Lernende Systeme in Smart Cities: Kann KI Städte besser machen?

Lutz Heuser, Stefan Radomski, Urban Software Institute GmbH

Der Einsatz von Künstlicher Intelligenz (KI) in der Smart City steht sicher noch am Anfang. Dabei ist der Bedarf an selbstlernenden Systemen, die Komplexität managen, Entscheidungsfindung unterstützen und genaue, lokalisierte Vorhersagen treffen können, in der digitalisierten Stadt von morgen sehr hoch. Erläutert werden der Bedarf, die Möglichkeiten sowie die Hürden, mit Hilfe von KI Städte besser zu machen.

Das Wachstum der Welt spielt sich vor allem in den urbanen Zentren ab: Schon heute leben mehr als die Hälfte aller Menschen in Städten und bis zum Jahr 2050 sollen es sogar sieben von zehn sein. Als Reaktion auf diese weltweite Entwicklung müssen Kommunen ihre Abläufe und Dienstleistungen effizienter gestalten und gleichzeitig die Lebensqualität in ihren städtischen Ballungsräumen deutlich erhöhen . Die Anforderungen an die Verwaltung sind dabei extrem vielfältig: Verkehrsinfarkte verhindern und nachhaltige Mobilität ermöglichen, bezahlbaren Wohnraum schaffen, Sicherheit gewährleisten, die Stadt als attraktiven Wirtschaftsstandort mit geringer Arbeitslosigkeit entwickeln, den Haushalt sanieren, die städtische Infrastruktur wie Gebäude, Straßen oder Bildungseinrichtungen erneuern, ausbauen und zum Teil digitalisieren, auf den demographischen Wandel reagieren, Migrationsprobleme lösen, die Stadt ökologisch erneuern und kommunale Klimaziele erfüllen sowie das kulturelle Angebot aufrecht erhalten. Zudem werden Partizipations- und Beteiligungsformen für Bürger immer wichtig. Jede Kommune ist ein Brennglas nahezu aller Themen der „großen Politik“. Jedes Ministerresort im Bundeskabinett hat ein thematisches Äquivalent auf kommunaler Ebene – nur mit sehr viel weniger finanziellen Mitteln und Zuständigkeiten. Komplexe Systeme können in der Regel nicht ohne Informations- und Kommunikationstechnologien (IKT) beherrscht werden. Mit der fortschreitenden Digitalisierung der Gesellschaft, dem Trend zur Urbanisierung und der positiven Bevölkerungsentwicklung steigt auch die Nachfrage nach „intelligenten“ und vor allem digitalen Smart-City-Lösungen. Städte, die für Menschen und Unternehmen attraktiv bleiben wollen, müssen ihre digitalen Angebote vorantreiben. Ein smarter Ansatz sind internetbasierte Handels- und Kommunikationsplattformen, die Bürger, Unternehmen, Organisationen und Behörden als Social Community miteinander verbinden .

