Wir haben 330 Mitarbeiter hier in Hannover. Die sind alle am Listerplatz in Oststadt, ein größtenteils Softwareentwickler. Wir haben noch zwei Töchter, die mobiles Ticketing machen, einmal die EOS Update in Hamburg und Beidmark in New York. Und haben auch noch ein paar Siemens-Teams dazubekommen, sodass wir ungefähr 700 Personen sind,

die jetzt gemeinsam an digitalen Lösungen für intelligente Mobilität arbeiten. Unsere Kunden sind in der Regel die großen nationalen Eisenbahnen in Europa, also sowas wie Deutsche Bahn zum Beispiel oder die französische Staatsbahn usw.

Aber auch viele Verkehrsunternehmen, lokale Verkehrsunternehmen auf der Liste finden sie leider die regionalen Unternehmen hier in Hannover nicht. Der Profit ist im eigenen Land oft nicht so viel wert. Sie haben aber trotzdem durch eine App, die wir hier in den App Store gestellt haben, MyHannover heißt, durch die Gelegenheit hier in Hannover auch unsere Produkte mal ausprobieren zu können.

Und wir haben Kunden wie zum Beispiel die Automotive-Industrie, die sich auch dem ÖPNV nähert und diese Daten in ihre Systeme integrieren möchte, ins Fahrzeug integrieren möchte. Aber auch Kunden wie Apple und Google, denen wir helfen, entsprechende Daten so zu verarbeiten,

dass sie zum Beispiel in den Google-Karten mit Echtzeitdaten für Busse in New York zum Beispiel erscheinen können. Das ist unser Kontext. Man sieht, es sind viele Kunden, es sind große Kunden mit vielen Nutzern, Millionen von Nutzern und da entsteht tatsächlich die Datenmenge, die Sie eben angesprochen haben, die natürlich eine wunderbare Eingangsdatenmenge ist, um Machine Learning auf diesen Daten durchführen zu können.

2015 ist schon ein paar Jahre her und wirkt vielleicht ein bisschen peinlich, dass man das noch zeigen möchte, aber trotzdem haben wir uns so darüber gefreut, dass wir es immer noch zeigen müssen. Da sind wir vom MIT Technology Review auf die Liste der 50 smartesten Firmen weltweit gelandet

und stehen da so in einer illustren Runde zwischen Uber und Tesla eingekesselt. Und das Thema, warum wir auf diese Liste gekommen sind, ist aber eben genau die intelligente Mobilität, die damals schon beim MIT als wichtige zukunftsweisende Technologie,

die das Leben von Millionen Menschen weltweit beeinflussen, wird eben erkannt worden ist. Da wir in diesem Fall schon sehr viele Systeme live hatten, die diese intelligente Mobilität abgebildet haben, sind wir auf diese Liste geraten. Wenn wir über Machine Learning reden, dann gibt es ein paar Anwendungsfälle, die sind sehr offensichtlich auf Basis der Daten, die durch unsere Systeme durchfließen.

Und da sind zum Beispiel Echtzeitdaten, die wir jetzt schon in unseren Systemen verarbeiten. Wir haben Kompositionsmeldungen von Straßenbahnen, Zügen und Bussen. Und die dienen natürlich dazu, um den Kunden die aktuelle Echtzeitsituation der Systeme darstellen zu können. Aber die kann man natürlich auch aufzeichnen und kriegt dann sozusagen darüber natürlich auch historische Erfahrungen.

Wie haben sich bestimmte Szenarien, die in der Vergangenheit stattgefunden haben, immer wieder vielleicht gleichartig ausgewirkt. Da kann man entsprechendes Clustering machen und Patterns erkennen, um daraus dann auch eine Prognose zu ermitteln. Also sowas wie, wenn der ICE nach Berlin in Hannover mit plus zehn Minuten losgefahren ist,

dann wird er wahrscheinlich in Berlin-Hauptbahnhof mit plus 18 Minuten ankommen. Es sei denn, es ist ein Freitag, da ist nochmal alles anders. Es sei denn, es wiederum sind Ferien, da ist es dann wiederum nochmal anders und so weiter. Und da kann man mit relativ einfachen Algorithmen, mit sehr einfachen Modellen, die am sehr simplen Ende des Modellbereichs sind, schon vergleichsweise solide Ergebnisse erzielen.

Der Störfaktor ist wiederum der Mensch. Es gibt in diesen ganzen Prozessen noch sehr viele manuelle Handgriffe. Und da müsste man sozusagen als Eingangsdatum auch den Fahrdienstleiter und den Disponenten mit reinnehmen, um dessen Verhalten nochmal in den Algorithmus mit einfließen zu lassen.

Das sind so die Dinge, die dann Machine Learning teilweise wieder stören. Das Gleiche gilt für Belegungsdaten. Also wenn wir zum Beispiel Belegungsdatenmuster bekommen von Zügen, das sind Zwischenzüge, die jetzt in London fahren, Computerzüge, dann kann man natürlich auch aus diesen Mustern wunderbare Vorhersagen machen, Ganglinien berechnen, wie entsprechende Belegungen in der Zukunft sein werden,

was wiederum zur reisenden Lenkung sehr wertvolle Informationen darstellt. Das Kundenfrontend, was wir haben, sind in der Regel inzwischen Apps. Apps unter iOS, Android, aber auch Web-Apps, die auf dem Desktop laufen. Und dort haben natürlich sehr, sehr viele Anwendungsfälle.

Die Kunden generieren Daten, die Kunden formulieren dort ihre Reisewünsche. Und das ist eine entsprechend sehr große Datenmenge, die wir generieren. Das ist so eine Übersicht der Apps, die da so draußen unterwegs sind. Und diese Apps unterstützen in der Regel eigentlich zwei Phasen eines Reises, nämlich einmal die Planungsphase.

