Hannah Richta, responsable des algorithmes pour les opérations de DB InfraGO, explique comment l’IA améliore la résilience et la ponctualité.

Dans le monde des opérations ferroviaires, chaque seconde compte. DB InfraGO, la branche infrastructure de la Deutsche Bahn, utilise désormais un assistant de dispatching piloté par l’IA, ADA-PMB, pour gagner un temps précieux sur les retards et assurer une circulation plus fluide des trains.

Hannah Richta, responsable des algorithmes pour les opérations chez DB InfraGO, et son équipe ont mis au point ADA-PMB, un assistant de répartition automatisé qui combine l’optimisation mathématique, l’heuristique et l’apprentissage automatique pour aider les répartiteurs à prendre des décisions plus rapides et plus justes. Avant de s’exprimer lors de l’ Intelligent Rail Summit le 5 novembre, elle explique dans cet entretien le fonctionnement du système, les défis liés à la mise à l’échelle de l’IA dans le secteur ferroviaire et les raisons pour lesquelles la transparence avec les régulateurs est essentielle.

Le système, piloté depuis 2020, est désormais actif dans quatre régions clés. Mme Richta explique comment le système fait déjà la différence : « Si les trains sont répartis comme recommandé, cela représente en moyenne un gain de 100 secondes par répartition dans la région de Francfort. » Cela peut sembler modeste, mais avec plusieurs centaines de recommandations émises chaque jour, l’effet cumulatif est significatif, en particulier sur un réseau où un seul retard peut avoir un effet d’entraînement sur de nombreux services ferroviaires.

Son département se concentre sur l’aide à la décision en temps réel pour les répartiteurs, ceux qui gèrent les trains déjà sur les voies. « Il ne s’agit pas de planification ou de maintenance », précise-t-elle. « Il s’agit de savoir ce qui se passe dans l’immédiat : quel train part en premier, lequel attend, et comment minimiser les retards sur l’ensemble du réseau en cas de perturbations ».

Fonctionnement d’un assistant de régulation à base d’IA

Le cœur du travail de M. Richta est ADA-PMB, un assistant de dispatching alimenté par l’IA et testé depuis 2020. Le système utilise un mélange d’optimisation mathématique, d’heuristique et d’apprentissage automatique pour analyser en temps réel la position des trains, la disponibilité des infrastructures et les règles de circulation. Le résultat ? Des recommandations exploitables, telles que des manœuvres de dépassement, des changements de voie ou des priorités de croisement, fournies aux répartiteurs toutes les minutes.

Le processus est rapide : les solutions doivent être générées dans les 60 secondes pour être utiles. « Si nous sommes trop lents, c’est comme prédire les numéros de loterie de samedi prochain le lundi – c’est inutile », dit-elle.

Un autre défi consiste à s’assurer que le système traite tous les trains de la même manière. « La Bundesnetzagentur (Agence fédérale des réseaux) vérifie rigoureusement nos modèles », note Mme Richta. « Elle veut s’assurer que nous ne donnons pas la priorité aux trains de la DB par rapport à ceux de Flixtrain, par exemple. L’optimisation mathématique rend cela transparent – l’apprentissage automatique pur serait plus difficile à expliquer ».

Cette surveillance réglementaire, bien qu’exigeante, a un avantage : « Nous avons la sécurité de savoir que notre système est certifié équitable. C’est mieux que d’investir des millions pour s’exposer plus tard à des risques juridiques.

Les leçons du projet pilote : Commencer petit, apprendre vite

L’aventure a commencé en 2020 avec un modeste projet pilote à Berlin, axé sur les trains locaux à vitesse uniforme. « C’était relativement simple, un bon point de départ », se souvient M. Richta. L’équipe a appris à optimiser ses modèles, à utiliser l’apprentissage automatique et l’heuristique pour accélérer les calculs et, surtout, à collaborer étroitement avec les répartiteurs. « Nous avons passé beaucoup de temps dans les équipes, à parler aux utilisateurs et à nous assurer qu’ils se sentaient impliqués », explique-t-elle. Les mécanismes de retour d’information, tels que les boutons « pouce en l’air » ou « pouce en bas » sur les recommandations, permettent d’affiner le système et de maintenir l’implication des répartiteurs.

Le système est actuellement utilisé dans quatre régions, dont Francfort (un nœud important du réseau) et le corridor Munich-Lindau, ainsi que dans le cadre d’un projet pilote à Stuttgart et dans le nord-ouest de l’Allemagne. D’ici à la fin de l’année 2026, M. Richta souhaite intégrer les recommandations directement sur les écrans des répartiteurs, au lieu de l’affichage séparé actuel. « Nous voulons passer à quelques régions par an, dit-elle, mais le financement et les priorités politiques joueront un rôle.

