Dr. Hannah Richta – Maximaler Impact von Machine Learning bei der Deutschen Bahn

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Dr. Hannah RichterLeiterin Algorithmic Betrieb, DB Netz AG
Überblick
In dieser Folge spricht Dr. Theo Steininger mit Dr. Hannah Richter, die bei der DB Netz AG die Organisationseinheit 'Algorithmic Betrieb' leitet. Sie gibt Einblicke in die Struktur des DB-Konzerns, konkrete KI- und Machine-Learning-Projekte im Schienenverkehr sowie in die Herausforderungen, KI-Lösungen in einem sicherheitskritischen Umfeld zu operationalisieren. Dabei beleuchten die beiden auch Themen wie Mensch-Maschine-Kollaboration, Projektauswahl und Zukunftspotenziale von KI.
Über den Gast
Dr. Hannah Richter leitet seit Januar 2021 die Organisationseinheit 'Algorithmic Betrieb' bei der DB Netz AG, wo ihr Team zwei zentrale Produkte verantwortet: ein Dispositionsassistenzsystem für Fahrdienstleiter und eine KI-basierte Fahrassistenz für Triebfahrzeugführer. Zuvor war sie rund neun Jahre bei der DB Cargo AG tätig, wo sie ab 2016 das erste dedizierte Data-Science-Team im Bereich Production Development aufbaute und ein ML-basiertes Projekt zur Prognose von Ankunftszeiten im Schienengüterverkehr vom Proof-of-Concept bis zum MVP führte. Hannah Richter hat Wirtschaftswissenschaften studiert und sich durch zahlreiche Zertifizierungen im Bereich Data Science und Machine Learning weiterqualifiziert.
Zusammenfassung
Der DB-Konzern als integriertes System – Struktur und Einordnung
Dr. Hannah Richter erklärt, dass die Deutsche Bahn kein monolithisches Unternehmen ist, sondern ein integrierter Konzern mit verschiedenen Geschäftsfeldern. Die DB Netz AG verantwortet die Infrastruktur – also Schienen, Signale und Weichen – und ist gesetzlich verpflichtet, alle Eisenbahnverkehrsunternehmen diskriminierungsfrei zu behandeln, egal ob sie zum DB-Konzern gehören oder nicht. Daneben agieren Einheiten wie DB Fernverkehr, DB Regio, DB Cargo und DB Schenker mit jeweils eigenen Zielen und Interessen. Diese Vielfalt macht die Koordination komplex, bietet aber auch einen enormen gesellschaftlichen Hebel: Wer hier an Algorithmen und Daten arbeitet, beeinflusst ein System, das nahezu jeden Menschen in Deutschland direkt oder indirekt betrifft.
Fahrassistenz und Dispositionsassistenz – die zwei Kernprodukte des Teams
Hannahs Team besteht aus zwei Untereinheiten. Das erste entwickelt eine Fahrassistenz für Lokführer, die energiesparende Fahrempfehlungen in Echtzeit auf die Lok schickt – etwa um vor Baustellen rechtzeitig Fahrzeitreserven aufzubauen und so Verspätungen zu minimieren. Dieses System steht diskriminierungsfrei auch Drittunternehmen wie dem Metronom zur Verfügung. Das zweite Team entwickelt ein Dispositionsassistenzsystem, das Fahrdienstleiter ähnlich wie Fluglotsen bei der Entscheidung unterstützt, welcher Zug bei Konflikten Vorfahrt erhält. Ein laufender Pilot mit der S-Bahn Berlin zeigt, wie algorithmische Vorschläge helfen können, Verspätungen im Gesamtsystem zu reduzieren.
Von der Idee zum stabilen Produkt – die Realität der Operationalisierung
Hannah beschreibt den Weg vom ersten Use-Case-Gedanken bis zum produktiven Einsatz als einen Prozess, der typischerweise Jahre dauert. Am Beispiel des ETA-Prognose-Projekts für den Schienengüterverkehr zeigt sie, dass allein der Aufbau der Cloud-Infrastruktur, das Anbinden aller Datenquellen und der Nachweis des Nutzens durch einen MVP mehrere Jahre in Anspruch nehmen kann. Sie bringt es auf den Punkt: 'Ein Prozent Inspiration, 99 Prozent Transpiration.' Diese Erfahrung gilt ihrer Meinung nach nicht nur für große Konzerne, sondern für jede ernsthafte KI-Implementierung.
Mensch und Maschine – Kollaboration statt Automatisierung um jeden Preis
Hannahs Philosophie ist eindeutig: nicht Mensch oder Maschine, sondern Mensch und Maschine. Studien – unter anderem aus dem medizinischen Bereich – zeigen konsistent, dass ein von Algorithmen unterstützter Mensch bessere Entscheidungen trifft als Mensch oder Algorithmus allein. Praktisch bedeutet das: Alle Systeme ihres Teams geben nur Empfehlungen, die der Anwender annehmen oder ablehnen kann. Das senkt nicht nur die Akzeptanzhürde bei den Nutzenden, sondern reduziert auch die sicherheitstechnischen Anforderungen erheblich, da kein direkter physikalischer Durchgriff ins Schienennetz erfolgt. Ein vollständig steuernder Eingriff durch KI-Systeme ist laut Hannah frühestens um 2035 realistisch.
Technologie-Stack und algorithmische Vielfalt
Hannahs eigener Tech-Stack ist primär Python mit gängigen Data-Science-Bibliotheken. Für das Dispositionsassistenzproblem – ein gemischt-ganzzahliges Optimierungsproblem auf einem diskreten Graphen – setzt ihr Team jedoch den kommerziellen Solver Gurobi ein, kein klassisches Machine-Learning-Modell. Als Cloud-Infrastruktur nutzt die DB Netz sowohl Amazon Web Services als auch Microsoft Azure. Hannah betont, dass Eigenentwicklungen und Industriestandardlösungen jeweils ihre Berechtigung haben – welche besser ist, hängt stets vom konkreten Anwendungsfall ab.
Projektauswahl und Co-Creation mit Endanwendern
Projekte entstehen bei Hannah fast immer problemgetrieben: Endanwender oder deren Führungskräfte kommen mit einer konkreten Herausforderung, und das Team überlegt dann intern, welcher algorithmische Ansatz helfen kann. Die frühere Haltung – 'Wir haben viele Daten, lasst uns was damit machen' – hat sich als weniger wirksam erwiesen. Entscheidend ist außerdem die enge Einbindung der Nutzenden: Wer Empfehlungssysteme baut, muss das Vertrauen und die Akzeptanz der Anwender gewinnen. Rückmeldungen werden ernst genommen und fließen direkt in die Weiterentwicklung ein.
Zukunftspotenziale: Workflow-Automatisierung und Textgenerierung
Als größte ungehobene Potenziale sieht Hannah zwei Bereiche: erstens die Vernetzung bislang isolierter Systeme zur Workflow-Automatisierung, also das Zusammenführen von Datensilos und die algorithmische Beschleunigung mehrstufiger Prozesse. Zweitens die Textgenerierung – von automatisierten Management-Summaries über sprachliche Zusammenfassungen von Dashboards bis hin zu einer grundlegend neuen Form der Mensch-Maschine-Interaktion via natürlicher Sprache. Theo ergänzt dazu den Hinweis auf kausale Inferenz als intellektuellen Nächstschritt über reine Mustererkennung hinaus und empfiehlt 'The Book of Why' von Judea Pearl als Einstiegslektüre.
Kernaussagen
- Die DB Netz AG ist als Infrastrukturbetreiberin gesetzlich zur diskriminierungsfreien Behandlung aller Eisenbahnverkehrsunternehmen verpflichtet – das prägt die gesamte Arbeitsweise des Data-Science-Teams.
- Vom ersten Use-Case-Gedanken bis zum produktiven Einsatz vergehen typischerweise mehrere Jahre – Operationalisierung ist der aufwändigste Teil eines KI-Projekts.
