Perturbations dans les transports publics – le projet KARL amène l’IA dans les centres de contrôle

Accidents, conditions météorologiques extrêmes, grèves ou événements majeurs – lorsqu’un nouveau problème de circulation en ville survient, les répartiteurs des centres de contrôle des entreprises de transport sont confrontés à une tâche véritablement gigantesque. Une action rapide est nécessaire pour gérer le chaos et maintenir les transports publics sur la bonne voie. Mais comment l’intelligence artificielle peut-elle contribuer à désamorcer ces situations stressantes et offrir un soutien précieux aux répartiteurs des centres de contrôle ?

Sous le toit de Centre de compétences KARL C’est exactement ce sur quoi on travaille. La mission : accroître l’efficacité et la réactivité des transports publics locaux grâce à des systèmes basés sur l’IA. Il ne s’agit pas seulement de solutions techniques, mais aussi de la composante humaine : de la façon dont l’IA et les décideurs humains peuvent travailler main dans la main pour rendre la circulation dans les villes plus fluide.

Ariane Lindemann en conversation avec le Dr. Jochen Wendel, responsable R&D chez Groupe INIT et chef de projet chez KARL.

Comment l’intelligence artificielle peut-elle soulager la charge de travail des répartiteurs des transports publics dans des situations stressantes ?

Le but du Projet est de développer un modèle d’IA qui prend en charge les répartiteurs dans les centres de contrôle. Nous souhaitons développer une solution intelligente qui permet aux opérateurs de réagir rapidement et efficacement à des événements tels que des accidents, des chantiers de construction, des conditions météorologiques ou des événements majeurs afin de maintenir les opérations. En analysant les données historiques et en utilisant des algorithmes d’IA, des recommandations d’action spécifiques sont générées pour les répartiteurs. Ces recommandations vont du réacheminement des véhicules et de l’adaptation des horaires à l’information des passagers via différents canaux tels que les écrans passagers ou les applications. Ces recommandations sont fournies en temps réel et peuvent être intégrées directement dans le logiciel du centre de contrôle. Cela réduit le fardeau des répartiteurs et leur permet de prendre des décisions éclairées.

Quel rôle jouent les données en temps réel dans le fonctionnement du modèle d’IA ?

Les données en temps réel sont cruciales pour les performances du modèle d’IA. En surveillant en permanence les données telles que les volumes de trafic, les conditions météorologiques et les interruptions de service, le modèle peut réagir rapidement et fournir des recommandations précises. L’intégration de données en temps réel permet une adaptation dynamique aux conditions changeantes des transports publics.

Comment s’assurer que le modèle d’IA est fiable et convivial ?

Il est crucial que le modèle d’IA fournisse des résultats fiables et donne aux répartiteurs le sentiment qu’ils ne sont pas remplacés. La transparence joue ici un rôle important, car les répartiteurs doivent comprendre comment le modèle prend des décisions et quelles données sont prises en compte. De plus, les résultats du modèle d’IA doivent être présentés clairement pour garantir une utilisation aisée.

Quels ont été les défis liés à l’utilisation des données pour le modèle d’IA ?

Un obstacle majeur résidait dans la préparation et l’anonymisation des données, car elles étaient présentées dans des formats différents et contenaient des informations sensibles. L’accès aux données, notamment personnelles, s’est révélé particulièrement difficile. Un travail préparatoire minutieux a été nécessaire pour rendre les données exploitables. Il fallait veiller à ce que les données historiques du système de contrôle du transport intermodal, c’est-à-dire le logiciel du centre de contrôle, soient préparées et complétées par d’autres informations pertinentes. Il était également important de garantir l’applicabilité et la convivialité du système en impliquant activement les répartiteurs dans le processus de développement.

Comment les répartiteurs réagissent-ils à la mise en place de systèmes d’assistance ?

L’acceptation est généralement élevée car les systèmes d’assistance facilitent le travail et aident notamment les nouveaux collaborateurs à apprendre plus rapidement les ficelles du métier. Il est important de souligner que le modèle d’IA sert de support aux répartiteurs et ne les remplace pas – et que le pouvoir de décision reste entre les mains des humains.

À quoi ressemble l’avenir du projet ?

Bien que le projet soit encore de nature recherche, nous visons à intégrer les solutions développées dans les futurs produits. Les défis résident à la fois dans la mise en œuvre technique et dans la conception d’outils conviviaux qui soutiennent efficacement les répartiteurs. Nous sommes convaincus que les solutions développées au sein de KARL pourront être mises en pratique à l’avenir et amélioreront durablement les transports publics locaux. Le projet KARL a également le potentiel d’atténuer la pénurie imminente de travailleurs qualifiés dans les transports publics, car le nouveau personnel peut être déployé plus rapidement.

Dans quelle mesure le projet pourrait-il également avoir une pertinence internationale ?

KARL a déjà attiré l’attention internationale. Particulièrement en Amérique du Nord, où le thème de l’automatisation des transports publics suscite également de l’intérêt. Les méthodes et solutions développées au sein de KARL pourraient également être utiles dans d’autres pays confrontés à des défis similaires tels que des événements météorologiques ou des perturbations de la circulation.

Comment la protection des données et la confidentialité sont-elles prises en compte lors de l’utilisation des données pour le modèle d’IA ?

La protection des données et la confidentialité sont des priorités absolues lors de l’utilisation des données pour le modèle d’IA. Toutes les données personnelles sont strictement anonymisées et utilisées exclusivement pour le développement du modèle. Des mesures de sécurité strictes sont mises en œuvre pour contrôler et surveiller l’accès aux données sensibles.

Quel impact le modèle d’IA a-t-il sur l’efficacité des transports publics ?

Le modèle d’IA apporte une contribution significative à l’efficacité des transports publics locaux en aidant les répartiteurs à identifier et à gérer rapidement les perturbations opérationnelles. En analysant automatiquement les données et en fournissant des informations pertinentes, le modèle peut contribuer à minimiser les pannes et à accroître la fiabilité des transports publics.

Comment les besoins des passagers sont-ils pris en compte lors du développement du modèle d’IA ?

Lors du développement du modèle d’IA, les besoins des passagers sont au centre de l’attention. En optimisant les transports publics, les déplacements devraient devenir plus fiables, plus confortables et plus ponctuels. Les commentaires des passagers sont activement collectés et intégrés dans le développement ultérieur du modèle afin de garantir qu’il répond aux besoins et aux attentes des utilisateurs.

À propos de Karl

Cible de CARL est de rendre les systèmes de travail et d’apprentissage basés sur l’IA centrés sur l’humain, transparents et propices à l’apprentissage et de les rendre démontrables dans des applications pratiques concrètes. Le projet s’adresse aux entreprises, aux salariés et aux personnes intéressées de la région de Karlsruhe qui utilisent des systèmes de travail et d’apprentissage assistés par l’IA, les manipulent ou souhaitent mieux les comprendre. KARL est actuellement l’un des 13 centres de compétences régionaux qui s’occupent des effets de l’intelligence artificielle (IA) sur le monde de l’apprentissage et du travail.

Le CyberForum fait partie du consortium du projet et est principalement responsable des relations publiques, de la gestion communautaire et du concept de durabilité. Le chef de file du consortium est l’Université des sciences appliquées de Karlsruhe. Outre sept partenaires de recherche et de transfert, les partenaires du projet comprennent également dix entreprises régionales.