Also vor einer Reise, wie komme ich denn eigentlich von A nach B? Dann wird auch ein Produkt gekauft. Am Ende wird also sozusagen dokumentiert, welche Entscheidungen der Kunde tatsächlich gefällt hat aus Basis des Angebots. Und dann wird dem Kunden auch vor der Reise, werden vielleicht schon Updates gegeben, Informationen, die dann eben zum Beispiel wieder aus entsprechenden Mustern

und Echtzeitdaten generiert werden können. Also zum Beispiel die Warnung, der Zug wird sehr voll werden, bitte vielleicht eine Platzreservierung kaufen, ist so ein typischer Anwendungsfall. Während der Reise kann wir kontinuierlich Daten ins System reinfließen. Die Echtzeitdatenlage verändert sich kontinuierlich. Vielleicht verpasst man seinen Anschluss, weil der aktuelle Zug verschwätet ist.

Vielleicht wird man ihn aber doch wieder bekommen, weil vielleicht auch der abprägende Zug, den man erreichen möchte, wiederum eine Verspätung aufbauen wird. Und auch da ist wieder die Qualität von Prognosedaten auf Basis von historischen Pattern eine sehr, sehr wichtige Eingangsdatenlage. Und das Ganze geht dann so weit, dass wir ähnlich wie ein Pkw-Navigationssystem

natürlich den Kunden auch gerne tatsächlich Schritt für Schritt durch seine Reisekette begleiten wollen. Und da gehen dann noch Eingangsdaten rein, wie voll ist zum Beispiel gerade der Bahnhof, wie lange brauche ich dann tatsächlich von Gleis 1 zu Gleis 7 funktioniert der Aufzug und solche Dinge.

Um mal so ein bisschen die anfallenden Datenmengen zu illustrieren, hier mal so verschiedene Beispiele. Die meistgenutzte App ist der Debi-Navigator. Die hat ungefähr 30 Millionen Downloads. Darin enthalten ist der komplette ÖPNV in Deutschland und das komplette europäische Eisenbahnnetz. Wir haben so 30 bis 40 Millionen Anfragen pro Tag von Verbindungswünschen.

Und daraus entstehen natürlich schon signifikante Datenmengen, die man gut nutzen kann, um Analysen darauf betreiben zu können. Alleine eine App für die BVG in Berlin hat auch 3 Millionen Downloads, hat so 500.000 Anfragen am Tag. Und mal ein Beispiel aus Dänemark.

Dort ist die App Reiseplan, die einzige ÖPNV-App sozusagen in Dänemark mit 4 Millionen Downloads. Das ist sehr erstaunlich bei nur 5 Millionen Einwohnern von Dänemark. Eine sehr gute Durchdringung. Auch sehr, sehr viele Daten, die da generiert werden. Intelligente Digitalisierung von Mobilität bedingt oft, wenn man sich Beispiele wie Uber anschaut,

nicht nur, dass der Kunde einen guten Zugang bekommt über digitale Instrumente und gute Prognosen, sondern eben auch das Unternehmen selber komplett digitalisiert ist. Bei Uber ist das klassischerweise so, der Endkunde hat eine App, mit der er sozusagen seinen Fahrtwunsch formulieren kann. Und dann kann er den entsprechenden Fahrer aussuchen und sieht auch, dass Fahrzeuge auf sich zukommen.

Der Fahrer wiederum kennt die Bewertung des Nutzers. Und Uber selber zentral kann dann noch durch Uber Pooling versuchen, vielleicht sogar mehrere Personen auf eine einzige Fahrt zu vereinen. Und diese Kombination ist natürlich dann eine Erfolgsgeschichte.

Und so eine ähnliche Kombination gibt es natürlich im ÖPNV auch. Also zum Beispiel eine Fahrer-App des Busfahrers, der seine aktuelle Position damit meldet, der Anschlussfahrgäste melden kann, wo wir aber auch entsprechend genau die GPS-Tracks des Busses aufzeichnen können und mit den Fahrplandaten vergleichen können und genau erkennen,

anhand der verschiedenen Muster ist überhaupt der Fahrplan solide genug und kann er entsprechend gefahren werden. Und diese Daten wiederum sind im Austausch mit den Kunden-Apps, die dann wiederum mit diesen Informationen versorgt werden können, zum Beispiel um Navigationstienste anzubieten. Das sind, wenn man nur den greinen ÖPNV betrachtet, noch vergleichsweise in sich geschlossene Systeme.

Es gibt einen Fahrplan, also einen Plan. Da gibt es Eingangsdaten, die sind auch schön klassifiziert. Eine Verspätung von zwei Minuten an dieser Haltestelle ist sehr exakter wert. Das alles wird ein bisschen komplizierter, wenn wir über Anschlussmobilität und erweiterte Mobilitätsdienste reden.

Was meinen wir damit? Da geht es um Dienste wie Carsharing, Autovermietungen, Leihfahrräder, Carpooling, also Mitwaffenzentralen wie Blablaka zum Beispiel.

Ridesharing sind alle Dienste, sei es nun Moja, Uber und sonstige Dienste, die letztendlich versuchen mit individuellen, nicht nach Fahrplan fahrenden Verkehren entsprechend mehrere Personen in einem Fahrzeug mitzunehmen. Es geht aber auch um Elektromobilität, also die Kombination aus, mit meinem Elektrofahrzeug irgendwo hinzufahren,

das dann dort auch wahrscheinlich mit einer freien Ladesäule laden zu können, dann zum Ziel mit dem ÖPNV zu fahren, rechtzeitig zurückzukommen, um die Ladesäule nicht zu blockieren und dann mit dem vollgeladenen Elektroauto sozusagen wieder in den Rückweg einzutreten. Ganz klassische Parkplatzdaten. Und ein ganz wichtiges Element ist für uns das Demand Responsive, also Bedarfsverkehre,

kommen wir später nochmal zu, wo wir einen sehr, sehr hohen Bedarf für maschinelles Lernen sehen, um solche Systeme entsprechend intelligent auszubestalten. Wenn wir all diese verschiedenen Verkehrsformen mit integrieren, also zu Fuß zu gehen, das eigene Auto zu nutzen,

den ÖPNV, den Reisebus, die Flüge, Park & Ride, Bike & Ride, Car Sharing und so weiter, bis hin zum selbstfahrenden Auto, was wahrscheinlich in Zukunft mal eine neue Mobilitätsform des Bedarfsverkehrs darstellt,

weil eben durch den fehlenden Fahrer günstig anzubieten und damit in der Fläche besser bereitzustellen. Wenn man diese Dienste alle mit einbezieht, dann kommen Lösungen heraus wie die folgende. Das ist ein Beispiel der Schweizer Bahn in der Schweiz, offensichtlich, wo eben diese verschiedenen Verkehrsdienste integriert in einem System sind.

Und wenn Sie bei Google Maps zum Beispiel eine Route suchen, dann schlägt Google Maps Ihnen vor, wollen Sie mit dem Pkw fahren oder wollen Sie mit dem ÖV fahren oder mit dem Fahrrad. Und der Fußweg wird auch immer noch angezeigt, das sind dann 2860 Kilometer und dauert mehrere Tage.

Was aber Google Maps nicht anbietet, ist die Kombination von verschiedenen Verkehrern, also Reiseketten zu bilden, die letztendlich darauf beruhen, intelligent die verschiedenen Verkehrsformen miteinander zu verbinden. Und das sind genau die Dinge, die wir versuchen mit unseren Kunden zusammen. Und hier zum Beispiel sieht man jetzt Fahrten, die entweder mit dem eigenen Auto komplett stattfinden

oder aber auch mit dem Fahrrad zu einer Car-Sharing-Station führen oder eben zu Fuß zu einer Car-Sharing-Station führen oder eben auch, wo man zum Beispiel mit einem Mietfahrrad zum Zug fährt, mit dem Zug zum Ziel und dann mit dem Mietfahrrad weiter. Und das Ganze dann integriert in einer Buchung, in einer App buchbar ist,

inklusive zum Beispiel des Parkplatzes, den man auch benötigt, um sein Auto dann am Bahnhof abzustellen und mit dem Zug weiter zu fahren. Und natürlich brauchen diese Daten, brauchen diese Systeme insbesondere gute Prognosen, wie die Verfügbarkeit dieser verschiedenen Mobilitätsdienste in der Zukunft sich darstellen.

Wenn Sie in Berlin sind, da gibt es Car2go, DriveNow und sonstige Car-Sharing-Dienste, diese Autos können Sie immer nur 15 Minuten, bevor Sie das Auto nutzen wollen, reservieren. Wenn Sie jetzt also in Hannover mit dem Zug losfahren und sich überlegen, wie komme ich in Berlin an mein finales Ziel, dann ist es sehr, sehr wichtig zu wissen, wie wahrscheinlich ist das, dass ich, wenn ich um 17 Uhr heute am Berliner Hauptbahnhof ankomme

und ich entscheide mich dafür, ein Car2go-Auto zu nehmen, wie wahrscheinlich ist das eigentlich, dass ich da auch eins vorfinde. Das ist nicht garantiert, da gibt es keinen Fahrplan, sondern da kann man nur mit Heuristiken, entsprechenden Pattern-Matchings sozusagen versuchen, das zu lernen und da gute Ganglinien zu haben, um überhaupt diese Empfehlung auszusprechen.

Noch ein Beispiel aus Dubai, da sind auch entsprechende Limousinen-Services mit integriert, neben den anderen Verkehrsformen und da kann man dann eben zum Beispiel mit dem Bus irgendwo ankommen und dann ein Uber oder ein Careem, das ist ein dubaianisches Uber, entsprechend buchen

und sieht dann auch wieder, wie bei Uber selber, wie der Fahrer heißt, wie die Bewertung ist und wie das Fahrzeug auf einen zukommt. Und natürlich auch diese Verfügbarkeit dieser Limousinen-Services ist ja kein garantiertes Produkt sozusagen, sondern auch das buche ich erst, wenn ich mich langsam dem Ziel nähere, wo ich dann an das Verkehrsmittel umsteige.

Insofern ist es sehr, sehr wichtig, die Verfügbarkeit dieser Fahrzeuge im Fonds hinein auf Basis von historischen Daten, die man aufgezeichnet hat, zu lernen. Es gibt aber nicht nur das Problem, dass man die Verfügbarkeit der verschiedenen Verkehrsmittel lernen möchte, die eben nicht nach einem Fahrplan funktionieren, sondern die eben vom Nutzerverhalten anderer Menschen mit abhängen,

sondern ein ganz großes Problem hat sich uns gestellt, dass wir haben nicht mehr das Problem, dass wir diese Kombination von verschiedenen Verkehrsmitteln gut berechnen können. Wir finden sehr, sehr gute Routen, wir finden sehr, sehr viele Routen, wie man von A nach B kommt. Das Problem ist, dass der Mensch bei der Auswahl von verschiedenen Reiseketten inzwischen überfordert ist.

Wir haben da Untersuchungen gemacht und wir stellen inzwischen fest, dass so ein normaler Nutzer bei mehr als sieben verschiedenen Alternativen, wie man von A nach B in Kombination verschiedener Verkehrsmittel fährt, aussteigt. Also das ansichtlich nicht mehr komfortabel aussuchen mag.

Und die Frage ist, wie finde ich sozusagen aus dem Angebot, was aus der Komplexität der Möglichkeiten der Kombinatorik entsteht, sozusagen die richtigen Reiseketten, die tatsächlich auch für den Nutzer hilfreich sind. Und wir haben natürlich erst einmal straight forward gedacht und haben versucht, allgemeine Geschäftsregeln zu finden. Es gibt niemanden, der mit einem Carsharing-Auto zu einer Bushaltestelle fährt und dann da in den Bus steigt und weiter fährt.

