Next_KARL

Im Projekt Next_KARL wird aus einem KI-Assistenten ein Frühwarnsystem für den öffentlichen Nahverkehr. Auf den Bildschirmen in der Leitstelle des Karlsruher Verkehrsbetriebs ist alles im grünen Bereich: die Bahnen sind pünktlich. Trotzdem schlägt das KI-gestützte System Alarm: In den nächsten 30 bis 60 Minuten könnte sich eine Störung aufbauen, die das gesamte Verkehrsnetz beeinflusst. Für Fahrgäste ist davon noch nichts zu spüren. Für Disponent:innen kann dieser Wissensvorsprung jedoch entscheidend sein. Wenn sich Verspätungen aufschaukeln, bleiben oft nur wenige Minuten, um zu entscheiden: Anschluss warten lassen? Linie umleiten? Bahn vorzeitig wenden? Bislang beruhen solche Entscheidungen vor allem auf Erfahrung, Fachwissen und dem Blick auf zahlreiche Bildschirme gleichzeitig. Im Projekt KARL entstand deshalb ein KI-gestützter Vorschlagsassistent, der die aktuelle Verkehrslage analysiert, mögliche Maßnahmen bewertet und nachvollziehbare Empfehlungen liefert. Die Entscheidung selbst trifft weiterhin der Mensch. Mit Next_KARL arbeiten Jochen Wendel, Senior R&D Manager bei INIT, und Jens Beyer, Mitgründer von LAVRIO.solutions, nun daran, ein noch leistungsfähigeres System zu entwickeln. LAVRIO entwickelt und trainiert die KI-Modelle, INIT bringt die Erfahrung mit Leitstellensystemen ein. Von der Idee zum klickbaren Demonstrator Der Weg begann nicht mit Algorithmen, sondern mit einer grundsätzlichen Frage: Wie muss ein KI-System gestaltet sein, damit es in einer Leitstelle tatsächlich hilfreich ist? Zunächst standen deshalb die Arbeitsprozesse der Disponent:innen im Mittelpunkt. Gemeinsam mit ihnen untersuchten die Projektpartner, welche Informationen benötigt werden, welche Entscheidungen besonders anspruchsvoll sind und wie eine KI sinnvoll unterstützen kann. Erst auf dieser Grundlage entstand ein erster Prototyp des Vorschlagsassistenten. Inzwischen hat LAVRIO einen klickbaren Web-Demonstrator entwickelt, der direkt mit den KI-Modellen verbunden ist und realistische Szenarien nachbildet. Die größte Herausforderung: die Daten Überrascht wurden beide Projektpartner vor allem von einem Thema: der Datenbasis. „Wenn wir ein KI-Modell einsetzen wollen, brauchen wir viele Trainingsdaten“, sagt Jochen Wendel. In der Praxis zeigte sich jedoch, dass diese Daten oft nicht in der benötigten Form vorlagen oder zunächst aufbereitet werden mussten. Bei der Datenaufbereitung zeigte sich für Jens Beyer, wie viele Informationen im Betriebsalltag entstehen, die in digitalen Systemen gar nicht erfasst werden. Telefonate zwischen Mitarbeitenden, kurzfristige Absprachen oder Erfahrungswissen spielen häufig eine wichtige Rolle, bleiben für eine KI aber zunächst unsichtbar. Gleichzeitig habe KARL dazu beigetragen, das Bewusstsein für eine strukturierte Datenhaltung bei Verkehrsbetrieben zu stärken. Fünf KI-Modelle arbeiten zusammen Hinter dem Assistenten arbeitet mittlerweile nicht mehr nur ein einzelnes Modell. Stattdessen entsteht ein System aus mehreren spezialisierten KI-Komponenten. „Wir konnten fünf KI-Modelle miteinander kombinieren und daraus ein größeres System entwickeln, das Disponent:innen ganzheitlich unterstützen kann“, berichtet Jens Beyer. Die Modelle übernehmen dabei unterschiedliche Aufgaben. Einige analysieren die Entwicklung von Verspätungen im Gesamtnetz, andere betrachten einzelne Fahrzeuge oder Haltestellen. Hinzu kommt der eigentliche Vorschlagsassistent, der konkrete Handlungsempfehlungen liefert. Die besondere Herausforderung besteht darin, diese verschiedenen Perspektiven so miteinander zu verknüpfen, dass ein Gesamtbild der Verkehrslage entsteht. Genau daran arbeiten die Projektpartner derzeit. Vom Assistenten zum Frühwarnsystem Eine zentrale Erweiterung in Next_KARL ist die Prognosefunktionen. „Wir wollen eine Art Frühwarnsystem entwickeln, das den Disponent:innen bereits anzeigt, wo eine Störung entstehen könnte oder welche Auswirkungen es auf das Gesamtsystem hätte, wenn jetzt nicht eingegriffen wird“, erklärt Jochen Wendel. Die KI blickt dabei bis zu einer Stunde in die Zukunft. Erkennt sie Auffälligkeiten, werden weitere Modelle aktiviert und liefern zusätzliche Hinweise für die Leitstelle. Grundlage sind von LAVRIO entwickelte Prognosemodelle, die die Verspätungsentwicklung im Gesamtnetz für die nächsten 30 und 60 Minuten vorhersagen. Diese Idee entstand unter anderem in einem Gespräch mit einem ehemaligen Disponenten. „Er sagte, das Schlimmste, was in Karlsruhe passieren könne, sei eine ‚gelbe Wand‘“, erzählt Jens Beyer. Also mehrere Straßenbahnen, die sich hintereinander aufstauen und anschließend aufwendig wieder entzerrt werden müssen. Ziel des Systems ist es, solche Entwicklungen bereits frühzeitig zu erkennen. Erklärbare KI statt Blackbox Gerade in sicherheitskritischen und komplexen Anwendungsfeldern wie dem öffentlichen Nahverkehr müssen Menschen nachvollziehen können, warum eine KI eine bestimmte Empfehlung ausspricht. „Es reicht nicht, nur zu sagen: Lass jetzt diese oder jene Bahn umdrehen.‘ Man muss auch erklären, welche Faktoren die KI berücksichtigt hat, beispielsweise, dass nur noch zwei Fahrgäste darin sitzen und die nächste Bahn bereits direkt dahinter ist“, sagt Jens Beyer. Deshalb setzt das Projekt konsequent auf erklärbare KI, die Mitarbeitenden hilft zu beurteilen, ob sie zur gleichen Einschätzung kommen oder ob wichtige Kontextinformationen fehlen. Denn nicht alles lässt sich aus historischen Daten ableiten: Demonstrationen, Großveranstaltungen oder kurzfristige Ereignisse in der Stadt erfordern weiterhin menschliches Erfahrungswissen. Die Verantwortung bleibt deshalb bewusst bei den Menschen. Interesse weit über Karlsruhe hinaus Die Rückmeldungen aus den Leitstellen fielen deutlich positiver aus als zunächst erwartet. Die meisten Mitarbeitenden sahen die Technologie nicht als Konkurrenz, sondern als Unterstützung für ihren Arbeitsalltag. Auch international fiel die Resonanz erfreulich aus. „Interesse gab es von Dubai bis Portland“, erzählt Jochen Wendel. Mehrere Verkehrsunternehmen haben bereits Datensätze zur Verfügung gestellt, damit die Übertragbarkeit des Ansatzes untersucht werden kann. Dass sich der Ansatz auch auf Busverkehre übertragen lässt, hat LAVRIO bereits an einem weiteren Verkehrsnetz gezeigt. Dafür müssen die Modelle jedoch jeweils auf die Gegebenheiten des jeweiligen Verkehrsbetriebs angepasst und neu trainiert werden. Von der Forschung in die Praxis Für Jochen Wendel und Jens Beyer ist die Vision klar: Die Lösung soll ihren Weg aus der Forschung in reale Leitstellen finden. Bis dahin ist noch Entwicklungsarbeit notwendig. Im öffentlichen Nahverkehr werden Systeme oft über Jahrzehnte genutzt und gehören zur kritischen Infrastruktur – entsprechend sorgfältig müssen neue Technologien eingeführt werden. Trotzdem blicken beide optimistisch in die Zukunft. Ihre Hoffnung ist, dass in einigen Jahren Disponent:innen in mehreren Städten täglich mit einem KI-gestützten Vorschlagsassistenten arbeiten, der sie bei schwierigen Entscheidungen unterstützt, die Einarbeitung neuer Mitarbeitender erleichtert und Probleme erkennt, bevor sie überhaupt sichtbar werden. Damit würde aus dem Blick auf die aktuelle Verkehrslage ein Blick in die nahe Zukunft. Next_KARL wird bis Ende 2026 vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) gefördert und durch durch den Projektträger Karlsruhe (PTKA) betreut.

