Nach Aussagen des Branchenverbandes Bitkom wird der europäische Markt für Künstliche Intelligenz (KI) von rund drei Milliarden Euro in 2019 auf 10 Milliarden Euro im Jahr 2022 wachsen. Dies ergibt ein jährliches durchschnittliches Wachstum von 38 Prozent. Zum Vergleich: Im vergangenen Jahr lag das Marktvolumen gerade einmal bei 2 Milliarden Euro.

Grundsätzlich steht die Nutzung von künstlicher Intelligenz in Deutschland erst am Anfang. Nach einer aktuellen BitKom Umfrage setzen lediglich 12% der deutschen Industrieunternehmen KI ein.

KI und Machine Learning werden zum Megatrend und beinhalten ein immenses Potential der Automatisierung und Effizienzsteigerung in den unterschiedlichsten Branchen und Anwendungsfeldern und werden auch den Bahnmarkt wesentlich verändern.

Während künstliche Intelligenz die oberste Ebene bildet und erforscht, ob und wie Computer Dinge tun können, die wir Menschen heute noch besser können, wie etwa das Auswendiglernen von Texten, das Malen von Bildern oder das Erlernen von Sprachen, ist Machine Learning ein Teilgebiet der KI und beschreibt mathematische Techniken, die einer Maschine das selbstständige Erlernen neuer Erkenntnisse aus bereits bestehendem Wissen ermöglicht. Machine Learning selbst lässt sich wiederum in drei Arten untergliedern:

| Supervised Learning (überwachtes Lernen)

Beim Supervised Learning gibt es eine sogenannte Grundwahrheit (ground truth). Es gibt Trainings Daten, bei denen die Eingangs-Parameter sowie das Ergebnis bekannt sind. Aus den Trainings Daten werden Modelle erstellt, die zusammen mit den Machine Learning Algorithmen das Ergebnis liefern.

| Unsupervised Learning (unüberwachtes Lernen)

Beim Unsupervised Learning weiß das System nicht, was es erkennen soll. Es erkennt Muster und teilt die Daten in Cluster oder Kategorien auf, jedoch ohne zu wissen, um welche Kategorien es sich handelt, bzw. unter welches Label sie fallen.

| Reinforcement Learning (verstärkendes Lernen)

In Abgrenzung zu den beiden anderen Methoden werden beim Reinforcement Learning vorab keine Daten benötigt. Stattdessen werden diese in einer Simulationsumgebung in vielen Durchläufen in einem Trial-and-Error-Verfahren während des Trainings generiert und gelabelt.

Im Bahnmarkt treibt auch der Münchener Siemens Konzern das Thema Machine Learning unter dem Motto „Smart Data“ voran. Beispielsweise schafft es Siemens mit Hilfe von Künstlicher Intelligenz, die Brennsteuerung einer Gasturbine automatisiert bedienen zu lassen, bei welcher der Stickoxid-Wert um 20 Prozent reduziert werden kann. Dabei regelt ein im System integriertes neuronales Modell die Verteilung des Brennstoffes in den Brennern und ermöglicht so eine Senkung der Emissionen. Da jedoch nicht jede Turbine den gleichen Aufbau und die gleiche Funktionsweise hat, muss diese auf die verschiedensten Einflussfaktoren Bezug nehmen. Ein solches System, benötigt auf Basis der vorhandenen Betriebsdaten mehrere Wochen Lernzeit, bis dieses nutzbringend und selbstständig agieren kann.

Download des ganzen Insights als PDF: