Kolumne Smart-City-KI – eine kleine Heldenreise

Anbieter zum Thema

PROSOZ Herten GmbH

Fabasoft Deutschland GmbH

Disy Informationssysteme GmbH

Feinstaub, Schiffsdiesel und künstliche Intelligenz – eine unerwartete Verbindung. In dieser datenbasierten Geschichte wird ein unsichtbares Problem sichtbar gemacht. Professor Niehaves und Herr Dörnemann laden Sie ein auf eine kleine KI-Heldenreise zwischen Technikfrust und Durchbruch.

Die Luft riecht streng. Diesel, Ruß, irgendetwas Altes, das sich über das Wasser legt. Schiffe schieben sich den Fluss hinauf, langsam, tief im Wasser liegend. Manche stoßen dicke schwarze Schwaden aus, ­andere nur einen Hauch – aber es reicht. Wer hier an der falschen Stelle sitzt, rümpft die Nase. Irgendwann kam die Frage auf: Ist das nur nervig – oder auch schädlich? Und wenn ja, wie schädlich? Man hatte es wohl schon versucht zu messen. Woanders, am Rhein. Projekte, Sensoren, irgendwas mit Feinstaub, On-Shore, Off-Shore. Aber nie mit richtigem Erfolg. Zu viele Störfaktoren, zu wenig Aussagekraft.

Doch die Frage blieb. Und mit ihr die Ahnung: Vielleicht lässt sich das mit der Messung besser machen. Mit besseren Daten? Oder einfach mehr davon? Mit besserer Technik? Und mit dem Willen, dorthin zu gehen, wo's unbequem wird – ans Wasser, an den Rand der Netzabdeckung, in die Komfortzone der Transportwirtschaft und direkt in die Abgasspur.

Daten und Muster

Also begann die Suche. Nach Daten, nach Mustern, nach Beweisen. Schiffspositionen? Gab's online. Kommerziell aufbereitet, samt Education Rabatt, zum Vorteilspreis von 4.950 Euro – pro Monat versteht sich. Kurz über Projekt­abbruch nachgedacht. Dann weitergesucht. Und gefunden, den ­DataStream der norwegischen ­Küstenwache. Für 0 Euro. Aber: API-Eigenentwicklung in Nachtschicht. Live-Daten, Routen, Geschwindigkeiten. Ein Anfang.

Aber wie steht es um die Luft? Feinstaubwerte? PM2.5, PM10? Handliche Sensoren waren nötig. Die ­alten Lösungen aus früheren Projekten? Kaum zu gebrauchen. Stromversorgung, WLAN – alles schwierig so nah am Fluss. Also musste ein komplett neues Sensorik-Setup entworfen werden: batteriebetriebene Sensoren mit mobiler Netzwerkanbindung. Autark. Wetterfest (Spoiler: wird sich noch zeigen). Zielgerichtet, zugeschnitten und ohne Overhead. Und vor allem: einsatzbereit.

Ein Prototyp entstand. Dann zwei. Schließlich zehn. Sie wurden verteilt, entlang der Weser, möglichst nah an der Abgasspur. Manchmal freudig von den Anrainern begrüßt, manchmal auch vom Hof gejagt. Egal. Daten sammeln. Beobachten. Warten. Batterien wechseln. Repeat. Doch der Weg war alles andere als klar. Vandalen sabotierten, die Technik zickte. Und noch war nicht sicher: Würde das alles funktionieren? Oder war es nur ein weiterer Versuch, schlechte Luftqualität mit Binnenschifffahrt in Verbindung zu bringen, der ins Leere lief?

Daten kamen – erstmal. Doch was kam, war kaum zu gebrauchen. Acht Sensoren lieferten Müll: ­Werte sprangen wild, Funkloch, Werte zeigten Null, dann plötzlich Spitzen, wieder Funkloch. Der Verdacht: Die Positionen waren zu ­offen gewählt, zu weit draußen, zu zugänglich. Wind, Passanten, direkte Sonneneinstrahlung, Regen und Kapillarwirkung – alles mögliche Störquellen. Nur zwei Sensoren taten, was sie sollten. Unauffällig, abgeschottet, fast vergessen, jenseits menschlicher Zuwendung. Ihre Daten: plausibel, konstant, sensibel für Schiffsbewegungen.

