Mit KI auf schnellstem Wege durch den Security-Check

Im Rahmen eines aktuellen Kundenprojektes beauftragte Hamburg Airport adesso damit, ein KI-System zu entwickeln, das die Personenzahlen an den Sicherheitskontrollen vorhersagen kann. Diese Prognosen sollen nicht nur dabei helfen, die Kundenzufriedenheit zu erhöhen, indem Reisenden der schnellste Weg durch die Sicherheitskontrollen angezeigt wird, sondern auch den Gewinn des Flughafens erhöhen, indem Sicherheitsmanager die Personalentscheidungen optimieren können.

Grundlage für das Training des ML-Modells waren die Passagier- und Flugdaten der letzten drei Jahre, ergänzt um die Feriendaten einzelner Bundesländer. Nach der Vorbereitungsphase wurden die Daten in der Feature-Engineering-Phase weiter optimiert. adesso verringerte die Anzahl der Features mit verschiedenen Mitteln unterschiedlicher Wichtigkeit von anfänglich 1.500 auf eine vertretbare Zahl. Der abschließende Datensatz bestand aus rund 30 Features, die für die nachfolgende Trainings- und Validierungsphase genutzt wurden.

Das Modell, das letztendlich zum Einsatz kam, umfasste unterschiedliche Algorithmen und griff auf einen Gradient Boosting Regressor, einen Decision Tree Regressor und ein mehrschichtiges Perzeptronmodell zurück. Mithilfe eines zusätzlichen Adaboost-Algorithmus konnten diese schwächeren Klassifizierer in einem insgesamt stärkeren Modell kombiniert werden. Außerdem sorgte ein Voting Regressor dafür, dass verschiedene Modellergebnisse in einem aussagekräftigen Gesamtmodell zusammengefasst wurden.

In diesen Fällen verwenden Data Scientists von adesso nach dem Trainieren des endgültigen Modells die Taktile-Plattform, um die Performance des Modells rasch zu überprüfen und das Modell in eine zuverlässige Webanwendung zu verwandeln. Die daraus resultierende REST-API umfasst eine detaillierte Dokumentation (d. h. Nutzungsanweisungen), was neuen Benutzern den Einsatz der Anwendung erleichtert. Außerdem generiert die Taktile-Plattform automatisch Modellerklärungen, die gründliche Einblicke in die Gründe für die Prognosen des Modells liefern. Die dabei entstehenden visuellen Darstellungen lassen sich bequem mit allen wichtigen Entscheidungsträgern am Kundenstandort teilen.

Mehr zur Taktile-Plattform

Die Operationalisierung von ML-Modellen ist bei KI-Projekten meist die größte Herausforderung. Sie dauert oft mehrere Monate, kann mit einem großen manuellen Engineering- und Dashboarding-Aufwand verbunden sein und bedeutet daher für die Kunden hohe Kosten. Durch die Nutzung der Best-Practices von adesso bei der Entwicklung moderner KI-Anwendungen kann dieser Aufwand erheblich reduziert werden. So lassen sich Projekte dieser Art deutlich schneller, kostengünstiger und mit weniger Fehlerquellen bereitstellen als zuvor.