KI@Mobility – Beitrag künstlicher Intelligenz zur Mobilität der Zukunft

im Rahmen des Digital-Gipfels 2018

In der Fokusgruppe Intelligente Mobilität diskutieren mehr als 70 Expertinnen und Experten aus den Bereichen Wirtschaft, Wissenschaft, Verbände und Politik aktuelle und zukünftige Entwicklungen der Intelligenten Mobilität. Sie erarbeiten Handlungsempfehlungen, wie die Politik günstige Bedingungen schaffen kann, damit ein Intelligentes Mobilitätssystem in Deutschland schnell Realität wird.

Roadmap Intelligente Mobilität

20 Maßnahmen zur Schaffung eines Digitalisierten Mobilitäts-Ökosystems mit den Zieldimensionen Nutzerorientierung, Ressourcenschonung und Innovationsführerschaft.

Smart Data für Intelligente Mobilität

Hochwertige Daten sind die Voraussetzung für intelligente Verkehrssysteme. Erforderlich für eine effektive Nutzung ist eine übergreifende Verfügbarkeit. Dazu bedarf es abgestimmter Qualitätskriterien, Regeln für den Zugang und Datenschutz sowie Datenkoordinatoren.

Welchen Beitrag leistet Künstliche Intelligenz zur Intelligenten Mobilität?

Das Leitthema des Digitalgipfels 2018 ist Künstliche Intelligenz (KI). Die Bundesregierung stellt ihre im November 2018 veröffentlichte KI-Strategie auf dem Digitalgipfel vor. Die Fokusgruppe  hat den Schwerpunkt des diesjährigen Gipfels aufgegriffen und sich mit Künstlicher Intelligenz im Mobilitätssektor befasst. Mit der Untersuchung, wie KI in der Mobilität eingesetzt werden kann und welche Chancen sich daraus ergeben, dient die Arbeit der Gruppe als Ergänzung und Vertiefung der Roadmap Intelligente Mobilität. Konkret stehen die folgenden Fragen im Fokus:

• Was macht KI@mobility aus?      
• Wie kann KI dabei helfen, Mobilitätintelligenter zu gestalten?

Dabei haben wir den Fokus auf Praxisanwendungen gelegt. Wir wollen zeigen, wo KI heute bereits angewandt wird oder in Entwicklung befindlich ist. Beim Thema KI in der Mobilität denken viele sofort an autonome Fahrzeuge (und an Extremsituationen, in denen Algorithmen moralisch komplexe Entscheidungen treffen müssen). Tatsächlich ist das autonome Fahren eine Kernanwendung von KI und eine der wegweisenden Zukunftstechnologien, deren Bedeutung weit über die deutsche Verkehrswirtschaft hinaus reicht. Unsere Beispielsammlung zeigt aber auch: Es gibt viele weitere Anwendungsfelder für KI im Mobilitätssektor, durch die Mobilität günstiger, einfacher, ressourcenschonender, sicherer – kurz: intelligenter – wird. Dank KI-basierter Predictive Maintenance kann Verkehrsinfrastruktur deutlich günstiger bereitgestellt und Kapazität erhöht werden. Verkehre werden dank KI-basierter Bilderkennung besser und ressourceneffizienter gesteuert. KI-gestützte Datenauswertungen erlauben schnellere und bessere Verkehrsprognosen, wodurch Flotten effizienter disponiert und intermodale Reise- und Transportketten erleichtert werden. KI-basierte Sprachassistenten helfen dem Menschen bei der Bedienung seines Fahrzeugs und bei der Planung und Buchung von Mobilitätsservices. Kurz: KI-Anwendungen machen entlang der kompletten Produktions-, Reise- und Logistikkette Mobilität intelligenter. Viele dieser Lösungen sind technisch schon heute machbar. Für einen breiten Einsatz in der Praxis müssen jetzt die Rahmenbedingungen geschaffen werden.

Was ist Künstliche Intelligenz?

