Der Infrastruktur Manager

Nach meinem Ausblick zu #Blockchain auf Linkedin möchte ich in diesem Blog noch einen Blick auf #Künstliche #Intelligenz  (#KI) werfen um zu klären, was denn da eigentlich am Boden ist. 

Sehr viel meine ich und auch sehr wenig, gemessen am medialen Hype. #Machine #Learning steht am Gipfel des Gartnerschen #hypecycle (siehe Abb. unten), also am „peak“ der aufgeblasenen Erwartungen und könnte also bald ins Tal der Tränen rutschen.

So wie ich es verstehe, sind wir in der starken #KI, also einer Weltherrschaft von #Robotern und selbstlernenden Maschinen noch sehr weit entfernt. Ich sehe das ähnlich wie der von mir sehr geschätzte Wolfgang Ertel von der HS Weingarten. Vielleicht gibt es sie in 50, vielleicht in 100 Jahren. Vielleicht aber auch nicht. 

Professor Wolfgang Ertel von der HS Weingarten hat meines Erachtens nach den abgeklärtesten Zugang zum Thema AI/KI. Seinen Vortrag vom 12.11.2016 auf youtube sollte man sich ansehen und gut zuhören.

Wir müssen uns jedenfalls vorher damit befassen. Eine Sekunde nach dem entstehen der starken KI ist es zu spät, da gebe ich Prof. Ertel recht, denn dann werden wir industriell gehalten, so wie die Schweine heute von uns gehalten werden.

Bei der schwachen KI geht sicherlich derzeit viel weiter, ganz neu ist das aber nicht. Von neuen praktischen Umsetzungen liest man jedenfalls seltener als von vollmundigen Ankündigungen wie jene in Logistikbereich.

Ich selbst habe ja vor 15 Jahren vom AIT – Austrian Institute of Technology, durch Bernhard Ömer und Michael Nölle und eine krümmungsbasierte Verortungsmethode für die Gleismessdaten der Wienerlinien entwickeln lassen und wusst bis vor kurzem gar nicht, dass dieser Algorithmus im Prinzip AI ist und Big Data Methoden nutzt. Man lernt nie aus. 

Die Ergebnisse des „Big Data in Rail Maintenance Planning“ in Newark (Dez. 2016) zeigen überdies, dass wir im Eisenbahnwesen hier immer noch sehr am Anfang stehen, die Dinge aber Fahrt aufnehmen.

Die Funktionsweise von Cubal zeigt diese „historische Folie“ aus 2008. Die Abbildung unten Mitte zeigt unten den Messschrieb mit dem Krümmungsverlauf der U4. Aus dem Vergleich der festgestellten Krümmungen mit den Referenzdaten sird die Messtrecke – als U4 – rekonstruiert (Zuordnung der Strahlenbündel).

#CUBAL, jedenfalls, eine Mustererkennung (Rechnerisches Korrelationsverfahren) mit einem quantenbasierte Algorithmus auf Basis einer Schnellen Fourier Transformation (#FFT) würde man heute als #AI-Methode bzw. als #Mustervergleich (#pattern #matching) bezeichnen.

Darauf aufbauend wurde von den Wiener Linien eine Serie von Projekten gestartet  die sich mit #Mustererkennung, #DataMining #BigData und #PredictiveMaintenance befassten, auch wenn das damals nicht so genannt wurde.
Das Ergebnis ist nach fast 15 Jahren ermutigend, effizent und bildet die Basis für die Instandhaltung des Schienenetzes für die nächsten Jahrzehnte. Fein. 

Was hat sich seit damals nun aber eigentlich geändert? Was geht nun?

So wie ich das sehe, ist heute erstmal die Hardware dramatisch schneller.

Anfang der 2000er, mit einer 60 Hz Zeilenkamera und einem Windows 2000 Rechner mit DOS 6.0 als Basis für die Messeinrichtungen des Gleismesswagens war alles schwer, langsam und insgesamt träge.

Das ist wohl abgehakt. Rechnerleistung, #DataLakes, #SaaS, Kameraauflösung, #Laser- und sonstige Sensoren gibts heute fast zum Diskontpreis auf Klickbasis.

Für Datenkompression, Big Data-Verfahren, Einbindung #unstrukturierter #Daten und entsprechende Mustererkennung und Mustervergleichsverfahren gilt das auch, wie z.B. Amazon Web Service zeigt.

Synonym dafür steht #IBM ’s #Watson, die Plattform die scheinbar fast alles kann.

Ein symbolträchtiger Sieg für die künstliche Intelligenz: Der IBM-Computer „Watson“ hat seine menschlichen Gegenspieler im US-Spielshowklassiker „Jeopardy“ geschlagen.

