Machine Learning: Werkzeug – Fluch – Innovation?
Das Wissen über Ablaufe in der Stadt ist eine essentielle Information für „gute Planung“ — alleine die Zugänglichkeit zu relevanten Daten ist schwierig, eigene Erhebungen kostenintensiv. Zur Detektion von Verkehrsströmen existieren z.B. verschiedene Methoden: Zahlschleifen, Infrarotmessungen und Kameras mit Objekterkennung.
Wäre es nicht ein Zugewinn, wenn mithilfe von „KI“ das Wissen über Vorgänge innerhalb der Stadt schneller, einfacher und kostengünstiger zur Verfügung stünde?
Künstliche Intelligenz, „Artificial Intelligence“, ist kein neuer Begriff, vielmehr steht er für eine Teildisziplin der Informatik, in dem Technologien und Anwendungen große, heterogene Datenmengen mithilfe von komplexen und der menschlichen Intelligenz gleichsam nachahmenden maschinellen Verarbeitungsprozessen ein Ergebnis ermitteln (BPI3 Datenethikkommission 2018). Andreas Dengel und Martin Memmel vom Deutschen Forschungszentrum für künstliche Intelligenz DFKI versuchen „KI“ Anwendungen so zu erklären (Burchhardt 2018; Memmel and Dengel 2021, p.7): „Um entscheiden zu können, ob eine Technologie oder eine Anwendung „intelligentes Verhalten“ zeigt, braucht es also unmittelbar auch ein tieferes Verständnis: Was bedeutet Intelligenz? Intelligentes Verhalten erfordert in unterschiedlichen Anteilen bestimmte zentrale Fähigkeiten: Wahrnehmen, Verstehen, Planen, Handeln und Lernen (Burchhardt 2018). Hieraus entwickelt sich dann auch das Verständnis für „Starke KI“, und „Schwache KI“, wobei die schwachen KI-Technologien einen starken Anwendungsbezug beinhalten, so wie fast alle heutigen KI-Systeme. Einige Schlagworte wie Data Mining, Machine Learning und Deep Learning fallen unter diese Kategorie.
Hintergrund: Das Projekt CapeReviso, gefördert im Rahmen des Nationalen Radverkehrsplanes, möchte Rad-und Zufußgehen durch die Reduktion von Konflikten und Stress fördern. Dabei werden digitale Tools wie Machine Learning, Sensornetzwerke, digitale Zwillinge, Virtuelle Realität, Stressdetektion durch Humansensorik und Living Labs erforscht und zu einem neuartigen Werkzeug für die Stadt-und Verkehrsplanung zusammengeführt. Dazu ist es wichtig, zu wissen, wie „nahe“ sich Verkehrsteilnehmer:innen kommen, ob es Situationen gibt, in denen Beinahekollisionen vorkommen und wo sich Zufußgehende und Radfahrende in die Quere kommen.
Zur Detektion dieser Wege, wer den Raum in welcher Fortbewegungsart in welche Richtung nutzt, greifen wir auf eine Technologie des Machine Learnings zurück. Mithilfe der Studierenden kann so ein neuronales Netz mit der freien Software YOLO („You only locked once“) (Redmon and Farhadi 2016, 2018) auf die Bedürfnisse in Cape Reviso angepasst werden. Mehr zum Labeling-Tool
Studentische Arbeiten
Die Studierenden sollen Ihre persönliche Einschätzung/ Haltung / Statement abgeben, ob Künstliche Intelligenz helfen kann, Städtebau bzw. Phänomene in der Stadt besser zu beschreiben und zu analysieren.