In Ermangelung einer allgemein anerkannten Definition des Begriffs Künstliche Intelligenz haben wir uns an der Begriffsbestimmung orientiert, die auch der KI-Strategie der Bundesregierung zugrunde liegt. Dort wird auf die Fähigkeit von KI-Systemen abgestellt, sich durch die Nachbildung von (Aspekten) menschlicher Intelligenz selbst zu optimieren, d.h. zu lernen. Dementsprechend haben wir das eigenständige Lernen aus Daten oder virtuellen Simulationen als Abgrenzungsmerkmal von KI@mobility zur „herkömmlichen“ Intelligenten Mobilität, so wie sie z.B. in der Roadmap verwendet wird, identifiziert.

KI-Systeme können über große Datenmengen „angelernt“ werden, und/oder operativen Betrieb eigenständig sukzessive hinzulernen. Der umfassende Zugang zu Daten (Big Data) ist also notwendige Voraussetzung vieler, aber nicht aller KI-Anwendungen. Eine KI-Anwendung lässt sich - inspiriert aus der Biologie –entlang der drei grundsätzlichen Eigenschaften Perception, Cognition und Actionbeschreiben. Perception umfasst die Wahrnehmung und Interpretation von Zuständen. Hier konnte die Forschung in den letzten Jahren große Fortschritte machen. So können Sprachbefehle und Geräusche, aber auch Mimik und Gestik erkannt und interpretiert werden. Ebenso kann Bild- und Videomaterialhochskalierbar ausgewertet und kritische Muster identifiziert werden. Cognition beschreibt die Fähigkeit, mittels intelligenter Analyse entscheidungsrelevante Erkenntnisse aus den wahrgenommenen und interpretierten Daten zu ziehen. Das kann unter anderem durch Einordnung der Daten in einen historischen Kontext erfolgen oder durch Simulation von Zukunftsszenarien. Action, also eine auf Basis einer Erkenntnis abgeleiteten Handlung, stellt die letzte Stufe künstlicher Intelligenz dar. Eine KI-Anwendung sollte alle drei Eigenschaften aufweisen. Je nach Praxisbeispiel liegt der Schwerpunkt der Anwendung aber malstärker auf der einen und mal stärker auf der anderen Eigenschaft.

Best Practices

Was heute bereits möglich ist

Künstliche Intelligenz ermöglicht eine Reihe von Anwendungen, die Mobilität komfortabler, besser zugänglich, effizienter und ressourcenschonender - kurz: intelligenter - machen. Die folgende Übersicht zeigt Beispiele, eingebracht durch die Mitglieder der Fokusgruppe Intelligente Mobilität. Sie illustrieren, dass der Mobilitätssektor zu einem wichtigen Anwendungsfeld für KI-Lösungen zählt, und dass die deutsche Mobilitätswirtschaft bereits heute das Potenzial künstlicher Intelligenzerkannt hat und auch einzusetzen beginnt. Viele Akteure erproben KI-gestützte Technologien in Tests und Forschungsprojekten, die Intelligente Mobilitätunterstützt oder erst ermöglicht.

KI-Anwendungen finden sich entlang der kompletten Produktions- und Reisekette.



Ausblick

Was brauchen wir in Zukunft, um das Potenzial von„KI@Mobility“ voll nutzen zu können?

Mobilität ist eine Versorgungsaufgabe zur Erfüllung individueller und industrieller Bedarfe und damit im persönlichen wie im wirtschaftlichen Leben allgegenwärtig. Der Mobilitätssektor ist daher auch prädestiniert für die Anwendung und Verbreitung von KI-Anwendungen. KI kann in allen Bereichen der Mobilität für disruptive Innovationsschübe sorgen. Sie kann einen wichtigen Beitrag leisten, Grenzen zwischen Verkehrsträgern zu überwinden. Dem Mobilitätssektor mit seinen Schnittstellen in praktisch alle anderen Lebens- und Wirtschaftsbereiche kommt dabei eine Multiplikator-Rolle zu, die den Nutzen von KI in diese Bereiche hineintragen kann. Dementsprechend finden sich unter den Anwendungsfällen sowohl mobilitätsspezifische, als auch sektorübergreifende Best Practices.