- Mensch und Maschine gemeinsam treffen bessere Entscheidungen als jeder für sich allein – das ist das Leitprinzip für alle Assistenzsysteme im Team.
- Empfehlungssysteme ohne direkten Steuereingriff haben eine erheblich niedrigere Implementierungshürde in sicherheitskritischen Umgebungen.
- Projekte sollten immer problemgetrieben entstehen – 'Wir haben Daten, lasst uns was damit machen' führt selten zu echtem Impact.
- Endanwender müssen von Anfang an als Co-Creator eingebunden werden, sonst scheitert selbst das beste Modell an mangelnder Akzeptanz.
- Workflow-Automatisierung und Textgenerierung sind laut Hannah die größten noch ungehobenen Potenziale im industriellen KI-Einsatz.
- Netzwerk und Domänenwissen der Teammitglieder sind in großen Konzernen mindestens so wertvoll wie technische Fähigkeiten.
Fazit
Die Folge zeigt eindrücklich, dass KI-Projekte im industriellen Maßstab vor allem dann Wirkung entfalten, wenn sie problemzentriert starten, Endanwender als Partner begreifen und Deployment als den eigentlichen Hauptjob verstehen – nicht als lästiges Anhängsel nach der Modellentwicklung. Hannah Richters Arbeit bei der DB Netz AG verdeutlicht, dass auch ein Konzern mit komplexen Strukturen und langen Abstimmungswegen ein attraktives Umfeld für Data Scientists sein kann, die einen großen gesellschaftlichen Hebel suchen.
Für Data Scientists und ML Engineers
Der Weg vom Prototyp zum produktiven System ist lang und erfordert weit mehr als ein gutes Modell – Cloud-Infrastruktur, Stakeholder-Management und Nutzungsakzeptanz sind mindestens genauso entscheidend. Problemgetriebenes Arbeiten und enge Zusammenarbeit mit Endanwendern sind der Schlüssel zu echtem Impact.
Für Führungskräfte und Entscheider in großen Organisationen
Interne Leuchttürme auf Management-Ebene, die Themen wie KI und Digitalisierung aktiv treiben, sind essenziell, um im operativen Tagesgeschäft Rückenwind zu erzeugen. Gleichzeitig braucht es vernetzte Mitarbeitende mit Domänenwissen, die Brücken zwischen technischem Team und Fachbereichen bauen.
Für Berufseinsteiger und Young Professionals
Große Konzerne wie die Deutsche Bahn bieten spannende, abwechslungsreiche Tätigkeitsfelder mit gesellschaftlicher Relevanz – und suchen aktiv nach klugen Köpfen. Mut, Neugier und Offenheit sind laut Hannah die wichtigsten Eigenschaften für eine erfolgreiche Karriere im Bereich Data Science.
Volltranskript anzeigen
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute zu Gast bei The Ihrem Podcast ist Doktor Hannah Richter. Sie leitet seit Januar 2021 die Organisationseinheit Algorithmic Betrieb bei der DB Netz AG. Die beiden wichtigsten Produkte ihres Teams sind die Fahrassistenz für Züge und ein Unterstützungssystem für die Disposition. Zuvor war sie rund 9 Jahre bei der DB Cargo AG, wo sie ab 2016 unter anderem das 1. Dedizierte Data Science Team der DB Cargo in der Organisationseinheit Production Development aufbaute und zuletzt ein Projekt zur Prognose von Ankunftszeiten von Güterzügen mittels maschinellen Lernens vom PoC zum Thema Daten und Data Science in der Fachzeitschrift deine Bahn veröffentlicht. Doktor Hannah Richter interessiert sich für IT, seit sie als Kind mit ihrem Papa die Messe cebit in Hannover besuchen durfte. Sie entschied sich für ein Studium der Wirtschaftswissenschaften, hat inzwischen allerdings auch diverse Zertifizierungen im Bereich Data Science und Machine Learning erlangt. Privat findet Doktor Hannah Richter ihren Ausgleich beim Reisen, Tanzen, Segeln und im Krav Magat Training.
Speaker2: Herzlich willkommen zu 1 neuen Folge von The Eriam Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Hannah Richter. Hallo Hannah, schön, dass Du da bist. Hallo Theo, schön, dass es klappt. Ja, freut mich sehr, dass wir heute sprechen. Wir haben's ja gerade in der Intro schon gehört. Du arbeitest bei der Deutschen Bahn, eine Firma, die, denke ich, sehr, sehr vielfältige Meinungen in der Öffentlichkeit genießt Und da bin ich total gespannt, was Du uns heute erzählen kannst, wie's vielleicht auch hinter den Kulissen abläuft, so manches. Einmal noch ganz kurz zu Vita, hat es für dich gepasst? Gibt's so was, das Du ergänzen möchtest?
Speaker3: Das passt so weit. Für dich ist es betroffen. Wunderbar.
Speaker2: Dann hätte ich direkt eine Frage und zwar im im Rahmen meiner Recherche, ich hab mir das noch mal genauer angeguckt, Deutsche Bahn. Das ist ja nicht nur die Deutsche Bahn, sondern da gab's ja ganz viele Firmenteile oder bitte schreib das mal bitte, weil ich hab gesehen, es gibt die DB Netz und DB Cargo und dann gibt's auch DB Schenker. Wie wie spielt das alles zusammen? Damit wir verstehen oder damit ich auch einordnen kann, in welchem Konstrukt bewegst Du dich da als Data Scientist denn? Ja, wir wir sprechen vom integrierten Konzern mit verschiedenen Geschäftsfeldern.
Speaker3: Das heißt, wir haben als Dach drüber die DB als AG, die die Aktivitäten der einzelnen Geschäftsfelder steuert. Und dann gibt es die Geschäftsfelder, es gibt die DB Netz, wo ich jetzt arbeite. Wir kümmern uns die Schienen und die Signale und darüber, dass die Infrastruktur zur Verfügung steht. Und dann gibt es die Eisenbahnverkehrsunternehmen, das sind die DB Fernverkehr mit den weißen Zügen, die DB Regio mit den roten Zügen. Das ist die DB Cargo mit den Güterzügen. Und dann gibt es für das Geschäft, was son bisschen die Güterzüge drum rumläuft, also LKW Transporte, Lagerhäuser und Ähnliches, das macht dann noch DB Schenker drumrum. Und dazu gibt es noch ganz, ganz viele Konzerngesellschaften, die man nicht so öffentlich wahrnimmt, die im Hintergrund ganz, ganz wertvolle Dienste leisten. Das sind zum Beispiel Stationen und Service, die sich die Bahnhöfe kümmern. Das ist DB Sicherheit, die für Sicherheit auf den Bahnhöfen sorgen. Oder auch die DB Systy, die sich darum kümmert, dass wir eine gescheite IT Plattform bei uns zur Verfügung gestellt bekommen.
Speaker2: Okay. Und wie sieht dann deine Arbeit in diesem Konstrukt aus? Vielleicht kannst Du uns noch mal genauer erklären, erst mal, wie so sieht, wie sieht so dein Team aus? Ja, also erst mal quasi 1. Und nächste Umgebung von dir und wie ist dann dieses Team in dieses Konstrukt eingebettet?