Und dann implementiert man das und einen Tag später ruft einer an und sagt, warum habt ihr mir das nicht gezeigt, so mache ich das immer. Also das ist genau das Problem. Und deswegen, bei uns subsumiert unter dem Stichwort My Mobility, haben wir seit ungefähr einem Jahr vermehrte Anstrengungen, das individuelle Nutzerverhalten zu monitoren

und daraus letztendlich Nutzerverhalten zu lernen. Weil was auch nicht funktioniert, ist, den Nutzer einfach zu clustern und zu sagen, der Herr Sünderkamp ist vielleicht ein Geschäftsmann und der Herr Müller ist vielleicht ein Student und so weiter,

weil die Rollen ändern sich, ja, kontextbasiert. Wenn ich mit sieben Kindern zum Kindergeburtstag unterwegs bin, ist mein Verhalten anderes, als wenn ich geschäftlich zu einem Termin fahre. Das Verhalten ist auch anders, ob es vielleicht gerade regnet und sonstige Randbedingungen, die da eben bestehen.

Wenn ich vielleicht zu Freunden fahre, die mich vom Bahnhof abholen, ist mein Mobilitätsverhalten ein anderes, als wenn ich irgendwo hinfahre, wo mich eben niemand kennt und niemand vom Bahnhof abholt. Und das zu verstehen, subsumieren wir unter My Mobility. Und da geht es eben darum, die Komplexität vom Nutzer wegzunehmen, dass der eben nicht durch viele Parameter, die der in seiner Anfrage stellt,

also in seinem Wunsch, wie er von A nach B kommen möchte, wegzukommen und eben durch das aufgezeichnete Nutzerverhalten individuelle Vorschläge zu unterbreiten, die dann eben proaktiver sind. Das Ganze ist stark im Spannungsfeld der Datenschutzbestimmungen zu sehen.

Natürlich braucht es in jedem Fall ein aktives Opt-in des Nutzers. Der Nutzer muss den Mehrwert solcher Dienste für sich erkennen und bereit sein, die Daten aufzuzeichnen. Und man muss auch sehr genau darüber nachdenken, welches Machine Learning man wo macht,

also welche Daten gelangen überhaupt auf den Server und was macht man zum Beispiel auf dem lokalen Endgerät des Nutzers, um sozusagen in dem Spannungsfeld Datenschutzgrundverordnung da den richtigen Weg zu finden. Das Ganze folgt dann dem Tenor less UI, more AI, also mehr künstliche Intelligenz und weniger User Interface.

Es gibt einfach gewisse Komplexitäten, die kann man nicht mehr durch geschicktes User Interface Design überdecken, überpinseln, sondern da muss man einfach Komplexität rausnehmen. Und das kann man eben nur durch die Individualisierung des Angebots und das wiederum kann eigentlich nur durch maschinelles Lernen geschickt.

Da gibt es so ganz simple Use Cases, wie zum Beispiel eine automatische Erkennung, wo denn mein Zuhause und wo denn meine Arbeitsstätte ist. Das kann man anhand von Aufenthaltsdauern, Häufigkeit von Aufenthalten, sehr, sehr einfach klastern. Also da wo man tagsüber ist, ist wahrscheinlich eher die Arbeitsstelle, da wo man die Nacht verbringt, ist wahrscheinlich Zuhause.

Jetzt kommt der Nachtschichtarbeiter, der zerstört das einfache Modell direkt wieder. Also natürlich müssen da weitere Eingangsdaten reingehen. Man kann auch die Geografie ein bisschen erkennen, in welchem Bereich ist denn die jeweilige Lokalität usw. Man kann dann zum Beispiel schon mal automatisch entsprechend wichtige Orte des Kunden klassifizieren.

Viel wichtiger aber für die Proaktivität der Dienste ist es Nutzerverhalten zu erkennen und das ist eben sehr, sehr individuell. Da gibt es zum Beispiel den Fall, dass der Pendler vielleicht zweimal die Woche einen Termin hat und zweimal die Woche zum Beispiel hier zur Uni fährt.

Und wenn man das erkennt, dann demjenigen auch direkt gleich passend, ohne dass Nutzeraktivität notwendig war, gleich das richtige Ticket vorzuschlagen. Durch einen einzigen Knopfdruck sozusagen die Komfortfunktion haben und nicht den Nutzer dazu aufzufordern, erst eine Route zur Uni zu suchen, weil die kennt er sowieso. Dann fährt das jeden Tag, er weiß welche Straßenlinie genutzt werden muss, aber einfach direkt das Ticket vorzuschlagen.

Oder da gibt es eben vielleicht den Fall, man kommt einem Flughafen an und das Nutzerverhalten, wie man vom Flughafen in die Stadt fährt, ändert sich von der Tageszeit und dem jeweiligen vielleicht auch Wochentag. Vielleicht in den Abendstunden möchte man nicht mit dem ÖPNV fahren, weil man sich nicht sicher genug fühlt, weil aber auch die Service-Dichte nicht mehr so groß ist und es einfach unbequem ist,

während man tagsüber dann vielleicht doch eher den ÖPNV nimmt, weil wenn man dann Taxi nehmen würde, man im Stau stehen würde, weil gerade Raschauer ist. Und dieses Verhalten ist sehr individuell und kontextbasiert und wenn man natürlich solche wiederkehrenden Verhaltensmuster erkennen, dann können wir dem Nutzer zumindest gute Vorschläge machen,

die er natürlich im Zweifel, wenn die Situation dann doch mal anders ist als das gelernte Verhalten, dann natürlich wieder übersteuern kann und sagen kann, ich habe doch einen anderen Wunsch von A nach B zu fahren. Ja, gerade habe ich über die integrierte Mobilität gesprochen, also nicht nur sich auf allein bestimmte Verkehrsträger zu beziehen,

sondern insbesondere die Kombinatorik von verschiedenen Verkehrsträgern zu nutzen, um daraus gute Vorschläge zu machen, wie man von A nach B fahren kann. Da haben wir erstmal nur den reinen Auskunftsteil betrachtet, dann gibt es so ein Schlagwort