• Mobilitätsspezifische KI Anwendung setzen häufig beim Fahren selbst an (automatisiertes autonomes Fahren, Vernetzung zwischen Fahrzeugen und Infrastruktur, auch Logistik-Produktionsprozesse = Robotik),bei der Echtzeit-Verkehrssteuerung und bei der Planung/Disposition von Verkehrsflüssen (Digitale Informationsplattformen, Prognosetools). Die Anwendungsbeispiele in diesem Umfeld zeigen die Potenziale von KI im Mobilitätsbereich auf, offenbaren zugleich aber, dass die Beantwortung vieler Grundsatzfragen noch in den Anfängen steckt. Die Verwendung von KI@mobility in zentralen wie auch in dezentralen Steuerungssystemen illustriert dies. In beiden Fällen geht es darum, Verkehrsströme möglichst störungsfrei und damit kapazitätsschonend fließen zu lassen; dies aber jeweils auf andere Weise. Wie sieht das optimale Zusammenspiel zwischen zentraler und dezentraler Intelligenz in Zukunft aus? Nimmt man spurgebundene Systeme wie die Eisenbahn, so bietet sich der Einsatz von KI-Anwendungen naturgemäß vor allem in den zentralen Leitstellen an, die bereits im analogen Betrieb für die Koordinierung der Zugbewegungen auf dem Schienennetz unerlässlich sind. Zwar bieten auch die Züge Potenziale für den Einsatz von KI-Anwendungen, dies allerdings weniger mit dem Ziel der individuellen, autonomen Navigation einzelner Züge. In Eisenbahnszenarien liegt daher zunächst ein Schwerpunkt auf der zentralen, automatisierten Steuerung der Zugbewegungen – ein Szenario, welches perspektivisch noch um dezentrale Komponenten ergänzt werden kann. In der Luftfahrt trifft dies in abgeschwächter Form ebenfalls zu. Im Straßenverkehr ist die Situation komplexer. Auf der einen Seite hilft KI dabei, dem Menschen die eigenständige Steuerung des einzelnen Fahrzeugs schrittweise zu erleichtern (Automatisierung) und schließlich ganz abzunehmen (Autonomie). Auf der anderen Seite wird der Einsatz von KI die Autonomie der (menschlich oder künstlich gelenkten) Fahrzeuge - also die Möglichkeit, über deren Navigation auf dem Straßennetz im Rahmen der Verkehrsregeln frei und individuell entscheiden zu können - deutlich einschränken. Denn die zentrale Steuerung der Bewegungen aller Fahrzeuge durch KI über entsprechende Verkehrsleitsysteme bietet auch im Straßenverkehr enorme Effizienzpotentiale, z. B. in einer globalen statt lokalen Betrachtung des Verkehrsflusses. Dies gilt besonders auch an den Schnittstellen zwischen den Verkehrsträgern, wo KI einen Beitrag zur verkehrsträgerübergreifenden Optimierung leisten kann. Das Port Traffic Center am Hafen Hamburg zeigt dies beispielhaft. Auf den Straßen, Schienenwegen und für die beweglichen Brücken in und um den Hafen herum soll eine KI-gestützte Anwendung die zukünftigen Verkehrslagen prognostizieren und darauf aufbauend die intermodale Logistikkettenplanung optimieren. LKWs oder Züge, die sich im Zulauf auf den Hafen befinden, erhalten dann entsprechende Fahrtempfehlungen und können umdisponieren, bevor Staus entstehen. Es bleibt abzuwarten, wie sich das Zusammenwirken von zentralgesteuerten Infrastrukturen und autonom gesteuerten Fahrzeugen künftig entwickeln wird – sicher ist, dass die Weiterentwicklung von KI-Anwendungen dabei eine wichtige Rolle spielen wird.  