Speaker3: Genau. Ich bin, wie gesagt, bei der DB Netz AG. Dort leite ich die Algorithmicbetrieb. Das heißt, ich habe bei mir 2 Teams. Die beiden Teams, das eine beschäftigt sich mit dem Thema Dispositionsassistenz. Dispositionsassistenz ist, auf dem Schienennetz sind die Züge unterwegs. Es gibt Disponentinnen und Disponenten, die gucken ja so ähnlich wie Fluglotsen auf 8 Bildschirmen jeweils für ihren Bereich drauf, wo die Züge unterwegs sind. Und wir versuchen, diese Kolleginnen und Kollegen mit intelligenten Lösungen zu unterstützen. Das ist das eine Team. Das andere Team richtet sich an die Triebfahrzeugführer. Also die Kolleginnen und Kollegen, die die Logs fahren, denen stellen wir eine Fahrassistenz zur Verfügung. Das ist für unsere Kunden, also für den Fernverkehr, für Regio und weil die DB Netz das Ganze diskriminierungsfrei auch für andere EVU, also andere Eisenbahnverkehrsunternehmen zur Verfügung stellt. Zum Beispiel auch mit dem Metronom sind wir da im Gespräch in Norddeutschland, dass wir auf die Lok Fahrempfehlungen schicken, die helfen, gut zu fahren. Gut zu fahren bedeutet, energiesparend zu fahren, je nachdem, was vor mir und hinter mir los ist. Die aber auch helfen zum Beispiel vor 'ner Stelle, wo es irgendwie eine 1 Baustelle gibt, wo langsamer gefahren muss. Die sagt, hier vorher darfst Du auch mal 'n Stückchen schneller fahren, natürlich im Rahmen dessen, was das Netz kann. Und dadurch fährst Du dir eine 1 gewisse Fahrzeitreserve raus und kommst dann durch die Baustelle und bist danach nicht so unpünktlich, als wenn Du einfach nur pünktlich an der Baustelle angekommen wärst. Das ist mein Team. Eingebettet bin ich in die den Bereich Daten und IT bei der DB Netz. Das heißt, wir haben Kollegen, die sich unsere interne IT Infrastruktur kümmern. Es gibt Kollegen, die sich Apps kümmern, also kleine Lösungen, die manchmal sehr, sehr schnell gelöst werden können. Und es gibt Kollegen, die sich hauptsächlich das Thema Datenanalyse kümmern. Und ja, so versuchen wir den Betrieb der DB Netz zu unterstützen. Es gibt ähnliche Teams, mit denen wir im Austausch stehen beim zum Beispiel beim Fahrplan. Und es gibt darüber hinaus immer wieder Konzerninitiativen, wo das Ganze wieder versucht wird, auf die zweimal im Jahr treffen oder wo auch mal abends irgendwie eine 1 kurze Infoveranstaltung zu irgend 'nem interessanten Projekt läuft oder wo wir im Konzern jetzt auch drüber sprechen, wie wir zum Beispiel in einem bestimmten Knoten, wo es gerade viel Verkehr gibt und wo viele verschiedene Unternehmen zusammenarbeiten müssen, dass es dort gut läuft. In solchen Initiativen arbeiten wir auch mit.
Speaker2: Wenn Du das jetzt so darstellst mit den verschiedenen Entitäten, die da in diesem, wie heißt das integrierter Konzern, oder? Mhm. Genau. Genau. Wenn diese diese einzelnen Komponenten da zusammenkommen, ist es etwas, das nur am Papier existiert und effektiv merkst Du nichts davon? Für mich hört sich das nämlich spontan so an, so, oje, wenn ich dann jetzt für ein konkretes Projekt, wo Du jetzt schon ein paar Beispiele genannt hast, da brauche ich ja nicht nur dann die eine Organisationseinheit, sondern ich brauche wahrscheinlich viele verschiedene, ja. Stellt es eine Herausforderung dar oder ist das für die für die für das praktische Arbeiten eigentlich irrelevant?
Speaker3: Ich find ich finde, es ist eine interessante Seite des Jobs. Mhm. Wir sind Natürlich haben die Geschäftsfelder jeweils auch einen gewisse eigene Ziele und 'n gewisses eigenes Interesse, die's dann auszugleichen gilt. Wir als die Behinderten Okay. Sind allerdings natürlich verpflichtet, gesetzlich das Ganze diskriminierungsfrei herzustellen. Das heißt also, wir dürfen nicht ein einzelnes Unternehmen, egal ob es zum DB Konzern gehört oder nicht, bevorzugen oder benachteiligen, sondern wir müssen immer als als die Schweiz gucken, dass das alles neutral funktioniert. Ja. Und sind dann halt im Gespräch mit sehr vielen verschiedenen Perspektiven und dürfen halt mitbekommen, was was brennt dem Personenverkehr unter den Nägeln? Was brennt der S-Bahn unter den Nägeln? Was ist der der Aspekt des Güterverkehrs? Wir reden immer davon, dass wir ganz viel Verkehr mehr auf die Schiene bringen wollen. Und wie kriegen wir das jetzt alles unter einem Hut? Und das ist halt spannend.
Speaker2: Cool. Ja, definitiv. Also man kann's man kann's als spannende Herausforderung sehen. Ich weiß nicht, mich persönlich wird es dann vielleicht auch irgendwann ab 'nem gewissen Punkt, ja, frustrierend ist jetzt 'n hartes Wort, aber ich glaub, ich würde an meine Grenzen kommen mit soner Struktur.
Speaker3: Wie gesagt, es ist halt 'n großer Konzern. Man kann viel bewegen. Es ist das Schöne, wir arbeiten wirklich an etwas, was jeden in Deutschland irgendwie betrifft. Sei's direkt als Eisenbahnfahnde oder als Kundinnen und Kunden im im S-Bahnnetz oder als Menschen, für die irgendwie Vorprodukte mit der Eisenbahn an ihren Arbeitsplatz gebracht werden oder zumindest für auf einen Teil der Strecke. Das heißt also, wir wir haben einen, ja, wir haben viel Arbeit und viel Abstimmung intern, aber wir haben auch 'n richtig großen Hebel, in diesem Land was Gutes zu bewegen. Ja, that's true. Und das ist ist eine Motivation und das macht Spaß, da jeden Tag aufs Neue zu sehen und zu sagen, hey, da fährt 'n Zug und mein Team und wir haben irgendwo einen klitzekleinen Anteil dazu geleistet, dass das alles funktioniert.
Speaker2: Mhm. Ja gut, dem kann ich mir sehr, sehr, sehr, sehr gut anschließen. Also der der Purpose hinter der Arbeit ist dann einfach deutlich höher als jetzt, keine Ahnung, eine Schraube zu optimieren oder so, die dann, keine Ahnung, irgendwo läuft. Ja, sehr cool. Und noch mal ganz konkret auf deine Rolle bezogen, wie sieht ein Arbeitsalltag von dir aus? Gibt's vielleicht auch einen typischen Arbeitsalltag? Ist es Management, Coding, Algorithmateesign? Ich weiß es nicht, ja?
Speaker3: Hol mich da kurz ab. Ja, son son richtig typischen Arbeitstag gibt es für mich. Ich möcht fast sagen, zum Glück Ich hab unheimlich viel Spaß dadran, dass es eine sehr abwechslungsreiche Arbeit ist. Auch die fast 10 Jahre, die ich jetzt dabei bin, waren eigentlich jeder Tag irgendwie 'n bisschen anders. Was ist bei mir regelmäßig drin? Ich red natürlich mit meinem Team und ganz eng mit meinen beiden Teammleitern, dass wir uns abstimmen, dass wir gemeinsam Ideen entwickeln. Das Mhm. Können organisatorische Fragestellungen sein. Das kann aber auch sein, dass wir irgendwie wirklich über Algorithmik und über Code diskutieren Manchmal, das kommt allerdings irgendwie vielleicht einen Nachmittag, 'n Monat zu, vor, code ich auch selbst, zu sagen, hey, ich möcht das mal ausprobieren oder ich möcht hier mal irgendwie in eine Vorlage gehen und sagen, das wär doch eine Richtung, in der wir das Ganze entwickeln können. Ansonsten red ich viel über Architektur, über über den Aufbau von IT Systemen und darüber, wie das Ganze zusammenpassen kann einerseits und andererseits mit unseren Stakeholdern darüber, wie wir die Algorithmik, die wir bauen, die mein Team baut, wie wir das in den Betrieb bringen können. Mhm. Wir haben grade Piloten mit der S-Bahn mit der S-Bahn Berlin. Mhm. Wir reden grade mit weiteren Einsatzgebieten darüber, wie wir, ja, wie wir das weiter voranbringen können. Und dort diese Abstimmung zu unterstützen, ist 'n weiterer großer Teil von meinem Job.
