Die Auswirkungen der künstlichen Intelligenz auf die Mobilitätsbranche

Es ist eine unbestreitbare Tatsache, dass künstliche Intelligenz (KI) unser Leben ändern wird. Nur den Zeitpunkt kennen wir aktuell noch nicht. Durch die Nutzung dieser Technologien können Unternehmen mehr Aufgaben mit weniger Aufwand erledigen und komplexe Prozesse automatisieren. Dieser Artikel befasst sich mit den Auswirkungen der künstlichen Intelligenz auf die Mobilitätsbranche.

Was ist künstliche Intelligenz und warum ist sie relevant?

Laut der Definition von Professor John McCarthy im Jahr 1956 ist künstliche Intelligenz „die Wissenschaft und Technik zur Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme”. Ein Teilbereich der KI ist maschinelles Lernen – also das Forschungsgebiet, das Computern die Fähigkeit zum Lernen ermöglicht, ohne dass sie dafür programmiert werden müssen.

Laut McKinsey führt die Anwendung von KI zu Produktivitätswachstum und anderen Vorteilen – nicht nur für Unternehmen, sondern für die gesamte Wirtschaft. Schätzungen von einem makroökonomischen Standpunkt aus zeigen, dass allein die Automatisierung zu einer weltweiten Produktivitätssteigerung von 0,8 % bis 1,4 % pro Jahr beiträgt.

KI wird ähnlich große Umwälzungen nach sich ziehen wie die Elektrizität vor 100 Jahren. Sie wird jede einzelne Branche vom Gesundheitswesen über das Verkehrswesen bis hin zu Kommunikation und Fertigung beeinflussen.

Die Idee der KI ist zwar nicht neu, das Tempo der jüngsten Durchbrüche jedoch schon. Es gibt drei Hauptfaktoren, die diese Beschleunigung fördern:

1. Rechenkapazität: Es zeichnen sich Fortschritte jenseits der aktuellen Generation von zentralen Recheneinheiten (CPUs) und Grafikprozessoren (GPUs) ab. Die Kapazität wurde in hochgradig skalierbaren Rechenzentren aggregiert und ist über die Cloud zugänglich.
2. Big Data: Riesige Datenmengen (Bilder, Sprache, Video, Standort, Sensorinformationen ...) werden durch IoT-Prozesse erfasst und können zur Schulung von KI-Modellen eingesetzt werden.
3. Die Algorithmen für maschinelles Lernen (ML) haben sich durch die Entwicklung von Deep Learning (tiefgehendes Lernen) auf der Grundlage von neuronalen Netzwerken erheblich weiterentwickelt. Auch die Zugänglichkeit dieser Algorithmen über Toolkits wie scikit-learn und Tenorflow hilft Entwicklern und Datenwissenschaftlern.

Einführung von KI und Technologien

Vor dem Einstieg in die KI müssen Unternehmen eine Reihe wichtiger Aspekte berücksichtigen. Die Technologie ist komplex, und der Erfolg hängt von der Umgebung ab (d. h. Datenqualität, Unternehmenskultur oder Kundenakzeptanz). In der Regel wirkt sich KI auf die Transparenz von Entscheidungen aus, und die Datenschutz-Grundverordnung (DSGVO), die erfordert, dass Unternehmen eindeutig angeben, wie sie mit Daten arbeiten, erhöht die Komplexität zusätzlich.

Außerdem gibt es erhebliche Bedenken hinsichtlich der Sicherheit. Es muss von Anfang an bedacht werden, dass KI nicht gehackt oder bösartig programmiert werden kann. Kanadas Premierminister Justin Trudeau verdeutlichte in seiner Rede in Toronto, einer neuen globalen Drehscheibe für KI, die Bedeutung der Ethik für KI.

Wie wird sich künstliche Intelligenz auf Arbeitsplätze auswirken?

Eine interessante Debatte dreht sich darum, welche Auswirkungen sich für die Arbeitswelt ergeben. Laut McKinsey kann nur ein kleiner Anteil aller Berufe (ca. 5 %) mit den derzeitigen KI-Technologien vollständig automatisiert werden. Für 60 % der Berufe gilt, dass mindestens 30 % der Aktivitäten automatisiert werden können. Dies gilt auch für CEOs, da sie etwa ein Viertel ihrer Zeit für Aktivitäten aufwenden, die Maschinen ausführen könnten, wie die Analyse von Berichten und Daten, um informierte Entscheidungen treffen zu können.

Anstatt Arbeitsplätze zu ersetzen, verringert KI in vielen Berufen bestimmte Aufgaben, und die Mitarbeiter haben mehr Zeit, sich auf das zu konzentrieren, was einen höheren Mehrwert schafft. Wenn weniger kreative Aufgaben durch KI übernommen werden, kann das die Zufriedenheit der Mitarbeiter erhöhen.