-Busword, was schon auch so langsam wieder sogar schon wieder ein bisschen aus der Mode kommt, Mobility as a Service, das geht den nächsten Schritt und versucht daraus auch ein Produkt zu machen. Also nicht nur dem Kunden die Information zu geben, du kannst dir erst hier ein Östra-Ticket kaufen, zwei Zonen, und dann kannst du dir über die Car2go App ein Auto mieten und dann am

Ziel vielleicht noch einen Taxi selber rufen, sondern das sozusagen als ein integriertes Produkt anzubieten. Und wenn man da ein bisschen die Geschichte der Digitalisierung in anderen Branchen betrachtet, hier mal ein Beispiel der Musikindustrie, da hatten wir ja 1995 eigentlich noch, wenn man Musik haben wollte, ist man in ein lokales Geschäft gegangen, eine CD gekauft,

2000 um die Zeit wurde dann der Online-Handel ganz groß, da hat man die CD eher bei Amazon bestellt, ist nicht mehr ins Geschäft gegangen, aber das Produkt war weiterhin noch das ursprüngliche Produkt, was eben dann nur über digitale Kanäle auswählbar war. Und das ist quasi der Status, wie wir den aktuell haben, wenn wir solche Auskunftssysteme haben, die einem Reiseketten anbieten,

dann ist das Produkt immer noch das Gleiche wie vorher, nämlich einen Einzelfahrschein und vielleicht ein DB-Ticket und irgendwie ein gebuchtes Taxi, aber es ist schon über digitale Kanäle verfügbar gemacht und einfacher sozusagen auswählbar.

Dann kam aber irgendwann iTunes, hat das Produkt selber virtualisiert, also ich konnte es nicht nur online kaufen, sondern es wurde auch online ausgeliefert, nämlich als MP3-Datei, und dann irgendwann 2010 kamen so Dienste wie Spotify, die dann das ganze sogar das digitale Produkt sozusagen virtualisiert haben und alles auf Streaming umgestellt haben

und mit dem Streaming zusammen daraus dann auch den Flatrate angeboten haben. Und dann wird als einfacher Schluss oft gesagt, deswegen wird Mobilität eine ähnliche Geschichte erfahren. Mobilität wird auch irgendwann als Flatrate dem Bürger einer Stadt zur Verfügung stehen. Und natürlich gibt es da ein paar Einschränkungen, die sozusagen die Fortführung der Geschichte aus anderen Branchen so nicht so einfach macht.

Mobilität ist eben kein rein virtuelles Produkt, sondern wir brauchen am Ende Fahrzeuge, in die die Menschen einsteigen können, also Ressourcen, die Geld binden, die auch in irgendeine Form von Emissionen haben, auch Elektromobilität wird irgendwelche Auswirkungen haben

und wenn es am Ende auch nur ist, dass es vielleicht keine Emissionen sind, aber einfach der Platz auf der Straße entsprechend bei Anspruch wird. Natürlich können durch autonomes Fahren Kosten gesenkt werden, aber es werden trotzdem Pro-Fahrt-Kosten entstehen, anders als bei einer MP3-Datei, die ich nur einfach depliziere.

Insofern müssen Algorithmen, die gute Wege finden, dort anders funktionieren als einfach nur ein gutes Produktkatalog darzustellen und sozusagen über eine Flatrate das Produkt dann zu verkaufen. Dann unterscheiden sich die Produkte oder das Angebot ganz stark regional, wenn wir eher hohe Geiss im Harz uns betrachten,

dann kann man da staunlicherweise mit einer Dampflokomotive vorfahren, man wird vielleicht noch einen Taxi rufen können, wird vielleicht eine Stunde dauern bis das kommt, da gibt es einen Fahrradverleih und es fährt alle drei Stunden einem Bus vorbei. Das ist natürlich eine andere Situation, als wir zum Beispiel eine Großstadt haben, wie in Berlin,

wo wir vier verschiedene Carsharing-Anbieter haben, mehrere Tausend Carsharing-Autos in der Stadt, wir haben mehrere Leihfahrrad-Anbieter, Elektrikscooter-Sharing und was nicht alles und natürlich auch ein sehr, sehr dichtes ÖPNV-Netz. Das heißt, das Produktmobilität ist einfach nicht wie zum Beispiel bei einem Musikangebot überall da,

wo ich einen Internetzugang habe, das Gleiche, sondern es ist stark abhängig auch von der lokalen Verfügbarkeit. Und auch hier sind wieder das Maschinelles Lernen unheimlich wichtig und gerade die Verfügbarkeit und vielleicht sogar teilweise knappen Ressourcen im ländlichen Raum gut zu verwalten,

sehr, sehr wichtig, weil wenn das Fahrzeug im Harz 60 Kilometer vom falschen Standort ist, wo es gerade benötigt wird, dann dauert es eine Stunde, um es an den Platz zu bringen, wo es benötigt würde. In der Stadt wiederum haben wir eine andere Situation. Dort haben wir in der Regel verstopfte Straßen, überlastete ÖPNV-Systeme. Da geht es eher um reisende Lenkung, um sozusagen die Systeme nicht kollabieren zu lassen.

Weil natürlich ist Mobilität auch ganz stark von einer politischen oder gesellschaftlichen Agenda bestimmt. Mit digitalen, intelligenten Mobilitätsdiensten wird in der Regel auch die Hoffnung verknüpft, Mobilität besser zu machen.

Zum einen besser zu machen im Sinne davon, dass Mobilität vielen Menschen zugänglich gemacht wird, die das vielleicht heute nicht optimal nutzen können, weil sie sich vielleicht kein eigenes Auto leisten können oder wollen. Aber natürlich auch im Bereich von Emissionen und natürlich auch den Platzbedarf gerade in den Städten.

Und wenn man rein nach der politischen Agenda geht und das Verkehrssystem dahingehend optimieren will, dann ist zu Fuß gehen das Allerbeste, was man sozusagen dem Bürger anziehen kann. Und die zweitbeste Option ist Fahrradfahren. Und dann kommt vielleicht so etwas wie Fahrrad und ÖPNV oder das Leihfahrrad.