Speaker2: Okay, ja. Und von von der Einordnung, vielleicht magst Du's immer explizit machen. Da steckt ja jetzt in dem, was Du geschildert hast, eine ganz, ganz große Portion, ich nenn's mal Deployment und Operationalisierung drin. Ist es der maßgebliche Teil deiner Arbeit beziehungsweise andersrum betrachtet, wie viel jetzt im anderen Extrem steckt da drin, sich erst mal neue Use Cases auszudenken? Könnte es sein, dass quasi die Use Cases für euch, Stichwort Resposition, Stichwort vielleicht Stauforecast, dass das alles schon auf der Hand liegt?
Speaker3: Das ist, ich sag immer, das ist irgendwie ein Prozent Inspiration und 99 Prozent Transpirationen. Also man man hat eine gute Idee und ist dann ganz, ganz lange damit beschäftigt, das einerseits zum Fliegen zu bringen, was was auch ein kreativer Prozess ist. Und ist dann andererseits damit beschäftigt, das Ganze ja zur zur stabilen Anwendung zu tragen. Ja, entsprechend ist es so, meistens ist da irgendwie immer wieder eine 1 Phase, dass wir uns 'n neuen Use Case überlegen und dann doch relativ lange daran arbeiten, diesen umzusetzen. Das ist Ich hab jetzt als letztes Projekt, bevor ich in der aktuellen Rolle bin gekommen bin, haben wir das Thema Ankunftszeitprognose mit dem Machine Learning im Schienengüterverkehr gemacht. Da war das die ursprüngliche Idee und das war eigentlich eine Idee, ja, das ist logisch, dass man das jetzt irgendwie machen sollte mit mit solchen Tools. Das war irgendwie vor gut 3 Jahren. Und dann haben wir die nächsten die nächsten Jahre damit verbracht zu sagen, okay, wie wie kann das Ganze funktionieren, den Nutzen nachzuweisen mit 'nem Proof of Concept und dann einen MVP zu bauen, die ganzen Datenquellen anzubinden, die die Infrastruktur dafür aufzubauen. Und das das hat dann 3 Jahre gedauert, bis wir gesagt haben, okay, das ist 'n Stand, wo wir sagen, wir können jetzt für Karo anfangen zu probieren, wie das im Betrieb funktioniert mit Prognosen für für Schienengüterverkehr. Und das ist noch nicht fertig gewesen, als ich dann nach 3 Jahren die Rolle gewechselt hab. Also es ist Mhm. In so einem großen Konzern dauern die Dinge einerseits. Andererseits ist es von der Idee bis bis zu 'nem wirklich stabilen Produkt auch außerhalb 1 großen Konzerns immer eine Geschichte, dass dass man halt doch viele, viele kleine Herausforderungen bewältigen muss und das braucht Zeit. Und deswegen ja, viel deployment.
Speaker2: Mhm. Ja, wobei. Also ich glaube, durch die Erkenntnis musste entweder jeder schon durch oder oder wird sie noch haben, dass 'n Prototyp schnell zusammengesteckt ist, aber dann die Edge Cases abzufangen und es wirklich für die Operationalisierung fertig zu machen, das ist halt einfach die harte Arbeit. Ja, also von daher 3 Jahre, ist jetzt nichts, was mich irgendwie großartig abschreckt. Ich würd den Aspekt aber trotzdem noch mal genauer beleuchten wollen und zwar auf 2 Ebenen. Einmal technisch und einmal noch mal eher organisatorisch nenne ich's jetzt mal. Bei der bei der Technik einfach auch wieder reines Interesse, was so hinter den Kulissen abläuft. Hast Du die Möglichkeit oder wie ist der Text der DB insgesamt, ich nenn's mal nahe an Industriestandards? Das heißt, man kann dann auch, weil entsprechende Schnittstellen vorliegen, auch mal schnell was anstöpseln. Oder ich kenn das halt von großen und vor allem so Semi Public Firmen, dass viel Eigenentwicklung in der Vergangenheit passiert ist. Das heißt, dass komplette Custom Systeme vorliegen, wo ich dann auch quasi keine Schnittstellen hab irgendwo anzudocken. Wie sieht 'n das bei euch hinter den Kulissen aus? Also weil ich denk mir, es gibt jetzt so viele Eisenbahnunternehmen in Deutschland. Ich weiß nicht, wie groß der Markt für sone Softwarelösung ist, Disposition zu machen und ob's da noch 'n Anbieter gibt, der da 'n Tool dafür entwickelt und ob man's quasi nicht inhouse machen muss letztlich als DB.
Speaker3: Mhm. Ja, also es gibt verschiedene Ja, oder die allgemeine Antwort ist erst mal, es sieht deutlich wachsen aus. Wie wie übrigens in jedem großen Konzern, den ich kenne, so aus meinem Bekanntenkreis. Wir haben vieles, was historisch gewachsen ist, was was sich über lange Zeit aufgebaut hat. Eisenbahn ist ja auch nichts, was was irgendwie gestern erfunden wurde, sondern das gibt schon 'n paar Jahre. Und über die Zeit ist halt auch relativ früh sogar angefangen worden, IT Unterstützung zu bauen. Und diese Systeme sind zum Teil selbst gebaut, selbst entwickelt, weil wie Du richtig sagst, es gibt gar nicht so viele Anbieter andere Systeme und da durchaus auch operative Systeme können auf dem Markt als so, ich nenn's mal Semicustome eingekauft werden. Dann gibt's immer wieder Ausschreibungen, gibt's große Anbieter, die so was bauen und die so was auch bei anderen Eisenbahnen schon gebaut haben. Das läuft dann halt nicht im Vergleich zu Deutschland, sondern irgendwo anders in Europa oder irgendwo anders auf der Welt, dass dort solche Systeme dann auch im Einsatz sind. Weil Deutschland ist ja nicht das einzige Land mit 'nem großen Eisenbahnnetz. An anderen Stellen benutzen wir durchaus auch Industriestandardsoftware. Also auch auch bei der Deutschen Bahn gibt es SAP zum Beispiel in der Anwendung. Mhm. Als IT Infrastruktur benutzen wir sehr, sehr viel Amazon Cloud Services und Microsoft Azure. Also da greifen wir durchaus auch auf Bestehendes zurück und versuchen nicht immer, das Rad neu zu erfinden. Wobei so wichtig ist auch in soner Wertungsfrage zu sagen, das Selbstgebaute ist nicht immer das Kompliziertere. Also es gibt Fälle, da ist was Selbstgebautes ja einfach und ist 'n Industriestandard sehr kompliziert. Zum Beispiel auch, weil die Firma, die den Industriestandard geschaffen hat, sagt, na ja, wir würden gerne viel lieber die Dienstleistung drumrum selbst verkaufen, als da irgendwie eine einfache Schnittstelle ranzurbauen. Mhm. In anderen Fällen ist es aber so, dass der Industriestandard eine 1 wunderbare Schnittstelle einfach mit sich bringt und die selbstgebaute Lösung saukompliziert ist. Also das muss man jeweils im Einzelfall für sich genau betrachten.
Speaker2: Mhm. Und mit Blick auf die politische Ebene oder ja, vor allem organisatorisch, Ich hatte mal einen Vortrag gesehen von, genau, sie ist ja Professorin, glaube ich, oder? Professor Doktor Sabine Jeschke.
Speaker3: Ja. Ehemalig. Wie bitte? Ja, sie ist Professorin.