KI und Smart Cities: „Künstliche Stadt Intelligenz“

Künstliche Intelligenz ist eine Weiterentwicklung von automatisierter Software – Algorithmen, die sich selbst anpassen bzw. aus lernenden Systemen bilden. Mit KI kann die selbstlernende digitale Stadt entstehen. Angesichts der Besonderheiten im öffentlichen Sektor ist die Herausbildung eines eigenen Bereichs, einer „Künstlichen Stadt-Intelligenz“ zu erwarten . Die hohe Komplexität aus den Anforderungen an eine Smart City „schreit“ regelrecht nach Künstlicher Intelligenz. Vielen Smart-City- Projekten gemein sind die enormen Potenziale für eine deutliche Effizienzsteigerung und damit für Nachhaltigkeit in den jeweiligen Metropolen. Von der Wirtschaftlichkeit der Projekte hängt es nicht zuletzt ab, ob sich Smart Cities weltweit durchsetzen werden. Sowohl für die städtischen Verwaltungen wie für die Partner der beteiligten Industrien besteht eine wesentliche Aufgabe darin, neue Geschäftsmodelle zu entwickeln, die Investitionen in intelligente Städte lohnenswert machen. Zu häufig zeigt sich hier oftmals noch die „Tragik der Allmende“ , als dass es keine ausreichenden Anreize für den einzelnen Bürger gibt, um beispielsweise vom bequemen Individualverkehr auf ressourcenschonenden ÖPNV umzusteigen oder die Waschmaschine laufen zu lassen, wenn der Gesamtbedarf eines Quartiers für Strom und Wasser gering sind. Ein zentraler Punkt bei der Akzeptanz und Annahme nachhaltiger Verhaltensweisen durch den Bürger ist der wahrgenommene Aufwand der betrieben werden muss, um ein gegebenes Ziel zu erreichen. Hier können Techniken der KI helfen, um den ökonomischen Spielraum für tragfähige Geschäftsmodelle zur nachhaltigen Stadtentwicklung zu vergrößern, indem entsprechende Systeme als hilfreich und effizient wahrgenommen werden. Gleichzeitig erlaubt ein KI-basierter Ansatz, die Vorhersagen zu verbessern, um beispielsweise öffentliche Infrastruktur effizienter nutzen zu können und Bedarfsspitzen zu dämpfen.

Mobilität

Im Bereich Mobilität kann mit KI vor allem die Verkehrssteuerung und -lenkung verbessert werden. So gehen schätzungsweise 10 bis 15 Prozent der Emissionen im innerstädtischen Straßenverkehr auf das Abbremsen und Beschleunigen von Fahrzeugen an Ampeln zurück. Durch optimierte Schaltzeitpunkte relevanter Signalgruppen kann unnötiges Beschleunigen oder Abbremsen vermieden bzw. reduziert und so der gesamte Verkehrsfluss verbessert werden. Im überwiegenden Teil Deutschlands werden Lichtsignalanlagen aber noch autonom gesteuert und von außen nur spezielle Programme mit unterschiedlichen Phasenablaufplänen für das Schalten der einzelnen Signalgruppen innerhalb eines Umlaufs kommuniziert (beispielsweise für Berufs-, Feierabendverkehr oder eine Nachtschaltung). Verkehrstechnische Phänomene wie eine „grüne Welle“ können entsprechend nur durch abgestimmte Ablaufpläne und eine Phasenverschiebung des zeitlichen Beginns eines Umlaufs aufeinanderfolgender Ampelanlagen modelliert werden. Eine zentrale Koordination findet jedoch bisher in der Regel nicht statt. Hierbei greift die Steuerung einer Lichtsignalanlage auch auf Sensorik wie Induktionsschleifen, Anmelder für ÖPNV oder Schaltern an Fußgängerampeln zurück, um bestimmte Schaltphasen der Signalgruppen zu verlängern, zu verkürzen oder ganz auszulassen, was eine Prognose zusätzlich erschwert. Hier bieten die verschiedenen Techniken der Regressionsanalyse aus dem maschinellen Lernen – wie Support Vector Machines, Random Forests oder Recurrent Neural Network – gute Ansätze, um hilfreiche Vorhersagen für die Schaltzeitpunkte der Signalgruppen zu liefern. Durch die Integration mit dem Navigationssystem eines Autos kann die Signalgruppe der relevanten Fahrspur identifiziert werden. Mit dieser Information erhalten die Verkehrsteilnehmer eine valide Entscheidungsgrundlage, um ihr Fahrverhalten entsprechend situativ anzupassen. Der Anreiz für einen einzelnen Verkehrsteilnehmer und somit der ökonomische Spielraum entsprechender Geschäftsmodelle liegt hierbei in der direkten Kraftstoffersparnis, die sich um rund zehn Prozent bewegen dürfte. Besonders interessant dürften solche Systeme vor allem für institutionelle Verkehrsteilnehmer, beispielsweise Taxiunternehmen, Busbetreiber, Lieferdienste oder ambulante Pflegedienste sein, da die Kraftstoffersparnis hier einen direkten, messbaren Beitrag zur Wirtschaftlichkeit liefert.