L’impact du système est déjà mesurable : à Francfort, chaque recommandation permet de gagner en moyenne 100 secondes sur l’ensemble des trains concernés. « Cela peut sembler peu, mais dans un trafic dense, 100 secondes, c’est très bien, d’autant plus que les retards peuvent se répercuter sur l’ensemble du réseau », souligne-t-elle.

Perturbations météorologiques et climatiques

Les perturbations inattendues sont toujours un défi pour les gestionnaires des chemins de fer, et avec l’augmentation des conditions météorologiques extrêmes due au changement climatique, l’une des causes est en train de devenir un problème plus important. Le potentiel de l’ADA-PMB s’étend au réacheminement des trains autour des voies perturbées, mais M. Richta entrevoit des applications encore plus vastes. « Nous discutons de modules permettant de gérer les perturbations à grande échelle, comme les fermetures de voies dues à des glissements de terrain ou à des chutes d’arbres », explique-t-elle. Les capteurs installés sur les locomotives pourraient également aider à identifier les risques, tels que la végétation instable, avant qu’ils ne causent des problèmes.

Les conditions météorologiques extrêmes constituent un autre point d’attention. « DB InfraGO, comme d’autres gestionnaires ferroviaires, utilise les prévisions météorologiques pour préparer les équipes et réacheminer les trains en cas de perturbations », explique-t-elle. Il est prévu d’équiper les locomotives de capteurs pour détecter les risques tels que les arbres instables. « Il s’agit de devenir plus résilient en utilisant plus de capteurs et en obtenant plus de données et, bien sûr, en utilisant des techniques sophistiquées pour analyser ces données, afin d’avoir une meilleure idée de l’endroit où se trouvent les risques sur nos voies ».

Les algorithmes de répartition pourraient également être utilisés pour trouver de nouvelles solutions lorsqu’une voie est partiellement inutilisable, par exemple en raison d’un glissement de terrain, et pour déterminer comment les retards peuvent être minimisés. « Nous n’en sommes pas encore là avec notre système, mais nous sommes en train de discuter de la construction de modules pour notre système qui peuvent faire cela à plus grande échelle. Bien que ces fonctionnalités soient encore en cours de développement, le principe est clair : de meilleures données et des algorithmes plus intelligents peuvent rendre les réseaux ferroviaires plus résistants face au changement climatique.

La numérisation est essentielle

La prochaine étape importante est l’intégration de l’ADA-PMB directement dans les écrans du système de répartition d’ici à la fin de 2026, en remplacement de l’actuelle configuration à écran supplémentaire. Ensuite, il est prévu d’étendre le projet à deux nouvelles régions par an, en fonction du financement et du soutien politique. « Nous avons encore beaucoup de retard dans la numérisation de la Deutsche Bahn, y compris dans ma région. Nous progressons et nous espérons obtenir le soutien de notre ministère des transports pour étendre le projet », explique Mme Richta.

Elle est optimiste mais pragmatique : « La numérisation n’est pas aussi visible que la construction d’un nouveau pont, avec lequel les politiciens peuvent prendre la pose. Il s’agit de nombreuses petites étapes fastidieuses ». Elle espère que davantage de ressources permettront d’accélérer les progrès, d’autant plus que le nouveau système de répartition, LeiDis-D, offre désormais une plateforme moderne pour poursuivre l’innovation.

Après avoir occupé plusieurs postes liés aux données et à l’IA chez DB Cargo, elle s’est orientée vers la coordination informatique et la science des données, pour finalement diriger des projets sur la prédiction de la ponctualité et le dispatching par l’IA. « J’ai grandi dans ce domaine », se souvient-elle. « Aujourd’hui, mon équipe compte 15 personnes et une trentaine de développeurs externes. C’est une grande responsabilité, mais elle est passionnante. »

Pour ce qui est de l’avenir, elle est confiante : « Nous vivons une période compliquée, avec une nouvelle direction de la DB et une certaine incertitude politique, mais la direction est claire. La numérisation n’est pas facultative, elle est essentielle pour l’avenir du rail ».

Rejoignez Hannah Richta à l’Intelligent Rail Summit

Hannah Richta expliquera comment DB InfraGO utilise l’IA pour améliorer la résilience et la ponctualité lors de l’Intelligent Rail Summit en Slovénie, le 5 novembre 2025. Sa session couvrira le développement d’ADA-PMB, les résultats des projets pilotes et un panel sur l’avenir de l’IA dans le secteur ferroviaire. Pour en savoir plus, ne manquez pas cet événement ! L’événement se concentre sur les moyens axés sur les données pour rendre les chemins de fer plus résilients, en mettant l’accent sur la résilience climatique, y compris la surveillance par satellite et par drone, les diagnostics en temps réel et la maintenance prédictive. Le programme complet est disponible ici.