Glücksfall Sensor 41967

Und dann kam noch einer dazu: Sensor 41967, aus der Sensor-Community. Nicht mal Teil des ­Setups, kabelgebunden, eigentlich am falschen Ort. Und trotzdem: perfekte Werte. Ein Glücksfall. Es entstand eine neue Allianz – mit Menschen aus der CivicTech-Community. Die Mission war nicht mehr allein. Und der Datensatz wuchs – langsam, aber brauchbar. Doch das nächste Problem kündigte sich bereits an: Wie daraus ein Muster erkennen? Und welches Modell sollte den nächsten Schritt gehen?

Mit tiefen neuronalen Netzwerken auf Spatzen schießen? Eine nicht näher zu spezifizierende Anzahl von Kilowattstunden in den Äther von Rechenzentren am anderen Ende der Welt blasen, um dort die Luft zu belasten? Dann doch lieber handlich, klein, autark und ­lokal – wie die eingesetzte Hardware - betrieben auf der eigenen Maschine. AdaBoost und XGBoost sind hier nicht nur theoretisch eine gute Wahl, sondern decken auch das Bedürfnis an eine handliche Implementierung.

Doch was kam, enttäuschte. Schlechte Erkennungsraten. Zu viele Fehlalarme. Keine klare Aussage. Stunden vergingen in Modell­optimierung, Anpassung, Cross-Validation. Alles drehte sich im Kreis. Die Hypothese stand, aber die Modelle schwiegen. Dann, fast beiläufig, wurde ein Außenseiter-Modell getestet. Random Forest. Nicht die erste Wahl, nicht im ­Fokus.

Aber plötzlich: klare Signale. Aus Feinstaubkurven und Schiffsbewegungen bilden sich Muster, d.h. mit Feinstaubsensoren können wir die Anwesenheit von Schiffen auf dem Gewässer nachweisen. Nicht perfekt, aber deutlich. Mit einfachsten Mitteln. Der Moment war still, fast nüchtern – aber er zählte. Zum ersten Mal war er da: der Nachweis. Der Zusammenhang. Kein Zufall, kein Bauchgefühl, ­sondern statistisch belastbar und ablesbar. Binnenschifffahrt – sie beeinflusst die Luftqualität am Fluss.

Und jetzt? Und heute? Wieder am Fluss. Dieselgeruch hängt in der Luft. Schiffe ziehen vorbei, wie eh und je. Doch etwas hat sich verändert. Die Daten erzählen jetzt eine Geschichte – von Motoren und Partikeln, von Kursen und Konzen­trationen. Das dumpfe Gefühl, die Vermutung hat Platz gemacht. Gewissheit: Es ist messbar. Nachgewiesen. Die Modelle zeigen: Wenn Schiffe passieren, steigt der Feinstaub. Nicht überall, nicht immer – aber oft genug, um sicher zu sein. Für Anwohner mit Flussblick ist das eine mittelgute Nachricht. Die Luft ist schlechter, als sie scheint. Und dennoch wird sich kaum etwas ändern. Die Schifffahrt bleibt – systemrelevant, wirtschaftlich unantastbar.

Wer messen kann, kann auch fragen

Aber nun weiß man es. Das stille Naserümpfen hat eine wissenschaftliche Stimme bekommen. ­Eine, die zählen kann, die korrelieren kann, die sagt: Es stimmt. Und das ist nicht nichts. Denn wer messen kann, kann auch fragen. Und vielleicht – irgendwann – verändern. Bis dahin: sitzen am Fluss. Beobachten. Wissen. Und beim nächsten Hauch von Diesel wissen, woher er kommt. Und was er bedeutet.

Vielen Dank an die Studierenden der Projekte AIxCIty und WeserML,­ an alle Betreuenden und die vielen kleinen und großen Beiträge zum Erfolg. Und natürlich an: ­Sensor 41967!

Die Autoren:

Prof. Dr. Dr. Björn Niehaves ist Informatikprofessor und Politikwissenschaftler, leitet die Arbeitsgruppe „Digitale Transformation öffentlicher Dienste“ an der Universität Bremen und berichtet in der wissenschaftlichen Kolumne über aktuelle Forschungsergebnisse zur digitalen Verwaltung. Zum Linkedin-Profil

Robin Dörnemann ist Informatiker und Teil des Kompetenzteams „Secure Communication“ der Governikus GmbH & Co. KG. Zuvor hat er sich als Student und Mitarbeiter an der Arbeitsgruppe „Digitale Transformation öffentlicher Dienste“ an der Universität Bremen mit künstlicher Intelligenz im Smart-City-Kontext beschäftigt. Zum Linkedin-Profil

(ID:50474543)