Speaker2: Ja, genau, genau. Sehr, sehr beeindruckend. Also kurz zur Einordnung, wenn ich's mir richtig notiert hab, sie war ja bis, ich glaub, Mai 2017 Vorstand Digitalisierung und Technik, dann noch länger im Konzern und ist jetzt, glaube ich, aus der DB raus. Aber nichtsdestotrotz, ich fand's extrem spannend, ja, wie sie das dargestellt hat und vor allem auf welcher Flughöhe sie sich mit Technologie beschäftigt hat. Also nur ein Thema anzureißen, Vortrag, Vorstand Digitalisierung, Technik, Deutsche Bahn und dann erzählt die mir was über Quantum Computing und das ergibt total Sinn, ja. Das fand ich wirklich krass und da dachte ich mir schon so, hoppla, da da offensichtlich passiert da was hinter den Kulissen, was ich gar nicht so wahrnehme, wenn ich irgendwie am Bahnsteig stehe und aufn Zug warte. Und das fand ich insofern auch spannend, weil ich mir dann dachte, vielleicht kannst Du das noch mal aus deiner Perspektive reflektieren. Wie geht's dir mit deiner doch sehr innovativen Rolle im Unternehmen? Ist es etwas, wo quasi kompletter Rückenwind da ist, einfach eben durch so Leuchtturmfiguren wie die Frau Jeschke? Ist das 'n geteiltes Verhältnis? Wie gesagt, ich hatte das als sehr, sehr interessant empfunden, dass quasi zumindest von von vom höchsten Level her da definitiv ganz, ganz viel Rückendeckung ja auch scheinbar fürs Thema da zu sein scheint.
Speaker3: Mhm. Ja, Frau Jeschke war tatsächlich bis Sommer diesen Jahres Vorstand Digitalisierung bei uns im Unternehmen, also bis Ja, sie ist vor vor gar nicht so langer Zeit gewechselt und Ah, okay. Das das war tatsächlich immer total spannend und ja, auch inspirierend, sie da zu sehen und zu hören, wenn sie zu den Themen vorgetragen hat. Also sie hat sich auch viel mit Themen wie AI und 3D Druck und Ähnlichem beschäftigt und das auch sehr, sehr stark promotet innerhalb der Firma. Das hat schon für für guten Rückenwind gesorgt und war war war eine super Unterstützung. Wobei ich glaube, ihre Nachfolgerinnen, die Daniela Tom Macotten, macht das auch super. Da das ist immer wichtig, solche solche Unterstützung und solche Leuchttürme zu haben. Im Operativen, bis sich das Ganze dann auf meine Ebene runtergebrochen hat, ja, dauert's immer 'n Moment, bis bis es bemerkbar ist. Das ja, es ist sehr, sehr sinnvoll, dass Leuchttürme im innerhalb des Managements auch eine Sensibilisierung für solche Themen herstellen. Und das das führt dann meistens dazu, dass das Mensch oder dass die übergeordneten Managementebenen sagen, ja, das ist 'n Thema, das das sind wir auch bereit von zu unterstützen und da sind wir auch bereit, reinzugehen. Deswegen sind solche Leuchttürme sehr, sehr wichtig. Im täglichen Doing ist es dann immer einen, ja, 'n Balanceakt, wo wo geschaut werden muss, dass man sich zwischen den Geschäftsfeldern abstimmt, dass man auch mit dem Konzern sich abstimmt, dass man ja neben einem Leuchtturm auch noch genug Ressourcen und genug Wahrnehmung für für die eigenen Projekte schafft. Und andererseits, dass man diesen Rückenwind natürlich super nutzen kann. Und da wobei das echt nützlich ist und uns echt sehr geholfen hat, was Frau Jeschke da im Konzern reingebracht hat.
Speaker2: Ja, das beschreibst's, find ich, sehr lebhaft, wie Du das darstellst, ja. Klar, irgendwo, der Rückenwind ist da, aber im operativen Doing ist es dann halt vielleicht dann noch mal ein, 2 Ordnungen weiter entfernt. Und danke für die Klarstellung. Ich hab's hier gerade noch mal nachgeguckt, Seit Mai 2017. Nicht bis nicht bis, sehr gut. Lass uns kurz rüberschwenken auf konkrete Use Cases. Du hattest ja schon 'n paar erwähnt in der Disposition, in der Empfehlung, also die dieses Empfehlungssystem für die Lokführer, wie fahr ich am energieeffizientesten und so weiter. Gibt's da ein Projekt, das aus deiner Sicht raussteht aus dieser Menge der verschiedenen Projekte, die ihr anpackt? Gab's da was, das besonders gut funktioniert hat?
Speaker3: Also was mir richtig, richtig viel Spaß gemacht hat, war das Thema ETaprognose, weil ich da als Projektleiterin auch sehr, sehr viel selbst gestalten konnte. Auch in der Phase, wie wir von vom Thema in MVP gehen, wie wir die ganze Cloud Infrastruktur aufbauen, wie wir die die Operationalisierung machen, was was die Features sind. Also da konnt ich so richtig schön tief ins Machine Learning gehen. Das das hat mir unheimlich Spaß gemacht und ist, glaub ich, auch supernüßlich, den Verkehrsträger Schiene, im Güterverkehr zu unterstützen, weil der LKW, sag ich immer, da da ruft der Disponent, die Disponentin vom vom Lkw Unternehmen ruft den Fahrer an und sagt, was steht 'n auf deinem Navi? Kennen wir alle vom Autofahren selbst. Da kriegt man eine relativ gute Prognosezeit angezeigt. So was brauchen wir für den Schienengüterverkehr auch? Bisschen visionärer nach vorne geguckt ist das, was wir grad mit der S-Bahn Berlin ausprobieren, also die Dispositionsassistenz, die den Kolleginnen und Kollegen sagt, hier kann es 'n Konflikt geben und hier können hier musst Du jetzt entscheiden, ob der linke oder der rechte Zug als Erstes über die Kreuzung oder über die Weiche fährt. Und der andere muss dann halt hinterherfahren oder warten, dass wir dort eine optimierte, auf möglichst wenig Verspätungen schauende Lösung bekommen. Das halt ich für für einen ganz, ganz wichtigen Schritt für die Zukunft, mehr Automatisierung herzustellen, dadurch mehr Pünktlichkeit im Gesamtsystem zu schaffen. Und ja, auch die Kolleginnen und Kollegen am Arbeitsplatz Disposition dahingehend zu entlasten, dass sie in Standardsituationen halt 'n guten algorithmischen Vorschlag bekommen und sich auf das konzentrieren können, was der Computer vielleicht noch nicht schafft. Und da das sind so die beiden Projekte, die die ich grad richtig spannend finde.
Speaker2: Mhm. Da hätte ich kurz 2 Rückfragen dazu. Und zwar das eine, wenn Du wenn Du sagst, Kollisionen oder Konflikte erkennen, also nicht nicht physische Kollisionen im Essbarem Netz, das ist ja schlecht, aber aber quasi Billig Kollisionen. Das hört sich für mich jetzt gerade an als ein Optimierungsproblem auf diskreten Räumen, was spontan für mich dann eben so aussieht, als ob das etwas abseits von den Standard Use Cases oder auch den Standardalgorithmen ist. Also wenn ich eine Kostenfunktion trainiere, dann ist es ja eine Optimierung in einem kontinuierlichen, hochdimensionalen Parameterraum. Und damit ja eine komplett andere Problemklasse als jetzt Optimieren 1 diskreten Funktion. Mhm. Ist ist das so? Stell ich mir das da grad richtig vor? Weil das bedeutet ja auch, dass ihr auch von der Algorithmik her etwas fernab des Mainstreams euch bewegt, oder?
Speaker3: Das ist eine gemischt ganzzahlige Optimierungsproblem. Und wir sind da tatsächlich im Bereich, dass wir ja, nicht ganz im Mainstream sind, dass wir mit Machine Learning Algorithmen dran arbeiten, sondern dass wir tatsächlich mit 'nem kommerziellen Optimierungsolver daran arbeiten. Aber das ist das Schöne, so so vielfältig ist unser Themengebiet und so so vielfältig sind die Einsatzgebiete für unsere Algorithmen, dass wir an der Stelle halt mit dem Solver arbeiten können und auch noch mal eine ganz ja, eine ganz andere Fachlichkeit für mich dazukommt, zusätzlich zu dem Machine Learning, was ich sonst sehr, sehr gerne einsetze und was was uns an verschiedenen anderen Stellen sehr gut hilft.
