ecoexperts — Tunnelsensorfusion: Implementierung von ML Modellen in der kritischen Infrastruktur

ecoexperts ist ein führendes Unternehmen im Bereich Infrastrukturautomatisierung, das sich auf die Entwicklung und Implementierung von hochmodernen Steuerungssystemen für kritische Infrastrukturen spezialisiert hat. Mit einem Schwerpunkt auf Tunnel, Verkehrsregelung und Energiefarmen gewährleistet ecoexperts ständige Verfügbarkeit, Schutz vor Cyberangriffen und zukunftsfähige Skalierbarkeit. Seit der Gründung 2011 in Österreich hat das Unternehmen erfolgreich große Infrastrukturprojekte umgesetzt und ist ein wichtiger Partner der ASFINAG, dem Betreiber der Straßeninfrastruktur des österreichischen Staates. ecoexperts steht für Nachhaltigkeit, Innovation und maßgeschneiderte Lösungen, um effiziente und sichere Infrastrukturen zu schaffen.

In einem modernen Autobahntunnel sind eine Vielzahl von unterschiedlichen Sensoren verbaut, beispielsweise Kameras zur Videoerkennung, Mikrofone, Zählschleifen, CO-Messgeräte etc. (im vorliegenden Fall sind es über 350 verschiedene Sensoren über eine Distanz von mehr als zwei Kilometer). Jeder dieser Sensoren erkennt spezielle Ereignisse im Tunnel wie beispielsweise langsame Fahrzeuge, stehende Fahrzeuge oder Unfälle. Durch unterschiedliche Effekte liefern die Einzelsensoren eine große Anzahl an falsch-positiven Ereignismeldungen (Ereignismeldungen ohne tatsächliches Problem im Tunnel). Die Mitarbeiter*innen in der Tunnelzentrale müssen wiederum auf jede dieser Meldungen reagieren und entsprechende Maßnahmen einleiten (Tunnel schließen, Geschwindigkeit verlangsamen etc.).

Unser Ziel war, mithilfe eines Machine Learning Modells die Anzahl der falsch-positiven Meldungen signifikant zu reduzieren, ohne dabei die Anzahl der wahr-positiven Meldungen zu verringern. Die Herausforderung bestand darin, die Informationen aus den verschiedenen Sensoren geeignet zu kombinieren und eine treffsicherere Ereignismeldung an die Zentrale zu liefern.

Um die Daten- und Systemarchitektur zu erarbeiten, haben wir mit einem Data Thinking Workshop gestartet. In diesem Format analysieren wir zuerst die Geschäftsprozesse und -daten hinsichtlich potentieller Anwendungsfälle und erstellen dann einen detaillierten Projektplan, mit notwendigen Schritten, erforderlichen Ressourcen und voraussichtlichem Zeitrahmen.

Nachdem wir die grundsätzliche Datenarchitektur geklärt haben, wurden Daten-Pipelines implementiert, um die rohen Sensordaten in ein geeignetes Zielformat für ein Machine Learning Modell zu bringen.

Im nächsten Schritt haben wir verschiedene Machine Learning Modelle getestet und bewertet. Die Wahl der richtigen Bewertungsmetrik spielte eine entscheidende Rolle bei der Modellauswahl, da beispielsweise die Accuracy falsch-positive Vorhersagen gleich wie falsch-negative gewichtet.

Zur Versionskontrolle des Codes wurde Git verwendet und zur Versionierung von Modellen, Artefakten und Metriken MLFlow. Via fastAPI wurden APIs für die Modelle implementiert und via MLFlow wurden die produktionsbereiten Modelle schließlich der API zur Verfügung gestellt.