DB InfraGO hoofd algoritmen voor operaties Hannah Richta over hoe AI de veerkracht en punctualiteit verbetert

In de wereld waar veel op het spel staat, telt elke seconde. DB InfraGO, de tak van Deutsche Bahn die zich bezighoudt met infrastructuur, gebruikt nu een AI-gestuurde treindienstleider (ADA-PMB) om kostbare tijd te besparen op vertragingen en treinen vlotter te laten rijden.

Hannah Richta, Hoofd Algoritmen voor Operaties bij DB InfraGO, en haar team ontwikkelden ADA-PMB, een geautomatiseerde treindienstleider die wiskundige optimalisatie, heuristiek en machine learning combineert om treindienstleiders te helpen snellere, eerlijkere beslissingen te nemen. Voorafgaand aan haar toespraak op de Intelligent Rail Summit op 5 november vertelt ze in dit interview hoe het systeem werkt, wat de uitdagingen zijn bij het opschalen van AI in het spoorvervoer en waarom transparantie met regelgevende instanties essentieel is.

Het systeem wordt sinds 2020 getest en is nu actief in vier belangrijke regio’s. Richta vertelt hoe het systeem nu al een verschil maakt: “Als treinen worden ingezet zoals aanbevolen, is dat gemiddeld 100 seconden winst per inzet in de regio Frankfurt.” Dat klinkt misschien bescheiden, maar met honderden aanbevelingen per dag is het cumulatieve effect aanzienlijk – vooral in een netwerk waar één enkele vertraging een domino-effect kan hebben op veel treindiensten.

Haar afdeling richt zich op real-time beslissingsondersteuning voor treindienstleiders, degenen die treinen op het spoor beheren. “Het gaat niet om planning of onderhoud,” verduidelijkt ze. “Het gaat over wat er nu gebeurt: welke trein gaat eerst, welke wacht, en hoe minimaliseer je vertragingen op het hele netwerk wanneer je te maken krijgt met verstoringen.”

Hoe een AI-treindienstleider werkt

De kern van Richta’s werk is ADA-PMB, een AI-gestuurde treindienstleider die sinds 2020 wordt getest. Het systeem gebruikt een mix van wiskundige optimalisatie, heuristiek en machinaal leren om real-time treinposities, beschikbaarheid van infrastructuur en verkeersregels te analyseren. Het resultaat? Elke minuut krijgen treindienstleiders bruikbare aanbevelingen, zoals inhaalmanoeuvres, spoorveranderingen of prioriteiten bij kruisingen.

Het proces is snel: oplossingen moeten binnen 60 seconden gegenereerd worden om bruikbaar te zijn. “Als we te langzaam zijn, is het net alsof je op maandag de lottonummers van volgende week zaterdag voorspelt – het is nutteloos”, zegt ze.

Een andere uitdaging is ervoor zorgen dat het systeem alle treinen gelijk behandelt. “Het Bundesnetzagentur [federaal netwerkagentschap] controleert onze modellen streng,” merkt Richta op. “Ze willen zien dat we DB-treinen geen voorrang geven boven bijvoorbeeld Flixtrain. Wiskundige optimalisatie maakt dit transparant – puur machinaal leren zou moeilijker uit te leggen zijn.”

Deze regelgevende controle is weliswaar veeleisend, maar heeft ook een voordeel: “We hebben de zekerheid dat ons systeem gecertificeerd is als eerlijk. Dat is beter dan miljoenen investeren om later juridische risico’s te lopen.”

Lessen uit de pilot: Klein beginnen, snel leren

De reis begon in 2020 met een bescheiden pilot in Berlijn, gericht op lokale treinen met uniforme snelheden. “Het was relatief ongecompliceerd, een goed startpunt,” herinnert Richta zich. Het team leerde hun modellen te optimaliseren, machine learning en heuristiek te gebruiken om berekeningen te versnellen en – heel belangrijk – nauw samen te werken met treindienstleiders. “We hebben veel tijd besteed aan diensten, praten met gebruikers en ervoor zorgen dat ze zich betrokken voelden,” zegt ze. Feedbackmechanismen, zoals knoppen om op en neer te drukken bij aanbevelingen, helpen om het systeem te verfijnen en houden de treindienstleiders betrokken.

Het systeem wordt momenteel gebruikt in vier regio’s, waaronder Frankfurt (een belangrijk netwerkknooppunt) en de München-Lindau-corridor, en een pilot in Stuttgart en Noordwest-Duitsland. Richta streeft ernaar om tegen het einde van 2026 aanbevelingen rechtstreeks in het scherm van de treindienstleider te integreren, in plaats van het huidige aparte scherm. “We willen opschalen naar een paar regio’s per jaar,” zegt ze, “maar financiering en politieke prioriteiten zullen een rol spelen.”