Aber zum Beispiel das eigene Auto hier, das ist ganz unten das Allerschlechteste. Carpooling, dass mehrere Leute sich ein Auto teilen, ist so eine mittlere Option. Wenn man es allein dem Markt überlässt und das sozusagen als Business-Case betrachtet, dann kann man aber dummerweise mit genau den Diensten, die man politisch und gesellschaftlich nicht haben möchte, am meisten Geld verdienen.

Und das ist eben zum Beispiel das Limousinen-Fahrzeug der Uber, das ist der Flug, das ist die Vermittlung von Car-Sharing-Kunden und so weiter. Und da gibt es einen Konflikt, dass der freie Markt nicht zu dem führt, was sozusagen die Politik will. Und umgekehrt, die Politik vielleicht nicht genau das liefern kann, was vielleicht auch der Bürger möchte

und natürlich auch was entsprechende Unternehmungen, die Geld verdienen wollen, entsprechend als Bedürfnis haben, sodass wir da einen Interessenkonflikt haben zwischen öffentlichen Interessen und eben den individuellen Interessen, nämlich des Bürgers, der vielleicht auch gerne sagt, ich möchte einfach genauso weiter bequem reisen wie bisher,

ich möchte nicht Fahrrad fahren. Es gibt die Interessen der Unternehmen, die entsprechend natürlich Geld verdienen wollen und eben aber öffentliche Interessen wie geschicktes Routing, Stauvermeidung und Emissionsvermeidung. Und um das Ganze in eine Balance zu bringen, braucht es eigentlich gute Routing-Strategien

und die können wiederum nicht für jeden Nutzer nach Standardgeschäftsregeln immer gleich sein, sondern sind stark kontextabhängig mit sehr, sehr vielen Eingangsfaktoren, wie ist gerade die Situation auf der Straße, wie ist gerade die Tageszeit, ist gerade Smok-Alarm, ist vielleicht gerade Diesel-Fahrverbot ausgesprochen in einer bestimmten Region,

aber auch wie voll sind gerade die öffentlichen Verkehrsmittel, es bringt nichts den Leuten anzudienen, ihr Auto stehen zu lassen und alle in den Bus 100 zu steigen, der aber gerade schon überfüllt ist und an der Haltstelle vorbei fährt, weil dann niemand mehr reinpasst.

Und da geht es natürlich ganz stark darum, auch hier wieder Muster zu erkennen, Situationen zu lernen, um dann entsprechende reisenden Lenkungen, die dann vielleicht über preissensitive Incentive-Systeme gesteuert werden,

entsprechend in so ein System einfließen zu lassen, um eben diesen Interessen ausgleichen herstellen zu können. Da wir sehr viele Daten generieren durch die Systeme, beschäftigen uns seit zwei, drei Jahren intensiver mit Big Data Analysis, wir versuchen unseren Kunden klar zu machen, was für ein digitales Gold sie da in Händen halten und machen verschiedene Dinge.

Zum Beispiel haben wir hier mal die Anfragen in Berlin von Nutzern analysiert eines ganzen Jahres und haben geschaut, an welchen Stellen in Berlin gibt es weite Fußwege für die Menschen,

um überhaupt in das ÖPNV-System einsteigen zu können. Die sind da entsprechend rot und die grüneren Flecken, das sind sozusagen kürzere Fußwege. Und überall da, wo es so rot ist, da stellt sich eigentlich heraus, da entsteht ein größerer Mobilitätsbedarf, der aktuell nicht gedeckt werden kann,

weil lange Fußwege mag eigentlich fast niemand. Deswegen bietet sich an diesen Stellen zum Beispiel an, Linien umzuplanen oder vielleicht neue Mobilitätsformen wie so ein Moja-System vielleicht in einem ganz regionalen Umfeld sozusagen einzusetzen,

um überhaupt die Erreichbarkeit dieser Haltestellen entsprechend zu verbessern oder ein Live-Fahrrad-System an der Stelle zu installieren. Fahrzeiten sind natürlich auch sehr, sehr wichtig. Da wir die Carsharing-Daten in München zur Verfügung haben, der dort vorhandenen Carsharing-Dienste und natürlich auch das ÖPNV-Netz kennen,

haben wir über eine längere Zeit analysiert, was ist denn eigentlich schneller, mit einem Carsharing-Auto oder mit dem öffentlichen Verkehr zum Flughafen München zu fahren und das eben entsprechend auf die Karte dann gelehnt. Und man sieht dummerweise, dass aus dem Innenstadtbereich in München in der Regel

das Carsharing-Auto zumindest außerhalb der Stoßzeiten das schnellere Verkehrsmittel ist. Und das sind wieder interessante Aspekte, die zum Beispiel bei einer langfristigen Verkehrsplanung schon helfen, da zum Beispiel für Abhilfe zu sorgen.

Ein ganz wichtiger Punkt für unsere Kunden ist, Kapazitätsprognosen zu bekommen und normalerweise ist so ein Passagieraufkommen schon relativ gleichförmig. Alle wollen Freitags, Nachmittags nach Hause, alle wollen sonntags abends wieder zurück oder montags morgens.

Das sind so relativ vergleichseinfache Peaks, auf die man sich in gewisser Weise einstellen kann, sofern man denn genug Material hat, rollendes Material hat, um sich überhaupt darauf einstellen zu können. Was aber an Störungen sozusagen dazukommt, sind spezielle Events, also eine große Messe, irgendwelche Konzerte und so weiter.

Eine große Messe wie die Hannover Messe, die haben wir auch eingangs erwähnt gehabt, die wird sogar in den Fahrplan eingearbeitet, die ist bekannt, das ist kein Event, was einen überrascht. Events, die einen überraschen, sind verschiedene, gleichzeitig stattfindende Events, die sogar durchaus an unterschiedlichen Orten sind, die aber gleichzeitig eine Auswirkung auf das ÖPNV-System haben und die Kapazität.

