Ein eigenes KI-Tool vermeidet Verspätungen bei der Bahn und soll künftig auf mehr Strecken zum Einsatz kommen. Die Bahn zieht eine erste, positive Bilanz.
So, wie das im Artikel beschrieben ist, klingt das technisch gesehen eher nach einem Optimierungssystem als einer “KI”. Ersteres erscheint mir eine sinnvolle technische Anwendung, wenn ein stabiles und erwartbares System mit bekannten Parametern vorliegt, wie das für ein Schienennetz der Fall ist. Aber zweiteres verkauft sich halt einfach besser.
Das Problem mit herkömmlicher Modellierung wird die Komplexitätsexplosion sein, denn alles beeinflusst alles und das auch noch lange und Zeit kann man sich auch nicht lassen denn die Weichen müssen gestellt werden. NP-Komplett würde mich jetzt nicht überraschen.
ML-Ansätze sind geeignet sehr schnell ungenaue, aber trotzdem gute Antworten zu liefern. “Pi mal Daumen” ist halt schon ein guter Ansatz wenn’s ein Experte macht der tagein tagaus nichts anderes tut als Echtzeit-Streckendaten zu fressen.
Das ist ein berechtigter Einwand, hast Recht. Hatte mich auf die Beschreibung “Die KI berechnet dann unter Einbeziehung der näheren Zukunft” bezogen und damit von einem eher lokal begrenzten Problem ausgegangen.
Ich hab mich beim Lesen des Artikels gefragt, ob die Pi mal Daumen Lösung ausreichend für so etwas wie den Anwendungsfall der DB ist. Aber da können wir anhand des Artikels wohl nur mutmaßen.
Ich gehe davon aus dass deren jetziges Modell auch nicht mehr als Pi mal Daumen ist, und zwar das der Weichensteller in ner Zentrale, eben weil das Problem viel zu komplex ist als es in Echtzeit lösen zu können.
Du kannst das Modell vereinfachen um es praktisch berechenbar zu machen aber dann stellt sich die Frage wo und wie man vereinfachen sollte, das ist keine triviale Frage und kann von Situation zu Situation unterschiedlich sein.
Oder, andersrum gesagt: Du kannst dich 20 Jahre lang hinsetzen und 100 Doktararbeiten produzieren und hast immer noch keine garantiert optimalen Antworten, oder du kannst dir ein paar A100 schnappen und den Computer das lernen lassen.
Der Beschreibung nach klingt das stark nach einem klassischen “Model Predictive Control”-Verfahren (was aber aufgrund der Vagheit des Artikels schwer zu verifizieren ist).
Bei so einem Verfahren wird ein Optimierungsproblem gelöst der Form “Welche Aktionen muss ich jetzt durchführen, damit die Güte des Verhaltens in den Nächsten t Zeitschritten möglichst gut ist”. Das ist dann ein Optimierungsproblem mit endlich vielen Variablen, wo dann Löseverfahren drauf geschmissen werden können (wie sie für NP-schwere Probleme häufig verwendet werden).
Insgesamt also: Ja, sehe ich genau wie du. Diese Model Predictive Control Algorithmen gibt es weit vor der aktuellen KI-Welle. Je nach Definition ist aber so ziemlich alles KI, und dann passt es wieder.
So, wie das im Artikel beschrieben ist, klingt das technisch gesehen eher nach einem Optimierungssystem als einer “KI”. Ersteres erscheint mir eine sinnvolle technische Anwendung, wenn ein stabiles und erwartbares System mit bekannten Parametern vorliegt, wie das für ein Schienennetz der Fall ist. Aber zweiteres verkauft sich halt einfach besser.
Das Problem mit herkömmlicher Modellierung wird die Komplexitätsexplosion sein, denn alles beeinflusst alles und das auch noch lange und Zeit kann man sich auch nicht lassen denn die Weichen müssen gestellt werden. NP-Komplett würde mich jetzt nicht überraschen.
ML-Ansätze sind geeignet sehr schnell ungenaue, aber trotzdem gute Antworten zu liefern. “Pi mal Daumen” ist halt schon ein guter Ansatz wenn’s ein Experte macht der tagein tagaus nichts anderes tut als Echtzeit-Streckendaten zu fressen.
Diese ganzen Schedulinggeschichten in Zugnetzen sind alle NP-schwer, ja.
Das ist ein berechtigter Einwand, hast Recht. Hatte mich auf die Beschreibung “Die KI berechnet dann unter Einbeziehung der näheren Zukunft” bezogen und damit von einem eher lokal begrenzten Problem ausgegangen.
Ich hab mich beim Lesen des Artikels gefragt, ob die Pi mal Daumen Lösung ausreichend für so etwas wie den Anwendungsfall der DB ist. Aber da können wir anhand des Artikels wohl nur mutmaßen.
Es würde mich aber auch nicht wundern, wenn da so viele externe Faktoren zusammenkommen, dass eine KI da auch nicht zu besseren Ergebnissen kommt.
Ich gehe davon aus dass deren jetziges Modell auch nicht mehr als Pi mal Daumen ist, und zwar das der Weichensteller in ner Zentrale, eben weil das Problem viel zu komplex ist als es in Echtzeit lösen zu können.
Du kannst das Modell vereinfachen um es praktisch berechenbar zu machen aber dann stellt sich die Frage wo und wie man vereinfachen sollte, das ist keine triviale Frage und kann von Situation zu Situation unterschiedlich sein.
Oder, andersrum gesagt: Du kannst dich 20 Jahre lang hinsetzen und 100 Doktararbeiten produzieren und hast immer noch keine garantiert optimalen Antworten, oder du kannst dir ein paar A100 schnappen und den Computer das lernen lassen.
Man sollte ML echt nicht unterschätzen wenn’s um chaotische Systeme geht.
Der Beschreibung nach klingt das stark nach einem klassischen “Model Predictive Control”-Verfahren (was aber aufgrund der Vagheit des Artikels schwer zu verifizieren ist).
Bei so einem Verfahren wird ein Optimierungsproblem gelöst der Form “Welche Aktionen muss ich jetzt durchführen, damit die Güte des Verhaltens in den Nächsten t Zeitschritten möglichst gut ist”. Das ist dann ein Optimierungsproblem mit endlich vielen Variablen, wo dann Löseverfahren drauf geschmissen werden können (wie sie für NP-schwere Probleme häufig verwendet werden).
Insgesamt also: Ja, sehe ich genau wie du. Diese Model Predictive Control Algorithmen gibt es weit vor der aktuellen KI-Welle. Je nach Definition ist aber so ziemlich alles KI, und dann passt es wieder.