KI-Anwendungen im Mobilitätsbereich

KI- und Maschinenlerntechnologien haben erhebliche Auswirkungen auf die Automobil- und Mobilitätsbranche, da sie neue Produkte und Geschäftsmodelle ermöglichen statt nur Produktivitätssteigerungen zu bringen.

Laut Microsoft werden bis zum Jahr 2025 100 % der Neuwagen vernetzt sein, und bis zum Jahr 2030 sollen 15 % der neuen Fahrzeuge autonom sein, sodass sie „große Datenmengen” senden, empfangen und analysieren können.

Autos sind Rechenzentren auf Rädern. All diese Informationen können von vielen Interessengruppen im Mobilitätsbereich genutzt werden (Verkehrsbehörden, Leasinggesellschaften, Kommunen, Fahrzeughersteller, Versicherer, Werkstätten, Notdienste usw.), um Prozesse zu verbessern.

Einige Beispiele für den zukünftigen Einsatz von KI im Mobilitätsbereich:

• Unfallreduktion: ML-Techniken lernen zukünftig, was die verschiedenen Ursachen von Straßenunfällen sind: Ablenkung, Wetterbedingungen, Ermüdung, Fahrzeugausfall ... Die IoT-Sensoren an Bord sind somit in der Lage, die Gründe für einen Unfall zu verstehen und vorherzusagen, wann ein ähnlicher Unfall wieder auftreten kann (mit angemessener Wahrscheinlichkeit). Der Fahrer und das Unternehmen werden dann gewarnt, wodurch die Sicherheit der Flotte erhöht wird.
• Beim öffentlichen Nahverkehr werden sowohl historische als auch Echtzeitdaten berücksichtigt, um Routen nach Bedarf und Kapazität zu planen. Systeme, die alle miteinander kommunizieren, bieten eine kombinierte Unterstützung für verbesserte Routen- und Verkehrsmuster.
• Vorausschauende Wartungsalgorithmen erkennen einen potenziellen Fehler auf der Grundlage von statistischen Daten derselben Modelle mit ähnlichen Fahrbedingungen und planen im Zeitplan des Eigentümers automatisch einen Werkstatt-Termin.
• Intelligente Logistik: Die Verfolgung von Bedienermustern (Kommissionierung, Bestandsüberwachung und Außendienstkräfte) in Kombination mit vorausschauenden Aufträgen in bestimmten Bereichen kann die Lieferzeiten minimieren und die Lagerbestände optimieren.

Geotab und KI: Umfangreiche Daten zur Erstellung neuer Tools

Geotab sieht großes Potenzial bei der Anwendung von KI auf große Mengen an Daten, die wir täglich erfassen (über 2 Milliarden Datenpunkte pro Tag), und wir stellen wichtige Weichen, um unsere Prozesse und Produkte mit Big Data und ML-Techniken zu verbessern. Einige konkrete Beispiele und Initiativen sind:

1. Nutzung von Datenanalysen zur Optimierung von Abläufen in allen unseren Abteilungen, Produktionsprognosen, Finanzinformationen, Support-Anfragen, Serveranmeldungen usw.
2. Vorhersage von Fahrzeugproblemen. Unter Berücksichtigung von Batteriespannungskurven und der Erkennung der tatsächlichen Batterieentladung haben wir ein ML-Modell entwickelt, das vorhersagen kann, wann eine Batterie ausfällt.
3. Bereitstellung umfangreicher Daten. Nach der Aggregation und Anonymisierung von Datensätzen bieten wir unsere aufbereiteten Daten Dritten für die Erstellung nutzbringender Anwendungen für verschiedene Branchen an. Hier sind einige Beispiele im Bereich intelligente Städte:
   1. Straßenhindernisse (Schlaglöcher), die mit unserem Gerätebeschleunigungssensor erkannt wurden, zeigen Kommunen an, wo sie die Straße reparieren müssen.
   2. Gefahrenbereiche. Die Identifizierung von Bereichen, in denen häufig Unfälle oder gefährliche Situationen auftreten, hilft Behörden, die Verkehrsregelung zu verbessern.
   3. Außentemperaturinformationen, die von den Fahrzeugcomputern erfasst werden, um potenzielle Verschmutzungsbereiche zu erkennen und genauere Wetterbedingungen innerhalb einer Stadt vorherzusagen.
   4. Suche nach Parkplätzen. Die Identifizierung der Bewegungsmuster von Fahrzeugen, die nach Parkplätzen suchen, hilft Infrastrukturmanagern bei der Planung öffentlicher Verkehrsmittel und/oder neuer Parkplätze.
   5. Verkehrsknotenpunkte. Exakte Messung des Verkehrsflusses, einschließlich Wartezeiten, gleichzeitig Ermittlung der Art des Fahrzeugs (d. h. Lkw oder Pkw).