Use cases

Darstellung des Verkehrsflusses:

• Forschungsprojekte nutzen, um Datenhub zu befüllen
• Berechnung der Auswirkungen der Maßnahmen in einem größeren Modell
• –> oft werden Use Cases/ Maßnahmen getrennt voneinander betrachtet (Daten getrennt voneinander betrachtet, KU-Erfahrungen im Projekt New Mind)
• Kombination von Daten fehlt (Also wenn ich verschiedene Datensätze benötige, kann ich erstmal schauen, ob die inhaltlichen Informationen auch zusammenpassen)
• Daten müssen nicht verarbeitet zur Verfügung gestellt werden, da Forschende sich mit den Daten auseinandersetzen sollen
• Algorithmen werden abgefragt, wird auch Dauer nicht funktionieren, da sehr viel Rechenleistung benötigt wird
• Dummy-Ansätze zum Testen von DSGVO-betroffenen Datensätzen (keine realen Daten, sondern synthetisch generierte Daten)
• Schleifendaten werden von der Stadt in csv zur Verfügung gestellt, die Verarbeitung muss dann von dem jeweiligen Dateninteressenten selbst getätigt werden
• Zu wenig Daten werden zur Verfügung gestellt

Machine Learning:

• Für das Trainieren von Modellen hohe Datenmenge verfügbar machen
• Detailgrade, z.B. für die Scooter-Daten sind dokumentiert
• Clusterung in Form von Waben (inhaltliche Relation tracken) ist vorgenommen
• Information über Granularität der Daten ist vorhanden
• Informationen, ob die Daten dynamisch oder statisch sind, sollte bekannt sein

Nicht so detaillierte Daten werden benötigt, sondern eher generische Daten

Mehrwert wäre, dass der Betreiber anfragt, ob das Ergebnis interessant für den Datengeber ist. Kein direkter ROI vorhanden, jeder muss investieren.

Alle Mobilitätsdaten der Region mit Informationen zu

• Dateninhalt
• Datenablage
• Zeitliche Auflösung

• Fehlendes Vertrauen/Risiko in fremdgenerierte Daten (Qualität, dauerhafte Verfügbarkeit, zukünftige Entwicklung/Weitere Generierung)
• Veröffentlichungen auf nicht-öffentlich oder auch schwer zugänglichen Sytemen verhindern eine Überprüfbarkeit der veröffentlichten Methoden
• Nutzungseinschränkungen => Wert der eigenen Forschung hängt von der zukünftigen Entwicklung des Produzenten ab und dessen Nutzungsrechte
• (stellt dieser Daten nicht zur Verfügung, sinkt der Wert der eigenen Forschung in der Öffentlichkeit)

• Qualitätsstandards und -garantien; Möglicherweise sogar Einsicht in die Generationsarchitektur
• Klare Verfügbarkeitsabkommen (Dauer, zukünftige Entwicklung)
• Definierte und anpassbare Nutzungsvereinbarungen => Möglicherweise sogar Regelungen zu Weiterveröffentlichung von gekauften Datensätzen, wenn diese vom Nutzer wertschöpfend weiterverarbeitet wurden

Forschungsinstitutionen

• Niedrigere Anlaufhürden für Forschung: Forschung ohne davor die Datenproduktion (evtl. sogar das Data Engineering und die Qualitätssicherung) selbst umzusetzen
• Betrachtung größerer Datenmengen
• Argument der niedrigeren Anlaufhürde auch in Projektanträgen

Diverse

• Engineering für Qualitätssicherung, dauerhaften Verfügbarkeit der Daten, einfache Nutzbarkeit (APIs, Webhosting) bedeutet hohen Aufwand
• Rechtliche Unsicherheiten (Nutzungsrechte, Lizenzen, inwiefern darf ich Daten, die ich durch Projektgelder aufbauen konnte weiter vertreiben?…)
• Aufwand für Vermarktung (Visualisierung, Metadatenmanagement, Katalogpflege …)
• Zuständigkeit für lebendige Datengenerierung und Management? => Wiss. Mitarbeiter generieren ausschließlich zu Projektanfang qualitätsgesicherte Daten, weil sie für das Förderprojekt/deren Dissertation interessant sind
• Fehlende Datamanagement/DataOps Strukturen in Forschungsinstitutionen
• Entwicklung von Analyse Algorithmen/Weiterverarbeitungsalgorithmen stark von Forschungsprojekten getrieben => Potential der Daten wird nur begrenzt ausgeschöpft

• Unterstützung bei der Veröffentlichung von Daten und dem Data Engineering
• Vereinfachung rechtlicher Rahmenbedingungen
• Übernahme der Datenhaltung vertriebener Daten für risikofreiere Skalierung = niedrige Initialkosten, einfache Skalierung nach oben und unten, bei hoher/niedriger Nachfrage

Forschungsinstitutionen

• Einnahmequelle abseits der Projektfinanzierungen
• Argument für die Antragsstellung: Zukünftig ist eine Anbindung an die Datenplattform zur Verbreitung der Daten angedacht

Diverse

• Die Initiierung von Forschungsprojekten ist mit hohen Infrastruktur-Kosten verbunden
• Der zeitliche Aufwand für das Aufsetzen der Infrastruktur für die Speicherung und Bearbeitung der Datensätze ist sehr hoch, dadurch geht wertvolle Zeit für die Forschung verloren
• Die Datenhaltung nach Ende des Forschungsprojekts ist meist umstritten und wird oft von unterschiedlichen Dienstleistern betrieben
• Andere Forschungsinstitute können auf andere Forschungsdaten nicht zugreifen

=> Attraktivität der teuren, zeitaufwendigen Einzellösungen im Förderantrag verringert

Schnelle und unkomplizierte  Bereitstellung einer Infrastruktur für die Datenhaltung

Forschungsinstitutionen

Erfolgreiche Projektanträge = eingeworbene Drittmittel

Diverse

Als AI Software Entwickler zur Verkehrsflusssteuerung möchte ich Zugriff auf Testfelddaten aus Ingolstadt erhalten, um meinen Algorithmus zu trainieren.

