Diese Präsentation wurde erfolgreich gemeldet.
Die SlideShare-Präsentation wird heruntergeladen. ×

Vortrag Substitution Beteiligung KI 200911

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Hier ansehen

1 von 24 Anzeige

Vortrag Substitution Beteiligung KI 200911

Herunterladen, um offline zu lesen

Vortrag auf den Intelligent Future Days 2020 im Research Track WI-BIA. Der Vortrag zeigt, wie mit intelligenten Kameras im Gladbacher-Crowd-Solving-Konzept zurückhaltende Bereitschaft von Akteuren, sich an einer gemeinsamen Informationssammlung zu beteiligen, durch KI substituiert wird.

Hintergrund ist das EFRE geförderte Projekt logistiCS.NRW, das von 2017 bis 2020 vom Institut GEMIT der Hochschule Niederrhein durchgeführt wurde.

Vortrag auf den Intelligent Future Days 2020 im Research Track WI-BIA. Der Vortrag zeigt, wie mit intelligenten Kameras im Gladbacher-Crowd-Solving-Konzept zurückhaltende Bereitschaft von Akteuren, sich an einer gemeinsamen Informationssammlung zu beteiligen, durch KI substituiert wird.

Hintergrund ist das EFRE geförderte Projekt logistiCS.NRW, das von 2017 bis 2020 vom Institut GEMIT der Hochschule Niederrhein durchgeführt wurde.

Anzeige
Anzeige

Weitere Verwandte Inhalte

Ähnlich wie Vortrag Substitution Beteiligung KI 200911 (20)

Weitere von Claus Brell (20)

Anzeige

Aktuellste (20)