Speaker2: Mhm. Mhm. Cool. Und der 2. Aspekt, den Du grade auch angesprochen hattest, das war ja die Zusammenarbeit mit den Menschen, ja? Also es werden vielleicht Empfehlungen gegeben und dann gibt's 'n Stück, das der Algorithmus nicht abbilden kann und dann übernimmt wieder der Mensch. Kannst Du dazu noch Genaueres erzählen, wie die Zusammenarbeit zwischen Mensch und Maschine aussieht? Haben die vielleicht auch Systeme mittlerweile, die komplett autonom funktionieren? Gibt's gibt's so ist so was denkbar oder vielleicht aus Sicherheitsgründen ausgeschlossen?
Speaker3: Im aktuellen Stand haben wir noch keine autonomen Systeme. Wir sind da auch eher vorsichtig mit dem Thema autonome Systeme. Unsere Philosophie für mich und für mein mein Team ist, dass wir sagen, es ist nicht der Mensch oder die Maschine, sondern der Mensch und die Maschine. Gibt auch verschiedene Ansätze, beim MRT ist das auch sehr, sehr oft untersucht worden, dass halt ein Mensch alleine nicht sone gute Entscheidung trifft, ein Algorithmus keine so gute Entscheidung trifft, aber ein Mensch, der von einem Algorithmus unterstützt wird, die treffen in Vergleichsstudien immer wieder die besten Entscheidungen und oder führen zu den besten Ergebnissen. Und das ist son Stückchen weit das, worauf wir jetzt im, ja, in dem Zeitraum, auf dem wir gucken und indem wir unsere Projekte planen, uns leiten lassen von diesem Gedanken. Wir möchten immer nur Unterstützung bieten. Wir sagen, wir machen immer Vorschläge, sowohl auf der Lok als auch beim Disponentin oder der dem Disponenten. Und die Kolleginnen und Kollegen bewerten dann selbst, ob sie's umsetzen oder nicht. Mhm. Das Ganze hat natürlich für uns auch den Vorteil, dass wir keine sicherheitskritischen Durchgriffe haben. Das heißt also, wir haben eine sehr eine, ich weiß nicht, zig Zehnerpotenzen niedrigere Implementierungshürde, weil wir eben nicht die die Sicherheit nachweisen müssen, dass wir immer mindestens genauso gut wie ein Mensch funktionieren, sondern wir können sagen, wenn wenn 1 von 100 Vorschlägen eine echt dumme Idee ist, dann wird der Mensch das halt immer noch sehen und nicht umsetzen. Wobei wir wir da son Schichtenmodell haben, wo wir mit unseren Vorschlägen noch relativ viele Schichten von dem, was in der Physik draußen tatsächlich passiert, weg sind. Das heißt also, Mhm. Wir wir haben wir machen dem Disponenten, den der Disponentinnen im Vorschlag, die setzen das dann in 'nem Mikroproduktionsplan Der geht dann noch mal an 'n Fahrdienstleiter und da werden die Weichen gestellt und da gibt es dann noch mal tatsächlich technische Sicherungssysteme, die verhindern, dass wenn die Weichen falsch gestellt sind, trotzdem irgendwie was passiert. Und das das bedeutet, wir können relativ frei mit den Vorschlägen arbeiten. Je näher wir uns diesen Schichten oder diesen diesen tatsächlichen physikalischen Durchgriff nähern, desto höher sind die Hürden und desto vorsichtiger muss dann auch agiert werden. Deswegen gehen wir davon aus, dass wir in Richtung 20 35 bei uns auch tatsächlich mit 'nem Steuerenden Durchgriff irgendwo stehen werden. Das wird aber in 'nem anderen Bereich entwickelt. Es gibt, so als kleine Ergänzung, es gibt natürlich irgendwo einzelne Automatisierungsinitiativen. Wir hatten von der DB, ich weiß gar nicht, wer das im Konzern ausprobiert hat, in Bad Birnbach meinen selbstfahrenden Bus. Den gab's in verschiedenen Städten ja solche Sachen. Das haben wir als Bahn auch mit ausprobiert. Ich meine, auf dem S-Bahn-Netz Hamburg läuft auch teilweise automatisches Fahren, aber das sind alles Initiativen, die wo mein Team nicht involviert ist und wo wir auch mit der großen Disposition erst mal noch nicht sind als Bahn.
Speaker2: Wobei ich auch sagen muss, je nach Use Case ist ja die Variante Kollaboration zwischen Mensch und Maschine einfach auch zu bevorzugen gegenüber dem Ansatz, man zielt jetzt mit Biegen und Brechen und mit allem, mit aller Kraft auf ein voll autonomes System ab. Ja, also irgendwo ist es dann vielleicht halt auch das Effizienteste, sich gemeinsam hinzusetzen. Und gerade bei so einem Problem wie der Disposition, wo ja viel Erfahrung drinsteckt, denke ich, umso wichtiger. Stichwort Erfahrung, wie sah die Zusammenarbeit aus zwischen, ich nenn's mal dem technischen Team und den den den Anwendern, die eben auch die Erfahrung aus der Praxis haben. Wart ihr da in der Lage, da vielleicht was zu transferieren? War es vielleicht gar nicht nötig?
Speaker3: Wir wir sind bei allen Projekten immer ganz, ganz eng mit den Nutzerinnen und Nutzern im Austausch. Anders funktioniert's nicht. Den den Leuten irgendwas fortzusetzen und zu sagen, benutzt Zeit geht nicht. Das das führt nur zu zu Widerstand und Problemen. Und es ist ja auch wertvoll, was man da an Rückmeldungen bekommt, auf jeden Fall. Hinzukommt, wir arbeiten mit Empfehlungen. Das heißt also, wir haben keine keine harte Stange, mit der wir irgendwie die die Dinge durchdrücken können, sondern wir wir sind immer dabei, wir bieten etwas an Mhm. Und sagen, guckt's euch bitte an und entscheidet, ob ihr diesen Vorschlag annehmt und danach handelt oder nicht. Wenn wir das ohne eine 1 entsprechende Unterstützung durch, wir reden mit den Leuten, wir nehmen die Vorschläge auf, wir wir berücksichtigen und nehmen das ernst, was was wir von den Userinnen und Usern zurückgespielt bekommen machen würden, dann würden die irgendwann sagen, ach ja, ich mach 'n anderes Fenster auf, pack das da drüber und dann lasst mir eure Vorschläge im Hintergrund durchlaufen. Dann haben wir überhaupt nichts gewonnen. Also Ja. Wir wir setzen Uns liegt sehr, sehr viel da dran, die Kolleginnen und Kollegen mitzunehmen und das anzubieten. Und da gibt es, es gibt immer irgendwo so so krummelige Menschen, die das nicht gut finden, aber der Großteil ist da auch sehr, sehr offen und ist da gerne bereit mitzumachen und ist da teilweise auch sehr, sehr neugierig und unterstützt sehr gerne. Insbesondere, wenn die Leute merken, hey, ich hab eine Rückmeldung gegeben und da wird ernsthaft drauf eingegangen.