SEO weiterdenken: Sichtbarkeit in Suchmaschinen und KI-Antworten

Digitaler Zwilling: Neubau neben dem Betrieb statt Umbau

Lokaler Server, Cloud oder Rechenzentrum? Warum Hosting für den Mittelstand zur…

Zeitangaben bei Automationen mit KI eindeutig auflösen

SEO weiterdenken: Sichtbarkeit in Suchmaschinen und KI-Antworten

Digitaler Zwilling: Neubau neben dem Betrieb statt Umbau

Lokaler Server, Cloud oder Rechenzentrum? Warum Hosting für den Mittelstand zur…

Social-Media-Verbote für Jugendliche lösen keine Probleme [Kommentar]

Cold E-Mail für Startups: Was § 7 UWG erlaubt

No-Code-Automation: Hebel für Startups

8 Arten der Startup-Finanzierung

Startup AMS Go im Gründerview

Wie viel Mensch verträgt die KI?

Vom Know-how zum Green Skill: Wenn Nachhaltigkeit zur Kompetenz wird

Was macht KI mit unserem Denken? Ein Blick auf die MIT-Studie

Vom Hype zum Helfer: Wie KI-Agenten Fahrt aufnehmen

Schlagwort: Next_KARL

Eine halbe Stunde in die Zukunft schauen

KI ist kein IT-Projekt

Frischer Wind für den KI-Transfer

SEO weiterdenken: Sichtbarkeit in Suchmaschinen und KI-Antworten

Digitaler Zwilling: Neubau neben dem Betrieb statt Umbau

Lokaler Server, Cloud oder Rechenzentrum? Warum Hosting für den Mittelstand zur...

Zeitangaben bei Automationen mit KI eindeutig auflösen

KI-Pioniere bei amedes: Wie ein Labordienstleister KI in die Fachbereiche bringt