• Sektorübergreifende Anwendungsfälle finden sich heute vor allem in den Bereichen der Wartung und Instandhaltung sowie lernfähiger Kundendialog-Formate. Durch den Einbau von intelligenter Sensorik in Infrastrukturen und Fahrzeuge sowie KI-gestützte Video-, Bild- und Tonanalyseverfahren bietet die vorausschauende Instandhaltung, oder Predictive Maintenance, enorme Effizienzpotenziale. Die von uns erfassten Best Practices zeigen, dass es im Mobilitätsbereich bereits eine enorme Bandbreite an Anwendungsfällen gibt. Fahrzeuge, Schienen und Weichen signalisieren ebenso selbständig Wartungsbedarf wie zum Beispiel Aufzüge und Rolltreppen in Bahnhöfen. Bei Wasserstraßen gibt es Planungen, KI einzusetzen, um die Genauigkeit sogenannter Sedimentationsprognosen zu erhöhen. Der Einsatz von Peil- und Baggerschiffen zur Aufrechterhaltung einer ausreichenden Wassertiefe kann dadurch optimal auf den Schiffsverkehr abgestimmt werden. Für die hier eingesetzten Verfahren gibt es in praktisch allen Sektoren ähnliche Anwendungspotenziale, so dass sich hier Synergien durch eine übergreifende Forschung und Entwicklung ergeben können. Neben den gezeigten industriellen Anwendungen, bei denen KI insbesondere an der Schnittstelle zwischen Fahrzeugen und Infrastruktur innerhalb von einem bzw. zwischen mehreren Unternehmen (B2B) bzw. öffentlichen Stellen (B2G) eingesetzt wird, gibt es auch zahlreiche Best Practice Beispiele an der Schnittstelle zum Endkunden (B2C). In der Vorstufe zum automatisierten Fahren auf der Straße sind dies zum Beispiel Assistenzsysteme, die den Fahrerbei der Bedienung und Navigation des Fahrzeugs individuell erkennen und unterstützen können. Enorme Chancen bietet KI bei digitalen Plattformen im öffentlichen Personenverkehr. KI-Anwendungen haben das Potenzial, Menschen nach ihren individuellen Vorlieben und nach aktueller Verkehrslage von A nach B zu führen, und können damit das Ziel der durchgängigen, mehrere Verkehrsmittel integrierenden Reiskette mit einem einzigen Buchungs- und Bezahlvorgang entscheidend näher bringen. Eine ganze Reihe von Piloten und Testanwendungen nähern sich auf diese Weise der Schaffung eines neuen „Öffentlichen Individualverkehrs“ an.

Die Analyse des Gesamtbildes der Anwendungsbeispiele zeigt bereits, in welchen Bereichen (politische) Unterstützung besonders wichtig ist, um ein intelligentes Mobilitäts-Ökosystems zu verwirklichen. Solch ein Zielbild hat die Fokusgruppe 2017 mit der Roadmap erarbeitet. KI@mobility fügt nun eine praxisbezogene Dimension hinzu und verstärkt die dort enthaltenen Ansätze. Zur Konkretisierung der Handlungsbedarfe wurden die Einreicher der einzelnen Best Practice Beispiele gebeten, Handlungsbedarfe zu nennen, um die jeweilige KI-Anwendung bestmöglich zur Entfaltung kommen zu lassen. Dabei wurde deutlich, dass die sieben in der Roadmap Intelligente Mobilität erarbeiteten Handlungsfelder die Bedarfe von KI-Anwendungen gut abdecken. Eine Einordnung der Bedarfe entlang dieser Logik zeigt, welche Handlungsfelder für KI@mobility besonders relevant sind.

Maßnahmen zur Stärkung dieser KI-Anwendungen werden durch die 7 Handlungsfelder der Roadmap Intelligente Mobilität abgedeckt.

Verkehrsträgerübergreifende Koordination
Gesellschaftliche Akzeptanz
Daten und Datenverfügbarkeit
Öffentliche Förderung
Infrastrukturen
Button Text
Rechtlich Regulatorischer Rahmen
Interoperabilität

Die Auswertung zeigt in vier der sieben Handlungsfelder (HF) starke Ausprägungen. Angesichts der Eigenschaften und des Entwicklungspotenzials von KI liegt es auf der Hand, dass die Verfügbarkeit von Daten (HF 2) und die öffentliche Förderung (HF 7) dazu zählen. Dass auch beim Rechtlich-Regulatorischen Rahmen (HF 6) und beim Gesellschaftlichen Nutzen(HF8) ein besonders hoher Handlungsbedarf gesehen wird, ist auch Ausdruck der Tatsache, dass mit der KI gänzlich neue Methoden eingeführt werden, die nicht nur einen rechtlichen Rahmen benötigen, sondern auch von den zukünftigen Nutzern verstanden und akzeptiert werden müssen.