 Problem: Die Daten sind DSGVO sensibel. „geschwärzte“ Daten reduzieren die Qualität und trainingsfähighkeit der Daten.

• Die Daten aus den Testfeldern liegen in einer einheitlichen, qualitätsgeprüften Form vor. Dies wird durch die Anwendung von GAIA-X Mechanismen erreicht.
• Dem Kunden wird die Möglichkeit gegeben auf den Testfelddaten zu trainieren.
• Durch den innovativen Compute-2-Data Ansatz bleiben die Daten in der Verwaltungshochheit des Testfeldbetreibers.
• Dadurch wird es möglich, auch DSGVO sensible Daten als Trainingsbasis anzubieten.
• Nutzungsrechte und Preis werden „digital“ verhandelt (SmartContracts)
• Der Kunde „least“ die Daten.
• Der Testfeldanbieter kann seine Daten monetarisieren.

Software Entwickler Verkehrsflusssteuerung / Ampelsteuerung

Erhöhung der Verkehrseffizienz in einer Stadt.

Kameradaten, Live Streams, Q-gesichert duch GAIA-X Methoden

• laufende Aktualisierung
• permanent zugänglich

• Kenntnis über die aktuelle Verkehrssituation
• Informations- und Alarmsystem für alle Nutzer:innen im öffentlichen Bereich

• Variante A: (Info-)Portal mit Echtzeit-Daten über den Verkehrsfluss und die Verkehrssituation mit einem Alarmsystem bei starken Verdichtungen oder Problemen (in einer App)
• Variante B: Verkehrsleitstand für steuernde Eingriffe

Verkehrsplanung, VGI, Feuerwehr, Rettungsdienst, Logistik

• Rettungsdienst: für die Routenplanung, um ihre Hilfsfrist einzuhalten
• IVG: Busansteuerung für Priorisierung, Planung von Shuttle on demand Routen
• Verkehrsplanung: Intelligente, flexible Verkehrssteuerung, aktives Eingreifen in die Ampelschaltung, Entfall des Aufwands für Verkehrszählungen
• alle verfügbaren Daten, gebündelt an einer Stelle (z.B. Auswertungen von Kameras für Fußgänger:innen-Zählungen) und neue Daten können stufenweise aufgenommen werden (z.B: Urban Air Mobility)
• Übergreifend: Grundlage für wichtige Entscheidungen

• Aktueller Demonstrator muss für eine Produktivanwendung auf Teile oder das gesamte Stadtgebiet erweitert werden
• Echtzeitfähigkeit ist erforderlich, heute nur bedingt gegeben

Ingolstadt hat neben der Zulieferindustrie und dem Fahrzeugtransport viele logistische Herausforderungen zu meistern.

Der Mobilitätsdatenraum Ingolstadt bietet eine Möglichkeit des regionalen und überregionalen Austauschs und der Planung von Logistikfahrten, sei es mit Expressfahrzeugen, Bahn, Lkw und Flurförderfahrzeugen im GVZ.

Bewertung aller Transportprozesse – innerhalb der Region (Stufe 1) in die Region bzw. von der Region (Stufe 2) zur:

►  Festlegung des idealen Verkehrsträgers

►  Festlegung der idealen Route

►  Festlegung der idealen Tageszeit für Verteilung/Transport inklusive Anforderungen des produzierenden Unternehmens

Austausch der Logistikplanung und IST-Position aller beteiligten Logistikpartner um die Planung auf vollständiger Informationsbasis machen zu können.

Logistikpartner und JIT-relevante Firmen

• Verkehrsentlastung
• Kooperative Planung (in Abstimmung mit Anderen)

• Echtzeit Positionsinfo, Ziel, Geschwindigkeit
• Planungsinfo, was fährt wann auf welcher Strecke

Vorprojekte wie IN2Lab oder 5GoIng haben die Grundlagen für Tests zum vernetzten, autonomen Fahren im urbanen Umfeld geschaffen. Objekterkennung, Sensordatenfusion und eine globale Karte mit erkannten Objekten wurden umgesetzt und können der Mobilitätsdatenplattform zugeführt werden.

Der Trend in USA und China geht jedoch dahin, dass zunächst auf Autobahnen mit den Möglichkeiten der roadside infrastructure (RSI) gearbeitet werden kann.

Erweiterung des Testfeldes „Erste Meile“ um Sensorik und Kommunikations-HW mind zwischen IN-Süd und IN-Nord, besser jedoch ab Manching bis Lenting.

Bereitstellung der Objektlisten in der Mobilitätsdaten-Plattform.

Entwickler und Zulieferer im Bereich ADAS/AD. Auch interessant für andere OEM

• Testfeld für lokale Entwicklung, Tests & Demo.
• Datenbereitstellung für ADAS/AD-Entwicklung
• (Sensorentwicklung, KI-Generierung, Simulation, Fahrstrecken)

Echtzeit Objektliste mit (Position, Positionsgenauigkeit, Geschwindigkeit, Richtung, Objekttyp, Spurangabe, Confidence) sowie sicher erkannte freie Bereiche, Spurvorgabe, Geschwindigkeitsvorgabe, Abstandsvorgabe, Steuerbar ja/nein, uvm.