Airport KI: Passagierfluss optimieren mit maschinellem Lernen
Die zweitägige Veranstaltung, die Teil der Xovis Airport Summit-Reihe ist, befasste sich mit vielen Themen, darunter auch mit der Frage, wie künstliche Intelligenz (KI) und maschinelles Lernen (ML) eingesetzt werden können, um den Passagierfluss zu verbessern und die Kosten besser zu verwalten.
KI und maschinelles Lernen sind sehr weit gefasste Konzepte, die im Allgemeinen als die Fähigkeit von Computern verstanden werden, bestimmte Aufgaben auf einem Niveau auszuführen, das dem des Menschen entspricht oder es übertrifft. Im Bereich des Passagierflussmanagements stehen KI und ML vor allem im Zusammenhang mit visuellen Erkennungsfähigkeiten wie der genauen Identifizierung von Personen in Gruppen, z. B. in Warteschlangen, und der Selbstlernfähigkeit und Selbstanpassung ohne menschliches Eingreifen.
Wie in anderen Branchen sind KI und ML deshalb so wichtig, weil sie die Produktivität und betriebliche Effizienz drastisch steigern können, ohne die Betriebs- oder Personalkosten drastisch zu erhöhen.
Selbstlernende Lösungen zur Verkürzung der Wartezeiten für Passagiere
Der Airport Summit US von Xovis fand im neuen Terminal A des Newark International Airport (EWR) statt, inmitten revolutionärer Veränderungen in der Art und Weise, wie Unternehmen KI und ML nutzen. Die Gespräche in den Tagungsräumen des EWR mit führenden Vertretern einiger der größten und besten Flughäfen in Nord- und Südamerika behandelten viele der Fragen, die auch in anderen Branchen gestellt werden, in denen geschäftskritische Prozesse von KI-gestützter Optimierung profitieren können.
Die Maximierung der Raumauslastung und die Vermeidung von Ressourcenüberlastung sind die Hauptziele des Passagierflussmanagements, bei dem es grundsätzlich darum geht, auf der Grundlage genauer Messungen der Passagiere in einem bestimmten Bereich Anpassungen und iterative Verbesserungen in Echtzeit vorzunehmen. Die daraus resultierenden Vorteile sind vielfältig und umfassen geringere Personalkosten, zufriedenere Passagiere und höhere Einnahmen an Land und in der Luft.
Moderne Lösungen zur Erkennung und Messung von Warteschlangen sind zwar automatisiert, aber nur sehr wenige verfügen über selbstlernende und selbstanpassende Funktionen. Diese Funktionen - entwickelt mit den fortschrittlichsten ML-Algorithmen - sind einer der Bereiche, in denen KI den Flughafenbetreibern, die zur Überbrückung von Servicelücken auf das Passagierflussmanagement angewiesen sind, den größten Nutzen bringen wird.
Navigieren an der KI-Grenze
Viele Unternehmen, darunter auch Flughäfen, müssen manchmal auf die harte Tour lernen, dass eine von der Realität losgelöste Technologie ein hohes Risiko darstellt. Die Besorgnis über nicht eingehaltene Versprechen ist in der aktuellen Situation, in der es schwierig sein kann, Funktion und Fantasie zu trennen, verständlicherweise groß.
Der Erfassungsbereich von Technologien wie LiDAR und herkömmlichen Kameras wird durch physikalische Prinzipien definiert, wobei die Verdeckung die Genauigkeit der Messung in überfüllten Räumen bestimmt. Die Effektivität der Abdeckung lässt sich jedoch nur anhand von Erfahrungen aus der Praxis beurteilen, die bei der Arbeit an Flughäfen gesammelt wurden.
Sowohl LiDAR als auch CCTV verfügen über einige KI-Fähigkeiten, sind aber in der Frage, wie weitere Fortschritte effektiv und zeitnah integriert werden können, eher begrenzt. LiDAR hat zwar nicht die gleichen Probleme mit dem Datenschutz, die den Einsatz von CCTV in vielen Ländern einschränken, aber die zugrunde liegende Technologie ist anfällig für lichtbedingte Verzerrungen und hat eine notorisch kurze Lebensdauer.
Flughäfen auf der ganzen Welt nutzen das Passenger Flow Management System (PFMS) von Xovis, weil die Sensoren, die der Lösung zugrunde liegen, 3D-Informationen, wie sie von LiDAR geliefert werden, und Vollsichtbilder, wie sie von CCTV-Systemen geliefert werden, kombinieren. Ein weiterer Grund, warum sich Betreiber für unsere zukunftssichere Lösung entscheiden, ist die Tatsache, dass die Sensoren mit KI-Funktionen ausgestattet werden können, die eine erweiterte Bildanalyse und -verarbeitung ermöglichen. Die Xovis-Sensoren respektieren nicht nur die Datenschutzbestimmungen, sondern weisen auch eine mittlere Ausfallzeit von 25 Jahren auf.
Von ebenso großer Bedeutung für Flughafenbetreiber ist der gute Ruf von Xovis, robuste, markterprobte Lösungen zu liefern. Seit mehr als einem Jahrzehnt helfen wir Flughäfen bei der Lösung von Überfüllungs- und Warteschlangenproblemen und haben uns dabei ein Spezialwissen angeeignet, das man nur in der Praxis erlernen kann. Neue und bestehende Kunden profitieren von den bewährten Verfahren, die wir entwickelt haben, um mehr als 120 Flughäfen bei der Lösung realer Herausforderungen zu helfen - ein Know-how, das nicht synthetisiert werden kann.
Eine Verpflichtung zur Innovation, auf die Partner zählen
Xovis war ein Pionier im Bereich des sensorbasierten Passagierflussmanagements und hat seine Position als innovativer Disruptor nie verlassen. Wir investieren weiterhin in KI- und ML-Anwendungen und -Lösungen, die die Herausforderungen der Ressourcenüberlastung auf Flughäfen lösen, unabhängig von der Größe oder Komplexität der Warteschlangen.
In Newark erwähnte eine Teilnehmerin, dass die Xovis-Sensoren, die vor 10 Jahren an ihrem Flughafen installiert wurden, kürzlich mit unseren neuesten, auf maschinellem Lernen basierenden Algorithmen aktualisiert wurden. Für mich ist dies ein hervorragender Beweis für den zukunftssicheren Ansatz von Xovis: langlebige Qualität, die sich ständig mit neuen Fortschritten weiterentwickelt.
AERO, unser neuer vollständig verwalteter Dienst, spiegelt diesen Ansatz wider. Die Cloud-Umgebung bietet einen sicheren Betriebsrahmen und garantiert eine konsistente und zuverlässige Lieferung von genauen Daten. Eine Cloud-native Lösung erspart den Betreibern die Kosten und Unannehmlichkeiten von Ausfallzeiten, die mit On-Premise-Lösungen verbunden sind, und kann auch den Bedarf an Fachpersonal überflüssig machen.
Tags: | Flughäfen | KI-Flughäfen | Passagiererlebnis | Datenqualität | Terminalbetrieb |