Vortrag Substitution Beteiligung KI 200911

  1. 1. 1 Substitution der Akteur- Beteiligung durch KI und BI am Beispiel eines Logistik- Projekts in den Neuss- Düsseldorfer Häfen Beitrag zur LWDA2020 11.09.2020 Claus Brell, Ralf Kuron, Wilhelm Mülder Niederrhein University of Applied Sciences, Institut GEMIT
  2. 2. Überblick 1. Projekt: Ausgangspunkt, Zielsetzung, Methodik 2. Gladbacher Crowd Solving Konzept 3. Informationsdrehscheibe, Dashboard und KI-Kameras 4. Erkenntnisse 5. Fazit 2
  3. 3. Crowd Solving – Intelligente Infrastrukturnutzung am Beispiel der Neuss-Düsseldorfer Häfen 04.2017 – 07.2020 Prof. Dr. Wilhelm Mülder, Prof. Dr. Claus Brell, Ralf Kuron, Diana Klein Prof. Dr. André Schekelmann, Katharina Patzelt, Christian Salz, Abdullah Shams, Sebastian Schmetz Das Projekt 3
  4. 4. Zeitplan 4
  5. 5. Befragungen 2016 2017 2018 2019 5
  6. 6. Untersuchungsobjekt: Hafen, Anrainer, Fahrer 6
  7. 7. Ausgangslage • Neuss-Düsseldorfer Häfen: Verkehrsknotenpunkt + Gewerbegebiet • Kein weiteres Flächenwachstum möglich • Zeitverluste durch LKW-Staus & Hafenbahn • Begrenzte Parkflächen für LKW und PKW • Intelligente Konzepte nötig, um steigende Logistikintensität in Zukunft zu bewältigen 7
  8. 8. Ausgangslage Impression Autobahnausfahrt 8
  9. 9. Gefördert durch: Projektpartner: Partner und Förderung Industrie-Partner Ambrogio GmbH ATN Autoterminal Neuss GmbH & Co. KG BCA Autoauktionen BLG AutoTransport GmbH & Co. KG Contargo Neuss GmbH Essity Hygiene Products GmbH Göldner Spedition+Logistik GmbH Raiffeisen Waren-Zentrale Rhein-Main eG, Logistik Nord Knauf Gips KG Logistikregion Rheinland e.V. M. Zietzschmann GmbH & Co. KG Neuss-Düsseldorfer Häfen GmbH & Co. KG Neuss Trimodal GmbH Walter Rau Neusser Öl und Fett AG 9
  10. 10. Ziel und Methode • Verkehrssituation in den Neuss-Düsseldorfer Häfen verbessern • Lösungsansatz Crowd-Solving: Jeder Akteur im Hafen trifft Logistik-Entscheidungen auf Basis aktueller logistikrelevanter Informationen • Neben innovativer Logistik sind soziale und ökologische Ziele wichtig. 10
  11. 11. Gladbacher Crowd Solving Konzept 11
  12. 12. Gladbacher Crowd Solving Konzept - Eckpunkte 12 i. Akteure erhalten für ihr Handeln relevante Informationen. ii. Verhalten der Akteure passt sich an Informationslage an. => Durch angepasstes Verhalten: Die (Verkehrs-) Lage verbessert sich auch für alle anderen. iii. Jeder Akteur liefert Informationen, die in einer Datendrehscheibe agglomeriert und distribuiert werden. iv. Informationen werden durch zusätzliche Daten (Wetter, Stauinfos …) angereichert
  13. 13. Gladbacher Crowd Solving Konzept – Problem 1 13 i. Akteure erhalten für ihr Handeln relevante Informationen. ii. Verhalten der Akteure passt sich an Informationslage an. => Durch angepasstes Verhalten: Die (Verkehrs-) Lage verbessert sich auch für alle anderen. Annahme: Fahrer müssen dazu motiviert werden, Ihr Verhalten zu ändern. Lösungsansatz: Gamification
  14. 14. Gladbacher Crowd Solving Konzept – Problem 2 14 iii. Jeder Akteur liefert Informationen, die in einer Datendrehscheibe agglomeriert und distribuiert werden. Bereitschaft, operative Daten beizusteuern, geringer als zu Projektbeginn angenommen. Erklärungsansatz: 90 – 9 – 1 Regel* (*) Nielsen, J.: Participation Inequality: Encouraging More Users to Contribute. In: Nielsen Norman Group. Online- Ressource: https://www.nngroup.com/articles/participation-inequality/ (2006)
  15. 15. Gladbacher Crowd Solving Konzept – Lösung 2 15 iii. Informationen werden durch zusätzliche Daten (Wetter, Stauinfos …) angereichert Erzeugung von neuen Informationen aus aktueller Verkehrsbeobachtung mit KI-Kameras. Dadurch Substitution der fehlende Informationen direkt von den Akteuren.
  16. 16. Informationsdrehscheibe, Webseite als Dashboard 16 https://hafenneuss.de/
  17. 17. Parksensoren 17 Parksensoren detektieren ungern Auflieger: 1. Stütze mehr als 2,5 T. 2. kein Metall direkt über Sensor.
  18. 18. KI-Kamera 18
  19. 19. Warum Edge-Computing? 19 Datenschutz ist wesentlich. Keine a) Übertragung b) Speicherung von (bewegt-) Bilddaten über das Internet. KI und Edge-Computing erlauben, statt Bilder anonyme Kennzahlen zu übertragen und zu speichern. (Keine personenbeziehbare Daten)
  20. 20. Testeinbau einer KI Kamera 20 Nvidia Jetson TX2
  21. 21. KI Realisierung 21 Bilderkennung mit YOLO V3 / Darknet. Kombination der Frameworks: • zum Realisierungszeitpunkt Neuland • heute Standard • Nun YOLO V4 möglich Hardware: • zum Zeitpunkt der Realisierung teuer (NVIDIA Jetson TX) • nun preiswerter (NVIDIA Jetson nano, Raspberry + Intel KI Stick) Lessons Learned: • Grundlegendes Konzept ist wichtig. • Konkrete Technik hat geringe Halbwertzeit.
  22. 22. KI-Bilderkennung: Übertragung der Kenntnisse auf andere Anwendungsfelder (Bienen statt LKW) 22 https://cbrell.de/naturwatchcamhttps://youtu.be/RkB7i4QD_5A?t=142
  23. 23. Evaluation und Befragungen - Kernergebnisse Informationsdrehscheibe / Dashboard (+) intuitiv bedienbar. (+) nützlich. (- ) trägt nicht per se zur Verbesserung der betrieblichen Abläufe im Unternehmen bei. Weitere Dienste • Parkplatz-Sharing, Fahrer-Sharing und Fahrrad-Dienste nicht gewünscht. • Kostenbeteiligung nicht gewünscht. • Bessere Ampelphasen bei der Bahn gewünscht. 23
  24. 24. Fazit • Crowd Solving funktioniert nur „asymmetrisch“. • KI-Kameras liefern eine wertvolle Datenbasis zur Verkehrsanalyse • Informationsdrehscheibe als Konzept funktioniert, muss aber in die Anwenderprozesse integriert werden • Informationsdrehscheibe ist übertragbar auf andere (Gewerbe-) Gebiete • Weiterbetrieb der Plattform nach Projektende durch Wirtschaftspartner Traffgo Road GmbH. 24

×