Damit untermauern die Ergebnisse der Fokusgruppe zugleich die Zielstellung der Bundesregierung bei der Erarbeitung ihrer KI-Strategie. Auch in Abgrenzung zu den stärker wirtschafts- bzw. staatszentrierten KI-Entwicklungsstrategien in Nordamerika bzw. in Asien setzt Deutschland auf „eine verantwortungsvolle und gemeinwohlorientierte Entwicklung und Nutzung von KI“ und einer gesellschaftlichen Einbettung von KI „im Rahmen eines breiten gesellschaftlichen Dialogs und einer aktiven politischen Gestaltung“.

Ein detaillierter Blick auf die vier genannten Handlungsfelder verdeutlicht dies.

Daten und Datenverfügbarkeit

Datenverfügbarkeit und der zielgerichteten Anwendung von KI für die Intelligente Mobilität

Intelligente Mobilität steht für den Ansatz, Mobilitäts- und Logistikprozesse durch Digitalisierung zu optimieren. Dafür werden spezifische Daten ebenso benötigt wie geeignete Algorithmen, eine leistungsfähige IT-Infrastruktur und Verfahren der künstlichen Intelligenz. Intelligente Mobilität betrifft alle Verkehrsträger gleichermaßen und berücksichtigt zugleich ihre Einflüsse aus Umwelt, Gesellschaft, Verwaltung und Politik.

Künstliche Intelligenz kann helfen die Informationskomplexität zu beherrschen. Infolgedessen sollte mit dem Einsatz künstlicher Intelligenz die datenmäßige Beschreibung intelligenter Mobilitätsprozesse mit den Anforderungen der Nutzer und Betreiber sowie den Rahmenbedingungen aus Politik, Umwelt und Gesellschaft verknüpft werden. Künstliche Intelligenz kann in einer derart komplexen Datensituation anderen Planungs- und Entscheidungsstrategien durchaus überlegen sein – dies jedoch nicht unter allen Umständen. Zunächst wäre idealer Weise zu identifizieren, welche Mobilitätsprozesse derzeit unter einer kaum handhabbaren Daten- bzw. Informationskomplexität leiden bzw. ob ausreichend Daten für die digitale Modellierung dieser Prozesse überhaupt in geeigneter Form zur Verfügung stehen. Zudem sollte klar sein, welche Ergebnisse aus einem Datenkonvolut generiert werden sollen. Ist die Datenverfügbarkeit gegeben und das Optimierungsziel(Ergebnisorientierung) bekannt, sind die spezifischen Daten auf ihre Anwendbarkeit für KI-Systeme zu prüfen. Die Datenqualität (Aktualität, Genauigkeit, geometrisch-zeitliche Auflösung, Datenquelle, Flächendeckung, Datenmodell, Informations-/Medientyp usw.) liefert weitere Eignungskriterien. Ferner dürfen Dienste Standards, API, Technologieoffenheit, Plattformfähigkeit und breitbandige Vernetzung großer Datenportale nicht außer Acht gelassen werden. Die Datenportale des BMVI wie der Mobilitätsdatenmarktplatz MDM oder die mCLOUD sind eine gute Ausgangsbasis. Die dargestellten Aspekte sollten auch bei der Weiterentwicklung dieser Portale berücksichtigt werden. Gerade diesbezüglich ist im Hinblick auf eine künftige IT-KI-Infrastruktur für Intelligente Mobilität zu untersuchen, welche spezifischen Anforderungen Mobilitätsdatenknoten erfüllen müssen damit einerseits KI fähige Daten oder Dienste bereitgestellt werden können, und andererseits eine Übernahme KI generierter Informationen möglich ist.

Rechtlich Regulatorischer Rahmen

 Klaren Rahmen für KI@Mobility schaffen

KI weist Besonderheiten auf, die einer Ergänzung des bestehenden Rechtsrahms bedürfen. So treffen KI-Anwendungen mitunter autonom Entscheidungen, die sich im Zeitablauf ändern können und damit ex ante nicht vorhersehbar sind. Dies stellt bestehende Konventionen im Bereich der Standardisierung und Zertifizierung in Frage: Unter welchen Bedingungen kann eine Anwendung zugelassen werden, deren „Verhalten“ nicht vorhersehbar ist?

