Wie kann das Schienennetz der Bahn optimal und nachhaltig ausgelastet werden? Welche Wege müssen die Züge einschlagen, um dieses Ziel effizient und bestenfalls pünktlich zu erreichen? Dieser Herausforderung geht ein zusammengesetztes Expertenteam von Data Scientists, Software Engineers, Product Owners und Data Engineers der T-Systems im Rahmen der Flatland Challenge auf den Grund – und ich als Young Professional darf ein Teil dieses Teams sein.
Die Flatland Challenge ist ein Wettbewerb, bei dem das Problem der Neu- und Umplanung angegangen wird. Das ist von grosser Bedeutung für Transportunternehmen, da sie aufgrund des hohen Mobilitätsbedarfs ihre Transportkapazität immer wieder erhöhen müssen.
Um was geht’s in der Flatland Challenge? Im Rahmen der Challenge wird jedem Teilnehmer eine Plattform zur Verfügung gestellt, welche die Dynamik des Zugverkehrs und der Bahninfrastruktur simuliert. Diese Plattform steht dann jedem zur Verfügung, der an der Challenge teilnehmen will. Mittels dieser Plattform können verschiedene experimentelle Ansätze ausgetestet werden. Mit anderen Worten wird in dieser Challenge der Frage nachgegangen: Wie können Züge lernen sich automatisch untereinander zu koordinieren, so dass es in grossen Zugnetzen zu minimalen Verspätungen kommt und die Bahngleise optimal ausgelastet sind? Um die Challenge zu lösen, haben wir uns für die Technik des Reinforcement Learnings einen Teilbereich von künstlicher Intelligenz, entschieden. Beim Reinforcement Learning lernt ein sogenannter Agent selbstständig eine Strategie, um eine erhaltene Belohnung zu maximieren. Somit kann in diesem Fall ein Zug selbstständig den optimalsten Weg erlernen, um das entsprechende Ziel der Flatland Challenge zu erreichen. Als Team haben wir uns der Herausforderung gestellt, um einerseits Themen im Bereich künstlicher Intelligenz (KI) in der T-Systems selbst voranzubringen, und um andererseits im Markt unsere Fähigkeit in der KI zu positionieren. Die Flatland Challenge wurde am 6.11.2020 beendet.
Die Daten der Flatland Challenge müssen regelmässig überprüft werden. Dies wird oftmals auch mit Teamkollegen überprüft.
Seit Februar 2020 arbeite ich bei der T-Systems in einem 60%-Zeitpensum als Young Professional auf der Hub:able Plattform. Die Freiheit dieser Plattform sowie auch die Flexibilität ermöglichen es mir, an Projekten meiner Wahl mitzuwirken. Als Data Science Masterstudentin im 3. Semester an der Hochschule Luzern ist die Flatland Challenge für mich eine grossartige Möglichkeit, mein im Studium erlerntes Wissen über maschinelles Lernen in die Praxis umzusetzen.
Zusammen mit meinem Team entwickelten wir die Algorithmen und testeten sie beinahe täglich. Die Koeffizienten, welche nach dem Ausführen des Algorithmus angezeigt werden, zeigen mir, wie gut dieser abgeschnitten hat. Das Schöne an dieser Tätigkeit ist, dass wenn es gut läuft, wir täglich Fortschritte und Verbesserungen in unserer Arbeit (Algorithmus) erkennen können.
Mein Einsatz bei der Flatland Challenge brachte mich zudem mit Kolleginnen und Kollegen ausserhalb vom T-Systems Schweiz Firmenhauptsitz in Zollikofen zusammen, da die Zusammenarbeit abteilungs- bzw. sogar länderübergreifend war. Als Neuling bei der T-Systems war das für mich eine wunderbare Chance, die gesamte Organisation sowie auch die anderen Mitarbeitenden besser kennenzulernen. Das Team ist ebenfalls international aufgestellt: so sitzt jemand in Deutschland, in der Schweiz oder auch in Indien. Mittels den von der T-Systems zur Verfügung gestellten Kollaborations-Tools können wir ganz einfach virtuell zusammenarbeiten.
Als Young Professional auf Hub:able können wir uns in mehrere ausgewählte Projekten einbringen. In meinem Fall sind dies zwei Projekte, wobei eines davon bis zum 6.11.2020 die erwähnte Flatland Challenge war. Nun bereite ich mit dem in der Flatland Challenge erlerntem Wissen Workshops im Bereich Künstlicher Intelligenz vor. Beim anderen Projekt arbeite ich im Business Intelligence-Team, in dem ich grösstenteils Data Engineering Aufgaben übernehme. Du fragst dich, was ist Data Engineering? Beispiele davon ist das Konzipieren und Entwickeln von SQL-Server Integration Services (SSIS) und SQL-Server Analysis Services (SSAS) Jobs. Mittels diesen Jobs können Daten extrahiert, transformiert und in Datenbanken geladen werden. Zusätzlich können diese Daten mittels den SSAS-Jobs so aufbereitet werden, dass sie tiefgreifende Analysen ermöglichen.
Das Mitwirken in mehreren Abteilungen und Teams ist wertvoll und sehr lehrreich. Ausserdem lerne ich, gerade auch weil ich nebenbei noch studiere, mir meine Zeit richtig einzuplanen und agil im Team zu agieren. Dies führt zu einer höheren Belastbarkeit und somit zu einer optimalen Vorbereitung auf meine Zielposition. Somit kann ich mich als Young Professional nicht nur fachlich, sondern auch persönlich weiterentwickeln.
Carla Özen
Business Intelligence & Artificial Intelligence