Und das ist sehr, sehr wichtig. Wir haben hier mal zwei Beispiele aus Berlin. Wir haben da so ein Deppisch-Mod-Konzert und ein YouTube-Konzert, beide im Olympiastadion. Und man sieht anhand der Kurven, wie sich sozusagen Tage vorher schon durch die Anfragen von Nutzern eine Erkenntnis ergibt, dass da irgendwas ist.

Und jetzt kann man sagen, ja, ein YouTube-Konzert und ein Deppisch-Mod-Konzert durch Mustererkennung in Anfragedaten zu finden, wo mehrere Zehntausend Menschen in ein Fußballstadion gehen, das ist jetzt, sagen wir mal, algorithmisch nicht so herausfordernd.

Das kann man auch mit einem Excel-Sheet wahrscheinlich hinbekommen. Das stimmt. Das Interessante ist aber, dass die Form der Kurve relativ gleichförmig ist und man anhand von bestimmten Niveaus drei Tage vor dem Event durchaus die tatsächliche Reisendenmenge vorhersehen kann. Und da unten sieht man noch so ein paar Ausschläge, das sind kleinere Konzerte.

Also das ist zum Beispiel so was wie die Band Broilos, waren wir vorher nicht bekannt, die in einer kleineren Lokation spielen oder zum Beispiel auch ein Berliner Rundfunkorchester, was da entsprechend spielt. Und auch bei den kleineren Events ist der Verlauf der Kurve sehr, sehr ähnlich. Das heißt also, man kann aus diesem Anfrageverhalten der Nutzer, die sich überhaupt nur orientieren wollen mehrere Tage zuvor,

wie komme ich denn da hin, kann man schon den Beförderungsbedarf sozusagen Tage vorher erkennen. Und das sind natürlich sehr, sehr wichtige Daten für unsere Verkehrsunternehmen. Insbesondere, wenn die sich dann überlagern, weil man kann verschiedene Events,

die in einem gleichen Tag dann automatisch erkannt worden sind, dahingehend nutzen, dass man die auch auf einem Netz entsprechend visualisiert, wo es sozusagen durch Überlappung von An- und Abreiseverkehr auf bestimmten Linien sozusagen zu besonders hohen Engpässen kommt. Also es ist nicht nur allein die maximale Anzahl der Nutzer, die irgendwo an einem bestimmten Ort sein wollen,

sondern auch woher sie kommen bzw. wo sie in der Abreise wieder hin wollen und da dann mehrere Events an einem Tag stattfinden überlagern, die sich natürlich auf Teilen des Netzes und das sind sehr, sehr wertvolle Informationen, die man aus dieser Mustererkennung sozusagen gewinnen kann. Und man kann auch ganz andere wirklich bahnbrechende Erkenntnisse gewinnen, nämlich zum Beispiel,

wo wohnen denn eigentlich die U2-Fans und wo wohnen denn die Pechmot-Fans in Berlin? Man sieht, je röter, desto der Pechmot und je blauer, desto U2. Und man erkennt, Westberlin ist stark in U2-Hand und Ostberlin ist mehr so für der Pechmot. Damit kann das Verkehrsunternehmen jetzt nicht so viel anfangen,

aber das sind so Abfallprodukte, die man sozusagen da aus den Analysen noch rausbekommt. Für uns ganz wichtig, hatte ich eingangs schon erwähnt, Bedarfsverkehre, ÖPNV. Klassischerweise auf dem Land wird zunehmend zurückgefahren.

Es gibt noch nicht mal mehr Schüler, die mit dem Schulbus fahren wollen. Das heißt, der zweimal am Tag fahrende Schulbus wird auch noch eingestellt. Wie ersetzt man aber die Grundversorgung auf dem Land durch Bedarfsverkehre? Das sieht dann so aus. Da gab es schon Untersuchungen des Bundesministeriums für Verkehr, Bau und Stadtentwicklung 2009. Da wurde also die Zukunft des Bedarfsverkehrs in Deutschland erarbeitet und prognostiziert.

Und tatsächlich ist das auch noch der Stand, wie Bedarfsverkehr aktuell bei uns stattfindet. In anderen Regionen der Welt gibt es da sehr dynamische Dinge, die da passieren. Man denkt immer an Uber und solche Dienste, weil die eben in der Öffentlichkeit stark bekannt sind.

Aber zum Beispiel Grab ist der weltweit größte Bedarfsverkehrsanbieter. Die haben pro Tag drei Millionen Fahrten, die die entsprechend vermitteln, pro Tag. Und sind aber erst 2012 gegründet worden. Und bei uns sieht Bedarfsverkehr so aus.

Da gibt es irgendwelche Schilder, wann man anrufen muss, eine Stunde vorher und so weiter. Allein ich glaube, dass viele Studenten hier im Auditorium noch nie eine Wählscheibe benutzt haben. Das ist aber trotzdem noch sozusagen das Symbol für den Bedarfsverkehrsdienst, der dort vorhanden ist. Natürlich müssen diese Dienste, um effizient zu sein, ein gutes Angebot darzustellen

und gleichzeitig für den Steuerzahler Kosten in sich betrieben werden, müssen natürlich stark digitalisiert werden. Und bei dieser Digitalisierung dieser Dienste ist Machine Learning quasi essentiell, weil wir dort sehr, sehr viele diffuse Eingangsdaten haben. Diese Dienste holen ja die Leute in der Regel zu Hause ab.

Das heißt, da gibt es eine große Variante in Fahrtwünschen. Und da entsprechende Prognosen zu haben, wie viele Fahrzeuge brauche ich, wann in welcher Region, um da kurzfristig den Bedarf denken zu können, ohne aber zu viele Fahrzeuge vorzuhalten, ist ein sehr, sehr essentieller Wert. Und da stehen wir ganz am Anfang, arbeiten intensiv dran und sind dann natürlich über jede Kooperation froh,

die sich da vielleicht ergeben kann. Von der Auskunft vom Routing her haben wir zum Beispiel in Dänemark schon im ganzen Land integriert. Man kann das doch alles entsprechend kaufen. Aber eben die Disposition der Fahrzeuge in einer sehr intelligenten Art und Weise ist im Moment noch nicht wirklich gelöst.