Diese Problematik ist vor allem im Kontext autonomer Fahrzeuge, wo folgenschwere Fehlentscheidungen unter allen Umständen zu vermeiden sind, bekannt und vieldiskutiert. Doch auch in anderen Bereichen stellen KI-Anwendungen die bestehende Zulassungs- und Regulierungspraxis vor neue Herausforderungen. KI-basierte Anwendungen zur Verkehrssteuerung oder Verkehrsdisposition könnten z.B. beinhalten, dass der einem einzelnen Verkehrsteilnehmer gewährte Infrastrukturzugang sich nicht mehr durch vorab festgelegte gesetzliche Regeln nachbilden lässt, sondern das Ergebnis eines ständig lernenden Optimierungsprozesses ist. Im Bereich Instandhaltung werden sich die maximalen Effizienzpotentiale von KI-Anwendungen erst dann realisieren lassen, wenn die Instandhaltung nicht mehr nach starrenzyklischen Vorgaben, sondern zustandsbedingt erfolgen kann. Politik und Verwaltung werden neue Kompetenzen aufbauen müssen, um diesen neuen KI-bedingten rechtlich- regulatorischen Herausforderungen gerecht zu werden. Die Bereiche Recht und Informatik müssen stärker verzahnt werden.  Der bestehende Rechtsrahmen sollte aufgrund möglicher neuer Anforderungen – etwa an die Cyber- und Informationssicherheit oder an das Wettbewerbsrecht – weiterentwickelt werden. Zudem bedarf es klarer Regeln für KI-Technologie auch im Hinblick auf ethisches Handeln. Eine transparente Regelung unterstützt die gesellschaftliche Akzeptanz dieser Technologie und schafft die Voraussetzung für eine breite Anwendung in Zukunft. Die Ethikkommission zum automatisierten Fahren hat mit ihren Leitlinien schon Pionierarbeit geleistet. Doch die Rahmenbedingungen zum Einsatz von KI (z.B. wie viel KI wollen wir zulassen, wie soll KI in Dilemma-Situationen entscheiden) müssen in einem gesamtgesellschaftlichen Dialog entwickelt werden. Die Entwicklung von Standards und Normen ist nicht nur Aufgabe der Politik. Gerade der Wirtschaft kommt eine tragende Rolle zu. Angesichts der starken Wirkung, die die neuen KI-Technologien in viele technologische und wirtschaftliche Bereiche hinein entfalten dürften, ist dies unerlässlich. Wo sich bei bestimmten Einsatzszenarien Regulierungsbedarf abzeichnet, sollte geprüft werden, wie dieser sektor- oder kontextspezifisch in den entsprechenden Spezialgesetzen abgebildet werden kann.

Öffentliche Förderung

Dezidierte Förderung für KI@Mobility

Die Förderung der Entwicklung und Umsetzung von KI-Technologien muss anwendungsbezogen und übergreifend erfolgen. Eine stärkere Verzahnung von Forschungs- und Wirtschaftsförderung scheint besonders vor dem Hintergrund des querschnittlichen Charakters von KI im Bereich der Mobilität zielführend, denn KI entfaltet ihre Wirkung entlang von Wertschöpfungsketten. Neue Konzepte entstehen nicht mehr nur in der Forschung. Vielmehr sind auch alle Arten und Größen von Unternehmen zu berücksichtigen, denn mobilitätsspezifische KI-Innovationen entstehen gleichermaßen in der Symbiose von Forschung, Startups, KMU sowie Konzernen und Großunternehmen. Eine spezifische Herausforderung für KI im Bereich der Mobilität und in allen anderen Anwendungsfeldern liegt in der benötigten Rechenleistung. Die Anforderungen an herkömmliche Computer werden mit der Verarbeitung KI-spezifisch notwendiger Datenmengen immer weiter steigen. Sie entwickelt sich mehr und mehr zum Wettbewerbsfaktor. Wenn Deutschland eine Spitzenposition bei KI im Bereich der Mobilität erreichen will, ist beim Aufbau einer leistungsfähigen Recheninfrastruktur als Teil der digitalen Infrastruktur bereits jetzt staatliches Handeln gefragt.