Speaker2: Ah, ja. Ja, sehr cool und auch cool, dass die Leute da mitziehen. Also ich kann das absolut nur bestätigen. Ich kenne kein einziges Projekt, das erfolgreich war, wo der Endanwender oder die Endanwenderin nicht irgendwo, ich nenn's mal Co Creator war der Lösung. Ja, Ja, sonst funktioniert's nicht. Ja, und natürlich dann dementsprechend auch ganz, ganz wichtiges Learning, wieder so weit wie es geht, die sicherheitskritischen Themen erst mal auch vor allem fürs MVP auszuklammern. Also das auch ganz klar nehme ich mit, gerade bei sicherheitskritischen Projekten, wie es ja offensichtlich beim Schienennetz ist, dann auf jeden Fall den Fokus zu geben, okay, eher beratendes System aufsetzen, anstatt jetzt sofort den, wie hast Du es genannt? Der steuerautomat. Der steuerautomat. Genau, genau, richtig. Den zu implementieren. Sehr cool. Vielen Dank für die die coolen Einblicke in den Arbeitsalltag. Ich hab richtig lebhaftes Bild im Kopf. Ich würde gerne noch mal kurz zurückschwenken auf dich und deine Persönlichkeit. Und Du hattest vorhin erwähnt, ihr nutzt einen einen Server, einen kommerziellen Server für die diskreten Probleme. Jetzt mal ganz konkret auf deinen persönlichen Tech Stack, auf die Technologien, die Du einsetzt. Wie kann ich mir das vorstellen? Also zum Beispiel vielleicht darfst Du den Namen verraten von dem Server. Ich kenne in dem Kontext nur CPlex von IBM, aber da gibt's bestimmt noch mehr. Womit arbeitest Du operativ, wenn's dieser eine Tag Coding im Monat ist?
Speaker3: Der der Solver ist tatsächlich der andere Große, der heißt.
Speaker2: Ah, okay, okay. Der hast dich nur nicht in den Fingern. Dürfen wir durchaus sagen.
Speaker3: Ansonsten, ich selbst arbeite tatsächlich wenig mit Gorubi oder Mhm. Das das ist was, was eher mein Dispositionsassistenzteam tut. Ich komme relativ klassisch ausm Data Science Machine Learning Hintergrund. Das heißt, wenn ich code, arbeite ich meistens in Python. Momentan ja, eigentlich nur in Python. Ich benutz die üblichen Bibliotheken, also, arbeite mit, arbeite damit irgendwie, also auch 'n paar Visualisierungen dann herzustellen und guck mal, was was da läuft und such mir halt meistens dann für irgendwie 'n spezielles Problem dann noch mal die eine oder andere Bibliothek, die da da halt genau darauf spezialisiert ist. Das ist ja das das Coole an Python, dass es für fast alles inzwischen irgendwie eine Bibliothek gibt, die die man recht schön nutzen kann, das zu lösen. Also es ist ja es ist eigentlich jedes Problem schon irgendwie von irgendjemanden irgendwo auf dieser Welt schon mal so oder so ähnlich gelöst werden. Man muss halt nur die richtige Übertragungsleistung im Zweifelsfall bringen und hier und da 'n bisschen anpassen. Also zumindest für die Dinge, die ich mache. Also gibt's sicherlich Menschen, die in der Forschung arbeiten, die die auch ganz, ganz neue Probleme finden, aber für den Betriebsalltag ist das eher unwahrscheinlich.
Speaker2: Ja, da gehe ich absolut mit. Also dass bei 'nem Industrieprojekt oder ja, bei 'nem Projekt im industriellen Kontext, nennen wir's mal so, dass da wirklich das mathematische Modell dann am Ende der Grund war, warum es nicht funktioniert hat. Hatte ich jetzt noch nie. Ja, andere Frage und zwar mit einem Blick in die Zukunft. Wo glaubst Du, wird's im Bereich Machine Learning Data Science am meisten noch abgehen? Also wo sind vielleicht auch ungehobene Potenziale noch versteckt?
Speaker3: Ist natürlich immer die große spannende Glaskugelfrage. Wo wo ist Ja, genau. Überhaupt durchaus. Potenzial. Also wo ich wo ich glaube, dass dass ganz viel drinsteckt, ist noch im Thema Workflow Automatisierung. Mhm. Also Workflowunterstützung. Da da da besteht noch viel Vernetzungsmöglichkeit, also verschiedene Systeme, die momentan relativ nebeneinander stehen, zu verbinden und dann vielleicht auch mit intelligenten Lösungen, sei es Machine Learning, sei es Optimierung, sei es irgendwelche andere Algorithmen dran anzusetzen, auch Dinge, die momentan sehr lange und in sehr viel einzelnen Schritten gemacht werden, zu beschleunigen und zu optimieren. Was ich ansonsten sehr, sehr spannend finde, ist momentan alles, was zum Thema Textgenerierung läuft, zu anzugucken. Das ist einerseits im Bereich Reporting, glaub ich, noch 'n Riesenfeld zu sagen, wir haben viele Daten, wir wir stellen inzwischen tolle Visualisierungen und Dashboards, aber warum nicht irgendwie Texte, Zusammenfassung, hier guck mal, das ist das, worauf Du dich dir vielleicht angucken solltest, zu generieren.
Speaker2: Das hat, glaub ich, auch 'n großes Potenzial. Grade, wenn man bedenkt, wie viel Reporting in großen Unternehmen doch an
Speaker3: verschiedenen grade wenn man bedenkt, wie viel Reporting in großen Unternehmen doch an verschiedenen Stellen gemacht wird. Aber wenn man Textgenerierung weiterdenkt, heißt das natürlich auch irgendwie eine ganz andere Mensch Maschine Interaktion. Mhm. Dass man eben nicht nur über also auf der Anwenderseite, nicht nur über irgendwelche Kommandos und Klicks und Darstellungen interagiert, sondern über Text, den den man dann halt hin- und herspielt zwischen Mensch und Maschine. Ich glaub, da steckt noch 'n ganz großes Potenzial drin. Die anderen Sachen, ja, selbst vorhandene Fahrzeuge und Ähnliches werden wir auch viel sehen, aber das ist, glaub ich, grade in soner Entwicklung, dass es jetzt eher bei den Juristen und bei der technischen Implementierung liegt, als darf jetzt es den großartigen neuen Algorithmus noch geben? Mhm. Ja, da das sind, glaub ich, so die die wesentlichen Felder. Weil ich bin gespannt und neugierig, weil das Schöne an dem Feld Machine Learning, Data Science und Co ist, vor vor 15 Jahren hätt sich niemand vorstellen können, wo wir jetzt heute stehen und was das heute alles möglich ist. Also ich bin auch einfach neugierig und gespannt auf das, was kommt.
Speaker2: Ich find es total spannend, was Du sagst zu dem Thema Textgenerierung und und Beispiel Reporting, ne, das ins ins Blickfeld zu nehmen, weil ich da eine Perspektive sehe oder einen Schritt sehe, der nötig sein wird vom reinen Finden von Strukturen in Daten, was ja jede Regression letztlich irgendwo macht, hin zu 1 echten Interpretation der Daten und von Informationen, was wirklich 'n Phasenübergang ist. Und da fand ich's besonders spannend, kleiner Buchtipp vielleicht an die Hörer, die sich da genau einlesen möchten, nur mal die Tür aufzumachen. Allein schon mal das Thema kausale Inference, also das Betrachten von kausalen Wirkzusammenhängen im Kontext von Machine Learning und nicht nur von Korrelationen. Und dort sehr, sehr lesenswert The Book of Why von Judia Pearl, der da wirklich 'n sehr, sehr guten Einstieg einem bietet, sich das auch mal auf der Zunge zergehen zu lassen, wie viel und wie stark eigentlich normale Machine Learning Algorithmen nur drauf abziehen, Strukturen zu finden und gar nicht fragen, wo wo kommt die Struktur her oder was bedeutet die Struktur? Sehr, sehr spannend. Ich weiß nicht, hattest Du das gelesen vielleicht sogar, der Book of Royal? Nee, leider noch nicht, aber ich hab's mir grade schon eine geistige Notiz gemacht,
Speaker3: kommt auf die Liste für die Feiertagslektüre.