Jetzt geht es den Schritt noch zurück. Siemens, wir haben ja erwähnt, wir sind inzwischen eine Siemens-Tochter. Siemens ist natürlich als großer Konzern durchaus auch in der Straßentechnik stark vertreten. Ampelanlagen, Verkehrssteuerung als Anlagen und so weiter.

Natürlich aber auch Züge, U-Bahnen und so weiter. Deswegen beschäftigt sich Siemens auch mit selbstfahrenden Fahrzeugen. Natürlich möchte Siemens keine Fahrzeuge bauen, sondern die Infrastruktur bereitstellen, damit Städte uns mit selbstfahrenden Fahrzeugen gut zusammen funktionieren.

Da sind zum Beispiel Beispiele, dass die Ampel eben den Fußgängerstrom, der um die Ecke stattfindet, den das U-Bahn-Fahrzeug vielleicht mit seiner Videokamera gar nicht sehen kann oder der Tesla, die kann ja nicht um die Ecke gucken, entsprechend schon durch Bilderkennung analysieren kann, damit er an das Fahrzeug übermitteln kann.

Weil ansonsten müssten zum Beispiel an Spreizungen, wo ganz starke Fußgängerverkehre sind, die selbstfahrenden Fahrzeuge mit sehr, sehr verlangsamter Geschwindigkeit nur abbiegen können, wenn es allein zum Beispiel auf Basis von Radar- und Videodaten funktionieren soll. Wenn aber schon die Infrastruktur um die Ecke gucken kann zum Beispiel, dann kann das sicherlich für den Verkehrsfluss wesentlich beschleunigt werden

und trotzdem hohe Sicherheitsfaktoren haben. Wenn der ÖPNV sich komplett umstellt auf weg von einzelfahrenden Bussen, also wir glauben, dass Züge und U-Bahnen erhalten bleiben als Massenbeförderungsmittel auf starken Linien, aber so der einzelne Bus, der durch den Vorort fährt, der wird in der Zukunft sicherlich durch selbstfahrende Fahrzeuge ersetzt werden

und das werden sicherlich kleinere Fahrzeuge sein, nicht mehr so groß wie ein Bus. Wenn aber der prognostizierte Fahrgastbedarf relativ hoch ist, dann müsste man natürlich mehrere von diesen Fahrzeugen einsetzen und wenn die dann wiederum wie einzelne Fahrzeuge mit großem Abschnitt hintereinander fahren, dann hat man eigentlich eher nichts gewonnen, sondern eher sogar Schaden angerichtet,

weil der Platz, den diese verschiedenen einzelnen kleineren Fahrzeuge einnehmen, die hintereinander fahren, dann sozusagen verschenkt ist, da gibt es das sogenannte Platuning, das also sozusagen selbstfahrende Fahrzeuge quasi digital miteinander verbunden in relativ kurzem Abstand als eine Einheit durch die Straßennetze fahren und die Technologie, an der wird eben auch entsprechend im Rahmen dieses Siemens Self-Driving Vehicle Programms gearbeitet.

Zum Abschluss möchte ich noch ein paar Fragen in den Raum stellen sozusagen. Das Wichtigste ist, glaube ich, dass Mobilität stark erfahrungs- und

man hat sozusagen eingefahrene Verhaltensmuster als Nutzer und wenn natürlich jetzt intelligente Machine Learning Algorithmen einem täglich ständig neue Vorschläge machen, dann ist das die Frage, wie groß die Nutzerakzeptanz ist. Also insofern ist die Frage, wie kriegen wir das hin?

Erkenntnisse, die wir mit Machine Learning gewinnen und die den Nutzer Entscheidungen abnehmen, gleichzeitig in Einklang zu bringen mit dem Menschen, der doch ein Gewohnheitstier ist und nicht ständig neue Vorschläge bekommen muss, möchte, wie er von A nach B kommt. Dann gibt es rein rechtliche Fragen, es gibt Fahrgastrechte.

Wenn ich so ein Produkt kaufe, wo ich verschiedene Verkehrsmittel miteinander verbinde und die Informationen über diese Verkehrsmittel sehr individualisiere, wie ist denn das dann eigentlich sozusagen mit Regressforderungen des Nutzers, wenn das am Ende nicht funktioniert hat und wie kann ich das nachvollziehbar machen? Dann sind wir natürlich mit den Datenschutzgrundverordnungen konfrontiert,

die im Konflikt stehen natürlich mit dem Wunsch, möglichst viele Daten zu sammeln, um die Algorithmen zu füttern. Da kann man aber sicherlich durch intelligente Systemdesigns durchaus Abhilfe schaffen und dann ganz am Ende, intelligente Mobilität wird sicherlich neue Mobilitätsformen erzeugen,

die wir vielleicht auch sehr bedarfsgerecht durch Machine Learning anbieten können. Dagegen steht aber noch ein sehr analoges Personenbeförderungsgesetz, was aus einer Zeit kommt, wo es eben nur Fahrpläne und Taxen gab. Und da ist eben auch die Frage, wie der Gesetzgeber das in den nächsten Jahren ermöglicht,

dass solche Dienste eben tatsächlich auch angeboten werden können, von denen wir wissen, dass sie genau die richtigen für den Nutzer und aber auch eben für die Allgemeinheit werden. Das war so mein Überblick. Ich habe ja gesagt, es wird etwas bodenständiger. Also ich habe mir Anlass gegeben, von Anwendungsfällen zu sprechen und weniger über die tatsächlichen Algorithmen, weil wir sind tatsächlich keine Experten in Machine Learning.

Wir begehen uns auch in das Feld rein, aber wir sind eben Experten dafür, um Mobilitätsdienste an den Mann und unsere Verkehrsunternehmen zu bringen. Insofern bedanke ich mich für Aufmerksamkeit.