Wie Unternehmen Geoanalytics gewinnbringend einsetzen
Nach ein paar Wochen ist sie wohl jedem bekannt: Die kürzeste Route vom Schlafzimmer an den Homeoffice-Arbeitsplatz in der Küche. Mit Routenplanung beschäftigen sich auch jambitees. Etwa jambits Expertinnen und Experten für künstliche Intelligenz, die Geoanalytics-Lösungen für unsere Kunden entwickeln: Wie können Autofahrer Routen mit Geoanalyse besser planen? Und wie kann ich als Industrieunternehmen mit Geoanalytics meine Logistik-Prozesse optimieren?
Volle Whiteboards mit Formeln und rege Diskussionen über Machine-Learning-Konzepte. Sind sie nicht gerade im Homeoffice oder beim Kunden, bereiten unsere Softwareentwickler im „Machine-Learning-Büro“ im jambit Office in München u. a. Künstliche-Intelligenz-Workshops vor. Dabei vereint sie ein Gedanke: Passgenaue Lösungen im Bereich künstliche Intelligenz für jambits Kunden zu entwickeln. Die Usecases, die sie dabei bearbeiten, stammen vor allem aus den Branchen Industrie und Automotive.
Welche Anwendungen gibt es für Industrie und Automobilhersteller bei Geoanalytics?
Usecases im Bereich Geoanalyse betreiben Wertschöpfung aus ortsbezogenen Daten. Sie unterstützen etwa Entscheidungsgrundlagen für Routing. Ein bekanntes Großstadtproblem für Bewohner unserer jambit Standorte München, Stuttgart, Frankfurt und Leipzig: Wie lange brauche ich, um im Innenstadtbereich einen Parkplatz zu finden und was wäre die beste Route dafür? Wann und wo ist es wahrscheinlich, dass Mobilitätsdienste an einem bestimmten Ort nachgefragt werden? Wo und in welcher Weise hat sich die Umgebung, etwa durch veränderte Verkehrsführung oder neue Straßen, geändert?
Das sind Fragen, die etwa Automobilhersteller und Anbieter von Mobilitätsdienstleistungen wie Carsharing oder der ÖPNV beantworten möchten. Mit den Antworten gewinnen sie eine bessere Planbarkeit und einen optimaleren Service für ihre digitalen Produkte. Im B2B-Bereich sind Routenpläne in der Logistik & Industrie zu finden. Etwa bei Tourenplanung oder dem Vehicle-Routing-Problem bei der Beförderung von Teilen in der Supply Chain. Ortsbezogene Daten und die aus diesen entwickelten Modelle und Algorithmen liefern hier Entscheidungsgrundlagen, um Zeiten & Kosten effizient einzusetzen und damit Geld zu sparen.
Wie ein Geoanalytics-Projekt beginnt: Der KI-Workshop
Zu Beginn steht die Problemstellung im Mittelpunkt. Um Kunden einen Überblick über die Verfahren und Ansätze im Bereich künstliche Intelligenz, maschinelles Lernen oder Geoanalytics zu bieten, führt jambit KI-Workshops durch, um genau zu verstehen, vor welcher Herausforderung der Kunde steht. Im Vorfeld der Entwicklung helfen z. B. Experteninterviews mit den beteiligten Stakeholdern, etwa dem Produktmanager, dem industriellen Anwender oder sogar dem Endkunden.
Was KI-Projekte vereint: Man braucht ein informatisch handhabbares Problem. Die Formalisierung dieser Herausforderung als Berechnungsproblem dient dazu, ein funktionales Verständnis zu gewinnen. Fragen sind: Können wir mit den bestehenden Daten eine Lösung finden? Lässt es sich auf eines oder mehrere kanonische Probleme der künstlichen Intelligenz abbilden? jambits KI-Experten entwickeln anschließend Prototypen. Wichtig für Machine-Learning-Anwendungen ist dabei stets, dass auch tatsächlich Daten vorhanden sind. Die jambit-KI-Experten helfen bei der Orientierung, sichten die Daten und gewinnen Einblicke in deren Eigenschaften.
Welche Methoden nutzen KI-Experten für die Geoanalyse?