De impact van het systeem is al meetbaar: in Frankfurt bespaart elke aanbeveling gemiddeld 100 seconden voor alle betrokken treinen. “Het lijkt misschien niet veel, maar in druk verkeer is 100 seconden heel goed, vooral omdat vertragingen kunnen doorwerken in het hele netwerk,” benadrukt ze.

Weers- en klimaatverstoringen

Onverwachte verstoringen zijn altijd een uitdaging voor spoorwegbeheerders en met de toename van extreem weer als gevolg van klimaatverandering wordt een van de oorzaken een groter probleem. Het potentieel van ADA-PMB strekt zich uit tot het omleiden van treinen rond verstoorde sporen, maar Richta ziet nog bredere toepassingen. “We bespreken modules voor grootschalige verstoringen, zoals spoorafsluitingen door aardverschuivingen of omgevallen bomen,” zegt ze. Sensoren op locomotieven zouden ook kunnen helpen bij het identificeren van risico’s, zoals onstabiele vegetatie, voordat ze problemen veroorzaken.

Extreem weer is een ander aandachtspunt. “DB InfraGO gebruikt net als andere spoorbeheerders weersvoorspellingen om bemanningen voor te bereiden en treinen om storingen heen te leiden,” zegt ze. Toekomstige plannen omvatten het uitrusten van locomotieven met sensoren om risico’s zoals onstabiele bomen te detecteren. “Het gaat erom veerkrachtiger te worden door meer sensoren te gebruiken en meer gegevens te verzamelen, en natuurlijk door geavanceerde technieken te gebruiken om deze gegevens te analyseren, om een beter idee te krijgen van waar de risico’s zich op onze sporen bevinden.”

Algoritmes voor het dispatchinggedeelte zouden ook gebruikt kunnen worden om goede nieuwe oplossingen te vinden wanneer een spoor gedeeltelijk buiten gebruik is, bijvoorbeeld door een aardverschuiving, en om dan te bepalen hoe vertragingen geminimaliseerd kunnen worden. “We zijn nog niet op dit punt met ons systeem, maar we zijn in gesprek om modules voor ons systeem te bouwen die dit op grotere schaal kunnen doen.” Hoewel deze functies nog in ontwikkeling zijn, is het principe duidelijk: betere gegevens en slimmere algoritmen kunnen spoorwegnetwerken veerkrachtiger maken in het licht van klimaatverandering.

Digitalisering is essentieel

De volgende grote mijlpaal is de integratie van ADA-PMB rechtstreeks in de schermen van het treindienstleidingsysteem tegen het einde van 2026, ter vervanging van het huidige extra scherm. Daarna is het plan om op te schalen naar twee nieuwe regio’s per jaar, afhankelijk van financiering en politieke steun. “We hebben nog steeds een grote achterstand in de digitalisering bij Deutsche Bahn, ook in mijn regio. We boeken enige vooruitgang en we hopen op de steun van ons ministerie van Verkeer om dit op te schalen”, zegt Richta.

Ze is optimistisch maar pragmatisch: “Digitalisering is niet zo zichtbaar als het bouwen van een nieuwe brug, waar politici mee kunnen poseren. Het zijn veel kleine, vervelende stapjes.” Ze hoopt op meer middelen om de vooruitgang te versnellen, vooral omdat het nieuwe dispatchingsysteem, LeiDis-D, nu een modern platform biedt voor verdere innovatie.

Ze begon in verschillende functies met data en AI bij DB Cargo, stapte over naar IT-coördinatie en datawetenschap en leidde uiteindelijk projecten over het voorspellen van punctualiteit en AI- dispatching. “Ik ben hierin gegroeid”, zegt ze. “Nu heb ik 15 mensen in mijn team en ongeveer 30 externe ontwikkelaars. Het is een grote verantwoordelijkheid, maar wel een spannende.”

Wat de toekomst betreft, heeft ze vertrouwen: “We zitten in gecompliceerde tijden, met nieuw DB-leiderschap en wat politieke onzekerheid, maar de richting is duidelijk. Digitalisering is niet optioneel – het is essentieel voor de toekomst van het spoor.”

Bezoek Hannah Richta op de Intelligent Rail Summit

Hannah Richta bespreekt op 5 november 2025 tijdens de Intelligent Rail Summit in Slovenië hoe DB InfraGO AI gebruikt om de veerkracht en punctualiteit te verbeteren. Haar sessie zal gaan over de ontwikkeling van ADA-PMB, de resultaten van pilots en een panel over de toekomst van AI in het spoor. Voor meer inzichten, mis het niet! Het evenement richt zich op datagestuurde manieren om de spoorwegen veerkrachtiger te maken, met een focus op klimaatbestendigheid, waaronder satelliet- en dronebewaking, realtime diagnostiek en voorspellend onderhoud. Het volledige programma vind je hier.