Energie

Im Rahmen der Energiewende findet zurzeit auch eine Dezentralisierung der energietechnischen Infrastruktur statt. So werden beispielsweise große Atomkraftwerke im Gigawattbereich durch viele kleinere Photovoltaik-, Biogas- und Windenergieanlagen im einstelligen Megawattbereich ersetzt. Ein Problem ist dabei die entstehende Notwendigkeit, die bestehende Infrastruktur in der Breite zu „ertüchtigen“, um diesem neuen Erzeugungsprofil Rechnung zu tragen. Auch hier kann KI im Kontext mit Smart Grids und Smart Metering helfen, Lastspitzen zu reduzieren und die Notwendigkeit des Stromtransportes zu minimieren. Im Grundsatz sollte gelten, dass lokal erzeugter Strom auch vorwiegend lokal verbraucht wird, was momentan nicht der Fall ist. Der überwiegende Teil des Stroms aus den neuen Energiequellen wird in das tradierte Hochspannungsstromnetz eingespeist, flankiert von Kohle und Gaskraftwerken für die Grund- und Spitzenlast. Hier können Techniken der KI einen Beitrag liefern, indem Pufferkapazitäten in Form von Hausbatterien, Traktionsbatterien von Elektroautos oder Quartiersbatterien geeignet eingebunden werden, um Lastspitzen eines Haushaltes oder eines ganzen Quartieres zu dämpfen.

Ausblick

Wenngleich Künstliche Intelligenz, insbesondere maschinelles Lernen, einen signifikanten Beitrag für eine nachhaltige Entwicklung urbaner Räume bieten kann, so sind in der Praxis noch zahlreiche Hürden für den Einsatz von KI in der vernetzen Stadt vorhanden. Eine der Herausforderung ist die Organisation der Stadt in klassische Ämter und Zuständigkeitsbereiche. Denn hier herrscht – wie in Unternehmen auch – vielfach noch ein „Silo-Denken“ vor. Eine der wichtigsten Erkenntnisse der Digitalisierung liegt darin, dass KI-Projekte aus einer Nutzensicht gesteuert werden müssen. Ohne eine „Data Driven Culture“, die den Aufbau der notwendigen Infrastruktur, das Fachwissen und die Integration in bestehende Prozesse und Systeme umfasst, ist KI nicht anwendbar . Die zweite Herausforderung für KI-basierte Lösungen der Smart City ist der vorhandene Digitalisierungsgrad einer Stadt. Ein hoher Digitalisierungsgrad erleichtert den Einsatz von KI, da mit analogen Prozessen und Datensilos in verschiedenen Abteilungen eine ganzheitliche Datensicht als Voraussetzung für den KI-Einsatz nur sehr schwer umzusetzen ist. Neben den organisatorischen Aspekten ist die Qualität der Daten entscheidend. Dazu ist eine konsistente und übergeordnete Datenstrategie notwendig. Egal welche KI-Lösungen betrachtet werden, alle sind von der Qualität und dem Umfang der bereitgestellten Daten abhängig. Allem voran die Verfügbarkeit von maschinenlesbaren Echtzeitdaten für die relevanten urbanen Phänomene im Rahmen von Open-Data Plattformen. Beispielsweise kaufen Städte Verkehrsmanagementsysteme von externen Anbietern ein, während die Rechte an den Daten viel zu häufig ungeklärt sind oder bei den Systemanbietern verbleiben. Diese bieten dann ihrerseits teilweise keine geeigneten Echtzeitschnittstellen oder verlangen horrende Lizensierungskosten, die nachgelagerte Geschäftsmodelle mit veredelten Daten unwirtschaftlich werden lassen. Hier müssen sich die Städte und Kommunen, beziehungsweise deren Stadtwerke, viel stärker als Datendienstleister im Sinne einer nachhaltigen Entwicklung verstehen. Allerdings sind viele Entscheidungsträger noch immer gehemmt, entsprechende Initiativen zu unterstützen, da es noch viele, teils berechtigte Bedenken gibt, dass diese Schnittstellen von außen angegriffen werden könnten, als kritisch eingestufte Systeme ausfallen oder die Akzeptanz der Bürger durch eine subjektiv wahrgenommene Überwachung ausbleibt.