Übergreifendes Kompetenz- und Forschungszentrum KI@mobility
Die KI-Strategie der Bundesregierung sieht den Auf- und Ausbau eines Kompetenz-Netzwerkes KI vor: „Wir werden die bestehenden KI-Kompetenzzentren überregional weiterentwickeln und mit weiteren einzurichtenden Zentren zu einem nationalen Netzwerk von mindestens zwölf Zentren und Anwendungshubs ausbauen. Dabei werden wir international attraktive und konkurrenzfähige Arbeitsbedingungen und Vergütungen ermöglichen.“ (S. 13) Ein solches Kompetenz-Netzwerk im KI-Bereich sollte auch branchenspezifische Anforderungen berücksichtigen. Speziell für Intelligente Mobilität gelten besondere Rahmenbedingungen für KI, z. B. in den Bereichen Redundanz, Ethik, Sicherheit und Nutzerakzeptanz. Eine KI-Entscheidung kann im Bereich der Mobilität weitreichende Auswirkungen auf Menschen haben. So ist bspw. zu unterscheiden, ob ein selbstfahrendes KI-System eine Erntemaschine auf freiem Feld oder ein Fahrzeug im Stadtzentrum steuert. Vor diesem Hintergrund ist ein Kompetenzzentrum „KI@mobility“ sinnvoll. Dieses Kompetenzzentrum ist zugleich Vernetzungs- und Kollaborationsplattform für Wissenschaft, Unternehmen und Politik und trägt damit zur Weiterentwicklung intelligenter Mobilität bei. Es verbindet relevante Fragestellung aus den Bereichen Technologie, Rechtssetzung und Ethik und trägt damit zur Entwicklung Deutschlands und Europas zu einem führenden KI-Standort bei.

Gesellschaftliche Akzeptanz

Transparenz und Akzeptanz gegenüber der neuen und (vermeintlich) „unberechenbaren“ KI-Technologie in der Bevölkerung zu schaffen, ist ein zentraler Bestandteil der KI-Strategie der Bundesregierung und wurde auch in der Fokusgruppe Intelligente Mobilität als wesentliches Handlungsfeld von KI@mobility identifiziert. Der „Gesellschaftliche Nutzen“ wurde in der Roadmap Intelligente Mobilität als eigenes Handlungsfeld geschaffen, um der essentiellen Bedeutung eben dieser Akzeptanz der Nutzer von Mobilität Rechnung zu tragen, ohne die die beste Technologie nichts nützt. Bei KI-Anwendungen ist Akzeptanz relevant, weil ein Teil der eigenen Verantwortung, z.B. zukünftig die Steuerung im automatisierten Fahrzeug, an eine Maschine übertragen wird. Der Begriff Künstliche Intelligenz kann in der breiten Bevölkerung mit Missverständnissen belegt und KI-Systeme selbst technologisch nur begrenzt nachvollziehbar sein.

Insbesondere sind sicherheitsrelevante Entscheidungen von KI-basierten Systemen eine Quelle von Bedenken. Transparenz und Akzeptanz für die Bevölkerung kann deshalb kaum durch detailtechnische Erklärungen im Vorfeldhergestellt werden, sondern muss für den Nutzer erlebbar gestaltet werden. Es werden transparente, „anfassbare“ Demonstrationen der Technologie benötigt, um die Akzeptanz in der Bevölkerung für KI zu befördern. Eine Aufgabe des weiter oben erwähnten KI-Kompetenznetzwerkes sollte deshalb der Dialog mit den Bürgerinnen und Bürgern sein. Die hier vorgestellten Praxisbeispiele bieten dazu gute Ansatzpunkte. Dabei sollten die Vorteile von KI@mobility in der Anwendung herausgestellt werden. Auch die Verlässlichkeit von KI-basierten Anwendungen spielt eine große Rolle, um Vertrauen aufzubauen. Die Vorteile von KI werden dann mit zunehmender Nutzung im Alltag deutlicher und die Akzeptanz steigt, frei nach John McCarthy „as soon as it works, no one calls it AI anymore“. All dies ist kein Ersatz, aber unerlässliche Ergänzung eines Rechts- und Regulierungsrahmens, der besonders in sicherheitsrelevanten Anwendungsfeldern den KI-Anwendungen Grenzen setzen muss, innerhalb derer maschinelles Lernen – einschließlich der zugehörigen Fehlentscheidungen – gefahrlos möglich ist.