Um aus den Daten Mehrwerte zu generieren, kommen verschiedene Methoden zum Einsatz. Ein Standard-Problem aus dem Bereich Machine-Learning: Welche Eigenschaften besitzt ein Ort? Hier helfen Standard-Regressions- oder Klassifikationsverfahren. Neben Machine-Learning-Methoden nutzt man jedoch auch vielfach Inferenzmethoden, wie probabilistische Inferenz oder kombinatorische Optimierung. Bei der probabilistischen Inferenz geht es z. B. darum, aus Beobachtungen, die unsicher bzw. unzuverlässig sind, die richtigen Schlüsse zu ziehen – etwa aus den Sensordaten, die in einem Fahrzeug während der Fahrt über die Umgebung gesammelt werden. Bei der kombinatorischen Optimierung sucht man nach Lösungen in einem großen Lösungsraum von Kombinationsmöglichkeiten, die ein gewisses Kriterium bestmöglich erfüllen.
Will man beispielsweise mithilfe von Sensordaten aus Fahrzeugen eine Umgebungskarte mit hochgenauen Straßenverläufen erstellen, so gilt es, die Sensordaten denjenigen Objekten in der Umgebung zuzuordnen, auf die sie sich beziehen (Datenassoziationsproblem). Die Menge der einsetzbaren Algorithmen ist abhängig von der konkreten Fragestellung sehr vielfältig. Oftmals gibt es keinen bestehenden Algorithmus, der sofort unverändert eingesetzt werden könnte. Deshalb braucht es ein maßgeschneidertes KI-Konzept und dafür kompetente KI-Experten, die Usecases aus der Industrie mit aktuellen wissenschaftlichen Verfahren in konkrete Lösungen übertragen können.
Ein KI-Konzept verbindet unter Umständen verschiedene Algorithmen und Modelle miteinander, um zu einer Lösung zu kommen. Hat man die richtige Menge an Methoden für die Lösung eines Problems gefunden und diese erfolgreich prototypisch umgesetzt, geht es ins Fine-Tuning: Die Analyse von Verbesserungsmöglichkeiten und Detailproblemen und die anschließende iterative Verbesserung. Am Ende der Entwicklung kann ein Deployment stehen, das z. B. einen Dienst bereitstellen könnte, der den entwickelten Algorithmus oder die entwickelten Modelle einfach nutzbar macht. Entstehende Informationen können darüber hinaus über ein Frontend, etwa visualisiert als Kartenlayer, sichtbar gemacht werden.
Geoanalytics-Know-how aus der Forschung
Experten für ein Geoanalyse-Projekt brauchen spezialisiertes Wissen, welches über klassische Data-Science-Fragestellungen hinausgeht. „Im Bereich Geoanalytics arbeiten wir mit spezialisierten Algorithmen für z. B. Lokalisierung, Kartierung und Suche, und es spielen Kenntnisse über Geo-Koordinatensysteme und Karten sowie deren Repräsentation und Optimierung eine Rolle“, fasst Dominik Jain, Senior Software Architect bei jambit, die besonderen Anforderungen an Geoanalytics-Projekte zusammen. Dominik Jain forscht u. a. im Bereich Geoanalytics zu Crowdsourced Mapping und Routing. Gemeinsam mit BMW entstand etwa das Paper „Crowdsourced HD Map Patches Based on Road Model Inference and Graph-Based SLAM“, das u. a. untersucht, wie autonomes Fahren in Zukunft von crowdbasierten Informationen profitieren kann.
Denn Karten sind lediglich eine Repräsentation geographischer Realität. Die Problemklasse SLAM (simultaneous localisation and mapping) beschäftigt sich damit, eine Umgebungskarte aus den Sensordaten eines oder mehrerer sich in der Umgebung bewegenden Fahrzeugen zu erstellen. Dabei sind die Position der Fahrzeuge innerhalb der Karte nicht bekannt und müssen daher gleichzeitig geschätzt werden. Die Umgebung ändert sich ständig, weshalb auch Karten immer wieder angepasst werden müssen. Automatisiert entsteht so durch viele Verkehrsteilnehmer eine Karte. Mit angewandter Forschung Lösungen für die Industrie entwickeln, dafür braucht es als Softwaredienstleister die richtige Arbeitskultur. „Was mich am Machine-Learning-Team bei jambit in München begeistert: Alle Mitarbeiter haben unterschiedlichste Bezugspunkte. Von allgemeinem KI-Know-how über Computer Vision, Mathematik und Optimierung bis hin zu Geoanalytics. Der Forschungshintergrund und eine Begeisterung dafür, echte Probleme unserer Kunden zu lösen, vereint uns“, so Dominik Jain.
Sie möchten einen breiteren Überblick über unsere Leistungen im Bereich Künstliche Intelligenz gewinnen?
In unserem Leistungsportfolio zeigen wir, welche KI-Anwendungsbereiche wir für unsere Kunden begleiten. Oder nehmen Sie einfach direkt Kontakt mit unseren Experten auf.