Technisch haben wir meiner Meinung nach nun weitgehend alle Möglichkeiten um die Instandhaltung von Infrastrukturnetzen auf eine völlig neue Ebene zu heben.

Wenn die weitgehend automatisierte Erhebung, Verarbeitung, reproduzierbare Speicherung und Bewertung von Zustandsdaten heute als Künstliche Intelligenz bezeichnet wird, dann von mir aus.

Wenn die Gewinnung dieser Daten aus einer Unzahl von verschiedenen Sensoren als Internet of Things (#IoT) bezeichnet wird, von mir aus.

Mit an Drohnen installierten Kameras, also fliegenden Sensoren des IoT, die eine Auflösung von bis zu 45 Megapixeln haben, lassen sich Fahrwege von Eisenbahnen sowie Brücken, Dächer, Fassaden und andere Bauwerke deutlich einfacher und in kürzerer Zeit auf Alterungsschäden, Erosionsschäden, Korrosion und weitere Schadstellen untersuchen. BNSF und Network Rail haben schon Drohnen für ihre riesigen Netze im Einsatz.

Beides in den Griff zu kriegen ist schon nicht leicht und mit Sicherheit mit langfristig sehr hohen Kosten verbunden, denen dafür aber sehr hohe Nutzen im Bereich der Anlagensicherheit und der Punktgenauigkeit von Investitionen und Nutzungsentgelten gegenüberstehen.

Wie das praktisch gehen kann fragt man z.B auch Jochen Holzfeind von der SBB.

Er wird einem vermutlich Auskunft geben können über den Schlüsselfaktor der Digitalisierung: Erfahrene, gut ausgebildete Ingenieure, also Menschen.

Von denen gibts nicht arg viele, billiger werden Sie auch nicht. 

Solche Leute wie Jochen Holzfeind  trifft man zum Beispiel bei Schuster+Schuster, die veranstalten für an Umsetzung Interessierte das Rad Schiene Monitoring (z.B in Klosterneuburg 2017) eine extrem aktuelle und professionelle Veranstaltung, die das gesamte methodische Fundament für ein zeitgemässes praktisches Anlagenmanagement vorstellt und sich dabei von Hypes nicht blenden lässt.

Es gibt eben nichts bestechenderes als eine funktionierende Umsetzung.

In der Praxis der Infrastrukturinstandhaltung stehen wir meiner Meinung nach also auf einem soliden Fundament.

Das was heute AI/KI heißt, daran wurde bei den Eisenbahn- und Straßenerhaltern bzw. -betreibern rund 20 Jahre mit solidem Handwerk, viel eigenem Code, eigenen Experten gearbeitet. Das hat mittlerweile zu gut funktionierenden Tools geführt.

Moderne  (open) GIS-Systeme, das Aufkommen von neuen Datenquellen wie Open Data und effiziente Hardwaresysteme, geben diesen Tools überdies eine hohe Akzeptanz auch im Board, weil Ergebnisse geschlossen bilanziert und anschaulich dargestellt werden können, auch ohne teure #Tableau Lizenzen kaufen zu müssen.

Hier gibt’s von mir eine glatte 2.

Role Models sind für mich SBB, ÖBB, Network Rail, London Underground, MTR aus Hong Kong, Japan Rail East oder Deutsche Bahn. Im Strassenbereich gibts sicherlich noch viel mehr davon.

Iteration, Innovation, Disruption. Das Dreigestirn der Digitalisierung.

Die zweite und nächste Stufe im Digitalisierungsdreischritt die beispielsweise die SBB schon betreten hat ist eine vollständige Integration der bestehenden Systemlandschaft (Iterate), die Erweiterung um Big Data, SaaS, Cloud Lösungen und vor allem eine echt starke, gut abgestimmte IoT-Strategie bzw. -Landschaft.

Alles klarerweise weitgehend automatisiert und lernfähig (Innovate).
Hier sehe ich bei den meisten noch sehr wenig. Gerade kleine Verkehrsbetriebe können hier gar nicht erst beginnen, weil sie weder know-how noch Zugang zu Systemlandschaften zum Testen haben. Von der Stange gibts hier nämlich gar nichts, günstig auch nichts. 

Hier sind Verbände wie die UIC oder der VDV gefragt, die z.B. das Entstehen von Standardlösungen im Bereich predictive maintenance ermöglichen und Unterstützen müssen. Eine Art „Office 365“ halt im AI/BigData/IoT-Bereich.

Hier gibts eine 4-5, ich sehe weit und breit keine stabile produktive Umsetzung die im betrieblichen Alltag einfach integriert ist.

Über Disruption, den dritten Schritt bei der Digitalisierung schreib ich das nächste Mal. Dazu schenken wir uns ein Gläschen ein und nehmen uns mehr Zeit.