KI News: Kurz und klar.

Die Vorhersage von Funkwegverlusten (RPP) ist entscheidend für die Optimierung von 5G-Netzwerken und die Realisierung von IoT‑ und Smart‑City‑Anwendungen. Aktuelle Deep‑Learning‑Ansätze vernachlässigen jedoch wichtige Aspekte: Sie modellieren die Umgebung passiv, konzentrieren sich zu stark auf Ein‑Transmitter‑Szenarien und zeigen bei Verteilungssprüngen – etwa bei unterschiedlicher Gebäudedichte oder Transmitter‑Konfiguration – schlechte Generalisierung.

Gesichtserkennungssysteme zeigen häufig stark ausgeprägte demografische Verzerrungen, weil Informationen zu Geschlecht, Hautfarbe oder Alter eng mit den eigentlichen Identitätsmerkmalen verknüpft sind. Besonders in multikulturellen Städten, in denen biometrische Systeme Teil der Smart‑City-Infrastruktur sind, kann dies zu erheblichen Ungleichheiten bei der Verifikation führen.

Städte weltweit stehen vor beispiellosen Herausforderungen: Bevölkerungswachstum, steigende Nachfrage nach Infrastruktur und die Notwendigkeit, Ressourcen effizient zu nutzen. In diesem Kontext gewinnen KI-Agenten als zentrale Treiber für die Transformation urbaner Abläufe zunehmend an Bedeutung.

In der heutigen Smart‑City‑Technologie steht die künstliche Intelligenz im Mittelpunkt, doch Deep‑Learning‑Modelle, die Fahrzeugbewegungen vorhersagen, leiden häufig unter dem Phänomen des „catastrophic forgetting“. Dabei verlieren sie ihr bisheriges Wissen, sobald neue Daten in das System eingespeist werden. Traditionelle Lösungen, wie die Erweiterung des Trainingsdatensatzes oder das wiederholte Durchspielen alter Daten, sind kostenintensiv, ineffizient und schaffen keine ausgewogene Balance zwischen Langzeit‑ und Kurzzeit‑Erfahrung.