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.
Überblick
1. Projekt: Ausgangspunkt, Zielsetzung, Methodik
2. Gladbacher Crowd Solving Konzept
3. Informationsdrehscheibe, Dashboard und KI-Kameras
4. Erkenntnisse
5. Fazit
2

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.
Zeitplan
4

5.
Befragungen
2016
2017
2018
2019
5

6.
Untersuchungsobjekt: Hafen, Anrainer, Fahrer
6

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.
Ausgangslage Impression Autobahnausfahrt
8

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.
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.
Gladbacher Crowd Solving Konzept
11

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.
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.
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.
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.
Informationsdrehscheibe, Webseite als Dashboard
16
https://hafenneuss.de/

17.
Parksensoren
17
Parksensoren detektieren ungern Auflieger:
1. Stütze mehr als 2,5 T.
2. kein Metall direkt über Sensor.

18.
KI-Kamera
18

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.
Testeinbau einer KI Kamera
20
Nvidia Jetson TX2

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.
KI-Bilderkennung: Übertragung der Kenntnisse auf
andere Anwendungsfelder (Bienen statt LKW)
22
https://cbrell.de/naturwatchcamhttps://youtu.be/RkB7i4QD_5A?t=142

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.
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