Expertenbeitrag von Tim Faro, Junior Product Owner (REISER)
KI in Simulation und Training bezeichnet den Einsatz künstlicher Intelligenz, um Trainingsszenarien anzupassen, Leistungsdaten auszuwerten und Ausbilderinnen und Ausbilder bei Planung und Bewertung zu unterstützen. Sie ergänzt bestehende Simulatoren, ersetzt aber weder die Trainingssysteme noch die fachliche Entscheidung des Menschen.
Im Simulator ist vieles präzise: Systemzustände, Flugmodelle, Verfahren. Weniger präzise ist oft der Blick darauf, wie sich ein einzelner Lernweg über mehrere Trainingssituationen hinweg entwickelt.
Genau hier setzt die Diskussion über künstliche Intelligenz in Simulation und Training an. Nicht, weil moderne Simulatoren zu wenig leisten. Sondern weil sie mit zusätzlicher Analyse- und Anpassungsfähigkeit noch genauer auf Menschen, Aufgaben und Lernfortschritte reagieren könnten.
Tim Faro beschäftigt sich mit dieser Frage aus einer klaren Perspektive: KI soll nicht ersetzen, was bereits funktioniert. Sie soll als zusätzliche Fähigkeitsebene auf leistungsfähigen Simulatoren aufbauen - und Training adaptiver, skalierbarer und datenbasierter machen.
Auf einen Blick
KI kann Trainingsszenarien an den aktuellen Lernstand anpassen.
Daten aus mehreren Sessions können Muster sichtbar machen, die in einer einzelnen Nachbesprechung verborgen bleiben.
Die fachliche Bewertung bleibt beim Menschen: KI liefert Hinweise und Evidenz, Ausbilderinnen und Ausbilder ordnen ein
Starke Simulatoren, statische Abläufe
Moderne Simulatoren bilden komplexe Systeme realitätsnah ab und schaffen eine sichere Umgebung für Situationen, die sich im realen Betrieb nicht beliebig oft üben lassen. Ihre Stärke steht für Tim Faro deshalb nicht infrage.
Die Herausforderung liegt an anderer Stelle. Viele Szenarien werden von Hand erstellt. Trainingsverfahren sind vorab definiert. Nach der Session werden Leistung und Fortschritt erneut manuell bewertet. Das funktioniert, bindet aber Zeit und lässt nur begrenzte Variation und Personalisierung zu.
Auch über mehrere Trainingssessions hinweg ist es aufwendig, Muster zuverlässig zu erkennen. Eine einzelne Beobachtung kann wichtig sein - sie zeigt aber nicht immer, ob sich eine Fähigkeit dauerhaft verbessert, ob eine Unsicherheit unter bestimmten Bedingungen wiederkehrt oder ob ein Problem nur in eine andere Situation verlagert wurde.
KI ist deshalb nicht interessant, weil die bestehende Simulation zu wenig kann. Sie ist interessant, weil starke Simulatoren mit zusätzlicher Analyse- und Anpassungsfähigkeit noch gezielter eingesetzt werden könnten.
Wenn Training auf den aktuellen Lernstand reagiert
Ein Trainingsszenario muss nicht für alle Pilotinnen und Piloten gleich ablaufen. Die passende Herausforderung hängt davon ab, was jemand bereits sicher beherrscht, wo Unsicherheiten liegen und wie sich die Leistung über mehrere Sessions entwickelt.
KI könnte während des Trainings fortlaufend analysieren, was passiert, und bestimmte Parameter anpassen: Wetterbedingungen, die Anzahl anderer Verkehrsteilnehmer, den Zeitpunkt einer Fehlfunktion oder den Schwierigkeitsgrad einer Aufgabe.
Das Ziel ist ein passender Herausforderungspunkt. Die Aufgabe soll anspruchsvoll genug sein, um Lernen auszulösen, aber nicht so schwer, dass die Person den Überblick verliert. Umgekehrt soll Trainingszeit nicht mit Abläufen vergehen, die längst sicher beherrscht werden.
Für das KI-gestützte Pilotentraining könnte dadurch ein stärker individualisierter Trainingsweg entstehen. Für die Ausbildung eröffnet es zugleich eine Grundlage für Competency-Based Training and Assessment, bei dem nicht nur ein einzelner Ablauf zählt, sondern die Entwicklung von Kompetenzen über mehrere Trainingssituationen hinweg.
