapazitätsmanagement ein.

„Züge des DB Fernverkehr mit ihrer prognostizierten Auslastung an einem Beispieltag“
Urheber: DB Fernverkehr AG. Entstanden in Zusammenarbeit mit Studio NAND und Truth & Beauty“

Für Reisende ist es von zentraler Bedeutung, rechtzeitig zu wissen, wann ein Zug voraussichtlich abfährt oder ankommt. Sie erwarten bereits mit großem zeitlichem Vorlauf eine möglichst präzise Prognose. Mit der RI-Prognose (RI=Reisendeninformation) verbessern wir die Qualität der auf den Kundenkanälen bereitgestellten Informationen und sorgen damit für mehr Verlässlichkeit und Komfort bei den Reisenden.

Die RI-Prognose berechnet Ankunfts- und Abfahrtszeiten von Zugverbindungen auf Basis von Big Data-Technologien und Methoden der Künstlichen Intelligenz. Sie nutzt verschiedene Datenquellen, die in Echtzeit sowie als historische Daten vorliegen (u.a. Kundenfahrplan, Betriebsfahrplan, Ist-Informationen aus Netz-Meldeanlagen). Auf Basis der historischen Daten werden mittels Machine Learning Prognosemodellen trainiert, die Verspätungsmuster erkennen. Um einen aktuellen Zuglauf zu prognostizieren, werden die trainierten Prognosemodelle mit den Echtzeit-Daten kombiniert.

Der Vorteil der RI-Prognose liegt vor allem darin, dass Verspätungen und Verspätungsänderungen frühzeitig erkannt werden und die Reisenden entsprechend immer aktuell informiert werden können. Zudem berücksichtigt die RI-Prognose auch Wechselwirkungen zwischen mehreren Zügen, da die Verspätung eines Zuges häufig durch einen anderen Zug verursacht wird. Dadurch lassen sich präzise Prognosen für gängige Verkehrssituationen erstellen, wie etwa Zugfolgekonflikte auf der Strecke.

Die RI-Prognose behält somit stets den gesamten Schienenverkehr im Blick. So entsteht eine verlässliche Live-Reisebegleitung, die sich bereits seit 2018 kundenwirksam bewährt und auch im Projekt KI in der Disposition zum Einsatz kommt.

„Railmate“ setzt KI zur Verbesserung der Kund:innenzufriedenheit ein. Über diverse Kanäle gehen täglich Kund:innen-Feedbacks zu ihren Reiseerfahrungen ein. Neben Telefon oder Brief, nutzen viele Reisende digitale Kanäle und kommen z.B. über einen QR Code am Sitz, den DB Navigator oder das ICE Portal auf einen der Feedbackkanäle. 

Die Feedbackplattform „Railmate“ bietet DB-weit einen digitalen und vollautomatisierten Prozess zur Sammlung, Verarbeitung und Nutzung von Reisendenfeedback. Hierfür wird u.a. ein Multi-Class Deep Learning Modell verwendet. Dieses Modell besteht aus einem neuronalen Netzwerk, um Merkmale aus den Eingabetexten zu extrahieren und diese dann den über 200 Kategorien wie 'Pünktlichkeit', 'Sauberkeit' oder 'Freundlichkeit des Personals' zuzuordnen. Die Daten werden im Anschluss mit internen betrieblichen Informationen kontextualisiert. Jährlich werden so über 3,2 Millionen eingehende Feedbacks analysiert und weiterverarbeitet.  

Feedback wird für Ad-hoc-Maßnahmen innerhalb weniger Minuten an das Zugpersonal gesendet, um vor Ort kleinere Probleme sofort zu lösen. Das Feedback wird auch für langfristige Optimierungen des Produktdesigns genutzt: so wurde z.B. im ICE 4 ein innovatives Beleuchtungskonzept eingeführt. Je nach Tageszeit verändern sich Helligkeit und Farbton.  

Zudem wird Railmate zur kontinuierlichen Überprüfung auf Inkonsistenzen der versendeten Reiseinformationen eingesetzt.