Einleitung
Spät in der Nacht stand Armin Yilmaz an einem leeren Taxistand, während ein paar Straßen weiter Menschen aus einer Veranstaltung strömten. Die App zeigte „geringe Nachfrage“. Armin sah die Jacken, die Richtung, die Uhrzeit und wusste: Gleich würden viele gleichzeitig fahren wollen.
Armin lebt in Köln, fährt seit Jahrzehnten Taxi und arbeitet inzwischen mit Mobilitätsdaten. Sein Stadtwissen passt in kein normales Formular. Genau deshalb ist es für KI-Projekte interessant.
Geschichte des Weges in die KI
Armin ärgerte sich lange über Navigationssysteme, die Staus sahen, aber keine Stimmung. Baustellen, Schichtwechsel, Schulferien, Regen nach einem warmen Tag: Für ihn sind das keine Anekdoten, sondern Signale. In einem offenen Datenkurs lernte er, Geodaten und Nachfrageprognosen zu lesen. Beim ersten Tech-Treffen fühlte er sich fremd. Viele redeten über urbane Mobilität, als hätten sie die Stadt nur von Dashboards aus gesehen.
Sein erstes Projekt war eine Karte, die Wartezeiten an Taxiständen mit Wetter, Uhrzeit und lokalen Ereignissen kombiniert. Anfangs waren die Daten zu grob. Das Modell schlug Fahrten in Bezirke vor, in denen Taxis zwar oft gebraucht wurden, aber schlecht wenden konnten oder durch Baustellen festhingen. Armin ergänzte Fahrerhinweise: Wo ist die Zufahrt wirklich offen? Wo steht nachts die Polizei? Wo warten Menschen lieber an der nächsten Ecke?
Aktuelle Arbeit
Heute bringt Armin Fahrerwissen in ein lokales Mobilitätslabor ein. Bei einem Modell für Nachfrageprognosen erklärte er, warum ein scheinbar ruhiger Straßenzug nach bestimmten Konzerten plötzlich wichtig wird. Das Team nahm nicht jedes Detail auf, aber es änderte die Bewertung: Datenpunkte werden nun mit Erfahrungsnotizen geprüft, bevor Empfehlungen an Fahrer gehen.
Die Prognosen wurden verlässlicher, ohne den Beruf zu romantisieren. Armin sieht Grenzen: Bewegungsdaten sind sensibel, und eine bessere Verteilung von Fahrzeugen darf nicht bedeuten, dass Fahrer permanent überwacht werden.
Persönlicher Rat
„Daten zeigen, wohin Menschen gehen. Warum sie dort stehen bleiben, weiß oft jemand auf der Straße“, sagt Armin. Wer städtische KI baut, sollte informelles Wissen nicht als Störung behandeln.
Schlüsselfakten
Alter und Ort: 54, Köln.
Hintergrund: Taxigewerbe, Schichtarbeit, informelles Stadtwissen.
Einstieg in KI: Karte zu Wartezeiten, Wetter und lokalen Ereignissen.
Schwerpunkt heute: Urbane Mobilitätsprognosen mit Praxiswissen.
Typische Werkzeuge: Geodaten, Nachfrageprognosen, Datenschutzregeln.
Werkstattnotiz
Armin führt ein kleines Heft mit Orten, die auf Karten harmlos wirken. Eine Seitenstraße bekommt dort den Vermerk: „gut bei Regen, schlecht nach Mitternacht“. Solche Notizen sind schwer zu modellieren. Sie verhindern aber, dass KI Stadt nur als Raster sieht und nicht als Gewohnheit.