Speaker2: Der Book of Royal. Sehr, sehr empfehlenswert. Sehr, sehr, sehr empfehlenswert. Ja. Ich ich krieg da auch keine Provision oder so ja sehr cool vielen Dank danke dir noch mal noch mal ganz kurz zurück auf die Projektauswahl bei euch. Und zwar, ich hab jetzt 'n sehr, sehr lebhaftes Bild, hatte ich vorhin schon erwähnt, erhalten von dem, wie bei euch dann das in den Projekten abläuft. Ja, enge Zusammenarbeit erstens über die einzelnen Bereiche der DB im integrierten Konzern hinweg enge Interaktion mit mit dem Endanwender. Wie kommt's aber erst zu den Projekten? Habt ihr da Brainstormingsessions oder weiß ich nicht, ja? Hatte jede Firma so ihren eigenen Groove entwickelt, auf auf Breakideen zu kommen? Wie macht 'n ihr das?
Speaker3: Das ist tatsächlich immer ganz unterschiedlich. In der Regel ist es so, dass wir von 'nem konkreten Problem oder 'ner konkreten Fragestellung ausgehend gefragt werden, ob wir dort nicht unterstützen können.
Speaker2: Okay, das heißt vom Endanwender, kommt der Trigger letztlich? Ja, vom Endanwender
Speaker3: oder von deren Führungskräften. Okay. Dass wir halt irgendwo sehen, wir wir haben an 'ner bestimmten Stelle oder mit 'nem bestimmten Thema einen eine Herausforderung, die wir angehen möchten. Und dann werden wir gefragt, ob wir da nicht was tun können. Und dann überlegen wir uns tatsächlich intern eher in soner Brainstorming Modus, was geht denn? Ja, manchmal ist das Ganze auch relativ naheliegend im Sinne von, ja, das ist es, lass lass uns das 'n bisschen umkoden und bitteschön. In anderen Fällen muss man halt wirklich länger überlegen, was was ist denn jetzt 'n Ansatz, den den man da gehen kann?
Speaker2: Okay. Ja. Finde ich, ist eine sehr, sehr glückliche Situation, dass der Trigger von den Anwendern oder Schrägstrich jetzt deren Vorgesetzten kommt. Insofern nämlich sehr, sehr empfehlenswert. Ich würde auch jedem raten, wenn die Anfrage kommt, hey, wir haben hier Daten, lasst uns was damit machen, würde ich die Fingeraffen lassen. Und das, was Du beschreibst, geht das ja, wenn ich's richtig verstanden habe, sehr problemzentriert
Speaker3: immer ins Rennen. Ja. Das ist einen auch tatsächlich eine Erfahrungswert, den wir gemacht haben. Ich bin sind tatsächlich 'n Stückchen weit gestartet, als ich das 1. Data Science Team aufgebaut hab, war war's tatsächlich noch 'n Stückchen bei der, ey, wir haben so viele Daten, wir müssen damit doch was machen Ansatz. Da konnten wir hier und da auch 'n bisschen was bewegen, konnten vor allem sehr, sehr viel lernen. Haben aber halt auch gelernt, es hilft nichts, einfach mal irgendwie was zu machen, sondern wirklich Wirkung erzählt man, wenn man sagt, es gibt da 'n Problem, dass jemand anders wahrnimmt und der bittet Hilfe und dann öffnen sich die Türen auch ganz von selbst, dass man da helfen darf.
Speaker2: Ja, ja, ja. Und vielleicht, um's 'n bisschen zu relativieren, ich seh's ja auch als wertvolle Orientierungsphase, mal sich die Daten komplett offen anzugucken. Nur irgendwann muss es halt gut sein. Ja, alright. Vielleicht jetzt auf der Zielgeraden des Gesprächs noch mal kurz auf die Konzernstruktur geblickt, ja. Gibt's da in deinem Team vielleicht eine Rolle oder was ich mir auch gut vorstellen könnte, aber bin ich sehr, sehr gespannt auf deine Antwort, eine Persönlichkeitseigenschaft oder vielleicht ein 1 bestimmtes Vorgehen deinerseits, das ist dir erleichtert erfolgreich, dich in diesem Konstrukt der DB zu bewegen?
Speaker3: Also die die eine Rolle gibt es nicht. Jeder jeder hat seine wertvolle Rolle und jede Rolle ist irgendwie wichtig. Was ist als Persönlichkeitseigenschaft oder als persönliche Eigenschaft immer unheimlich hilfreich ist, das sind Mitarbeitende, die über eine gewisse Erfahrung verfügen, die die wissen, wie wie das Ganze funktioniert, die auch nicht nur im Bereich IT oder Organisation Erfahrung haben, sondern auch wirklich Erfahrung in der Zusammenarbeit mit den Kolleginnen und Kollegen, die das Ganze anwenden haben und die entsprechend vernetzt sind. Die die wissen, mit wem man da reden muss, die die selbst irgendwie ihre Hinweise irgendwo bekommen über ihr Netzwerk und das dann wieder mich zurückspielen können, sodass wir sagen können, okay, da da gibt es grad irgendwo was, was sich tut im Hintergrund, da können wir jetzt drauf reagieren. Das ist unheimlich wertvoll. Und dann kann man auch gemeinsam gut überlegen, wie man da reagiert. Da krieg ich auch und da freu ich mich immer auch drüber, auch ganz offen Hinweise im Sinne von, ah, das ist nicht gut. Lass uns erst mal mit dem und dem reden. Der ist da irgendwie so im Hintergrund 'n, der das Ganze dann unterstützt oder eben nicht. Also das ist sehr wertvoll und das hilft in sonem großen Konzern unheimlich. Ja. Und hilft natürlich auch unheimlich, die Anwenderperspektive immer im Blick zu behalten.
Speaker2: Sehr, sehr spannend. Letzte Frage, Hannah. Welchen Rat würdest Du deinem zwanzigjährigen Ich geben? Hui.
Speaker3: Was was werdet ich ihr sagen? Sei sei mutig, lern die ganzen Machine Learning Dinge, bleib neugierig, sei offen und nutzt die Möglichkeiten, die sich bieten.
Speaker2: Sehr cool. Ich danke dir sehr für das Gespräch. Ich hatte wirklich Kopfkino, wie Du das beschreibst, wie deine Arbeit aussieht, wie an die Projekte rangeht, was da hinter den Kulissen passiert. Vielen, vielen Dank.
Speaker3: Ja, vielen Dank. Schönes Gespräch, danke.
Speaker2: Ich hoffe für die Zuhörer da draußen war auch einiges dabei. Wer einen großen Hebel haben möchte, der sollte sich vielleicht mal das angucken. Nicht nur immer zu Google oder Microsoft zu gehen als Data Scientist. Ich kann mir gut vorstellen, Hannah, oder dass ihr auch weiterhin kluge Köpfe sucht, sollte man die Bewerbung einschicken und ich denke, man erreicht dich auch sehr gut über beispielsweise LinkedIn, wenn man noch Rückfragen oder sich einfach vernetzen möchte, oder? Ja, LinkedIn ist immer 'n guter Kanal und natürlich suchen wir gerne auch immer wieder kluge Köpfe.
Speaker3: Wobei die Bewerbung bitte nicht direkt zu mir, sondern bitte über unsere Deutsche Bahn Karrierefunktion, da sind wir als Konzern dann doch so organisiert, dass ich dann nicht die Entscheidung alleine treffe, sondern dass das dann bei uns jeweils über das Ausschreibungsportal funktioniert und da auch dann Kolleginnen und Kollegen, die von diesem ganzen Recruiting und Ausschreibung und Besetzungsthema viel, viel mehr Ahnung haben als ich, sich drum kümmern.
Speaker2: Alright. Also Leute, bewerbt euch. Je besser die ETA Prognosen werden, da haben wir alle was davon.
Speaker3: Sehr gut. Ganz, ganz viele andere Herausforderungen gibt's bei uns auch zu lösen. Also Data Science und Machine Learning bei der Bahn oder Algorithmik insgesamt ist auf jeden Fall 'n spannendes Arbeitswelt.
Speaker2: Ich sag noch mal ganz ganz großes herzliches Dankeschön. Mach's gut und an alle Zuhörer Master die Complexity.
Speaker0: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.