Wie Schiphol den Abfertigungsprozess mit datengesteuerter KI optimiert

Bessere, schnellere Entscheidungsfindung, effizientere Prozesse und niedrigere Kosten: das sind die Versprechen der künstlichen Intelligenz (KI) und einer datengesteuerten Vorgehensweise. Um zu diesen Erkenntnissen zu gelangen, haben Datenwissenschaftler traditionell den Algorithmus als Ausgangspunkt genommen. Sie sammeln und bereinigen die Daten, speisen sie in das Modell ein und sehen sich dann die Ergebnisse an. Wenn die Leistung nachlässt oder die Analyse nicht die erhofften Erkenntnisse liefert, verbringen sie viel Zeit mit der weiteren Feinabstimmung des Modells oder verwenden einen ganz anderen Algorithmus. Mit anderen Worten: Je besser der Algorithmus, desto besser die Ergebnisse - so lautet zumindest die vorherrschende Meinung.

Doch während immer mehr und bessere Modelle auf den Markt kommen, wächst in der Data-Science-Community das Bewusstsein für die Grenzen der modellbasierten KI. "Traditionell neigen Datenwissenschaftler dazu, am Modell herumzubasteln, um es robust gegen Fehler oder 'Rauschen' in den Daten zu machen", erklärt Marcel Raas, Datenwissenschaftler bei Xebia Data, "aber dieser modellzentrierte Ansatz weicht einem datenzentrierten Ansatz, bei dem wir stattdessen aktiv mit den Daten arbeiten."

Raas war Teil eines Teams am Flughafen Schiphol, das an der Optimierung des Abfertigungsprozesses arbeitete. Für Raas ist dieses Projekt ein Beispiel für eine solche datenzentrierte Lösung.

Optimierung des Turnaround-Prozesses am Flughafen Schiphol

Sobald ein Flugzeug auf einem Flughafen eintrifft, wird es schnell für den Abflug vorbereitet. Da dies eine Abfolge von Ereignissen in kurzer Zeit erfordert, ist der "Abfertigungsprozess" des Flugzeugs streng choreographiert: Passagiere steigen aus, Arbeiter laden das Gepäck aus, Mechaniker führen Wartungsarbeiten durch und betanken das Flugzeug, während das Personal der Fluggesellschaft es reinigt und desinfiziert. Die kleinste Störung im Abfertigungsprozess kann einen Dominoeffekt auslösen, der zu Verspätungen führen kann.

Um diesen Prozess für den Flughafen Schiphol zu optimieren, gehörte Marcel Raas von Xebia Data zu den Teammitgliedern in Schiphol, die eine Deep-Learning-Lösung entwickelt haben, die reale Kamerabilder von den Flugzeugpositionen (VOPs) in verwertbare Daten umwandelt. Diese Daten geben Einblick in die verschiedenen Teilprozesse (wie Betankung, Pushback, Reinigung und Catering) und helfen Schiphol, Verspätungen vorherzusagen und zu vermeiden.

"Schiphol speist riesige Datenmengen in das Modell ein, Echtzeitdaten von den Kameras, um aktuelle Vorhersagen zu treffen, und historische Daten, um neue Optimierungsmöglichkeiten aufzudecken. Drei Annotatoren sorgen dafür, dass alle Daten stets konsistent sind." - Marcel Raas, Datenwissenschaftler bei Xebia

Indem sie menschliche Fehler im Annotationsprozess erkennen, bestimmen, welche Daten für das Modell am aufschlussreichsten sind, und nur diese Daten annotieren, können sie garantieren, dass Unsicherheiten herausgefiltert werden. Eine Feedback-Schleife sorgt außerdem dafür, dass sich die Qualität des Algorithmus kontinuierlich verbessert.

Überwachung

Die Überwachung spielt auch eine wichtige Rolle bei der Verbesserung von Datensätzen und Vorhersagen. Plötzliche "Unsicherheiten" können auf ein zugrunde liegendes Datenproblem hinweisen, das eine weitere Analyse verdient. Beim Schiphol-Projekt zum Beispiel könnte eine plötzliche Abweichung in den Vorhersagen auf Nebel oder eine defekte Kamera hinweisen. Die kontinuierliche Überwachung der Ergebnisse in Echtzeit stellt sicher, dass etwaige Probleme mit den Daten schnell erkannt werden.

Die Überwachung kann auch zur Verbesserung von Produkten und Dienstleistungen in anderen Branchen beitragen, da sie Einblicke in die Motivation der Kunden bietet. Ein KI-Modell könnte beispielsweise die Abwanderung vorhersagen, indem es die Kunden analysiert, die ihr Abonnement für einen bestimmten Dienst oder ein bestimmtes Produkt kündigen. Wenn das Modell einem bestimmten Kunden einen Wert zwischen "0" (sicheres Scheitern) und "1" (kein Scheitern) zuordnet, was ist die Ursache für diese Unsicherheit? Hat der Kunde mit dem Unternehmen interagiert, nachdem er das Abonnement abgeschlossen hat? Wenn nicht, warum nicht? Könnte das Unternehmen diesen Kunden halten, indem es ihm zum richtigen Zeitpunkt ein neues Angebot unterbreitet?

Kein Müll rein, kein Müll raus: Daten weisen den Weg

"Die Datenqualität war schon immer ein wichtiger Faktor in der Datenwissenschaft, aber in den letzten fünf bis zehn Jahren ist es mit immer ausgefeilteren und leichter zugänglichen Tools immer einfacher geworden, ein Vorhersagemodell zu erstellen, so dass der Schwerpunkt auf der Datenqualität liegt. Mehr Wert wird geschaffen, wenn Sie die Qualität der zugrunde liegenden Daten maximieren. Die Verbesserung der Datenqualität sollte daher für jedes Unternehmen oberste Priorität haben. Kein Müll rein, kein Müll raus." - Rens Dimmendaal, Datenwissenschaftler bei Xebia

"Das Trainieren eines maschinellen Lernmodells und dessen Einsatz in der Produktion ist sehr einfach geworden", sagt Raas, "und da es so viele zugängliche ML-Tools auf dem Markt gibt, wie Azure Machine Learning und MLflow, die Fehleranalyse und Überwachung bieten, können sich Datenwissenschaftler auf die Optimierung, das Verständnis und die Anpassung der Daten eines Unternehmens konzentrieren. Der sicherste Weg zum besten Modell führt also über die Fütterung mit qualitativ hochwertigen Daten. Mit anderen Worten: Daten weisen den Weg."

Für weitere Informationen über das Projekt können Sie die Präsentationsfolien hier herunterladen.