20. Mai 2026

Unter dem Motto „Künstliche Intelligenz für die Bundeswasserstraßen – Potenziale, Herausforderungen und Anwendungen“ lud die BAW am 12. und 13. Mai zu einem Kolloquium ein. Hierbei ging es vor allem um die Frage, wie die vielfältigen Methoden aus dem Bereich maschinellen Lernens in fachliche Arbeit eingebunden werden können. Dabei waren die Vorträge so breit gestreut wie das Thema selbst und es kam zu einem regen Austausch sowohl in den Kaffeepausen zwischen den Präsentationen als auch beim Abendessen.

Zu Beginn gab Prof. Matthias Bethge in seiner Keynote einen ersten Eindruck des Themas: von ganz großen Weltmodellen bis hin zu den Anwendungsgebieten im Wasserbau. Danach folgten spannende Vorträge, unter anderem zu den Anwendungen der Einflusseinschätzung von Bauwerken, Qualitätskontrolle von Messdaten, Echtzeitanalyse von Gewässern mithilfe von Bilderkennung, flächigen Rekonstruktion von Messdaten in Nord- und Ostsee sowie die Vorstellung von ChatBots für die Bauwerksinspektion oder Infrastruktur-Bestandsdaten. Nach den Präsentationen ging es zu einer Poster-Session über, die dann in ein gemütliches Abendessen zwischen den Modellen in der Halle überging.

Am zweiten Tag begrüßte Prof. Dr. Markus König die Teilnehmenden mit seiner Keynote zu Anwendungen von KI im Bauwesen. Er stellte die Frage, an welchen Stellen maschinelles Lernen sinnvoll ist und wo „nur“ eine klassische Programmierung erforderlich ist, um Prozesse effizient zu automatisieren. Danach ging es direkt fachlich weiter: Optimierungsalgorithmen, die Verwendung zensierter Daten, Schiffssimulationen und Surrogatmodellen zur Beschleunigung numerischer Methoden. Zwischendurch konnten bei einer Demo-Session nochmal die Beine ausgestreckt werden. Die Demo-Sessions waren dabei frei wählbar und reichten von Drohnen und Laserscannern über einen Arbeitsworkflow für maschinelles Lernen, Qualitätskontrolle für LLMs oder der automatischen Erkennung von Verklausungen bis hin zur agentischen Programmierung.

In seinem Schlusswort griff Dr. Roman Weichert nochmal das Thema der Erklärbarkeit auf. Denn unplausible Antworten von KI-Methoden müssen nicht zwangsläufig falsch sein (so wurde beispielsweise die kosmische Hintergrundstrahlung durch Zufall und einer unplausiblen Messung entdeckt). Jedoch ist es sehr schwer diese Phänomene nachzuweisen, wenn man nicht die Korrektheit aller Einzelteile der Methode nachweisen kann oder diese Einzelteile zu komplex miteinander verwoben sind (meist das Problem bei Methoden maschinellen Lernens), um die Ausgabe bis ins Detail nachvollziehen zu können.