Daten, die mehr erzählen als eine einzelne Session
Während eines Trainings entstehen viele Daten: Steuerinputs, Reaktionszeiten, Verfahrensabläufe und die Reaktion auf Systemzustände oder Fehlfunktionen. KI kann solche Informationen über mehrere Sessions hinweg auswerten und wiederkehrende Muster sichtbar machen.
Zeigt sich eine bestimmte Unsicherheit immer wieder? Tritt sie nur unter bestimmten Bedingungen auf? Wird eine Leistung im nächsten Training besser - oder verändert sich nur die Art, wie ein Problem sichtbar wird?
Eine solche datenbasierte Leistungsbewertung kann die Nachbesprechung unterstützen. Sie macht Entwicklungen vergleichbarer und hilft dabei, Feedback gezielter auf die Person und ihre Lernkurve abzustimmen. Aus einzelnen Datenpunkten entsteht ein längerfristiges Bild.
Dabei geht es nicht darum, die Erfahrung der Ausbilderinnen und Ausbilder durch einen automatischen Score zu ersetzen. KI kann Hinweise liefern und relevante Muster markieren. Die fachliche Einordnung bleibt dort, wo Kontext, Erfahrung und Verantwortung zusammenkommen.
KI kann messen. Menschen müssen einordnen.
Gerade bei der Bewertung von Pilotinnen und Piloten ist diese Grenze entscheidend. KI kann messbare Aspekte erfassen, zum Beispiel Reaktionszeiten, Steuerinputs oder die Einhaltung von Verfahren. Sie kann Auffälligkeiten über mehrere Sessions hinweg sichtbar machen und damit eine belastbarere Grundlage für die Nachbesprechung schaffen.
Ob eine Reaktion in einer bestimmten Situation angemessen war, lässt sich jedoch nicht immer aus einem Messwert ableiten. Situationsbewusstsein, Entscheidungen unter Druck und der Kontext eines Trainingsverlaufs verlangen menschliche Interpretation.
Der sinnvolle Ansatz ist deshalb eine klare Arbeitsteilung: KI stellt Evidenz bereit. Ausbilderinnen und Ausbilder bewerten, erklären und entscheiden. So wird Technologie zur Unterstützung der Ausbildung - nicht zum Ersatz für fachliche Verantwortung.
Flugmodelle mit Daten und Physik entwickeln
KI kann nicht nur im Training selbst ansetzen. Auch in der Flugmodellentwicklung sieht Tim Faro Potenzial.
Aerodynamisches Verhalten wird heute über Flugmodelle beschrieben, deren Erstellung aufwendig sein kann. Gleichzeitig existieren große Mengen an Flug- und Simulationsdaten. Neuronale Netze könnten darin Muster erkennen und dazu beitragen, neue Flugzeugkonfigurationen schneller und flexibler zu erstellen oder anzupassen.
Entscheidend ist, dass ein Modell nicht nur statistisch passende Ergebnisse liefert, sondern sich physikalisch plausibel verhält. Dafür gibt es eine verbreitete Technik: Physics-Informed Neural Networks (PINNs), auf Deutsch etwa physik-informierte neuronale Netze. Das Netz lernt aus den vorhandenen Daten. Gleichzeitig wird es während des Trainings darauf ausgerichtet, grundlegende physikalische Zusammenhänge einzuhalten.
Auch damit bleibt ein neuronales Netz zumindest teilweise eine Blackbox. Der Ansatz ist also nicht vollständig transparent. Er ist jedoch kein rein datengetriebenes Modell, das außerhalb seiner Trainingsdaten beliebige Ergebnisse liefern kann. Stattdessen werden die Vorteile von Daten und neuronalen Netzen mit physikalischem Wissen verbunden. Das kann zu robusteren, nachvollziehbareren und für bestimmte Anwendungen besser übertragbaren Flugmodellen beitragen.
Vom Potenzial zur verantwortbaren Anwendung
Der Weg von der Idee zur Anwendung beginnt nicht mit der Frage, wo sich KI überall einbauen lässt. Er beginnt mit den Bedingungen, unter denen sie sinnvoll und verantwortbar eingesetzt werden kann.
Welche Daten sind verfügbar? Wie lässt sich die Qualität der Ergebnisse prüfen? Wie können Empfehlungen verständlich gemacht werden? Und wie bleibt erkennbar, wo die Grenzen eines Systems liegen?
Für die Einführung bietet sich deshalb ein pragmatischer Weg an: mit klar abgegrenzten Anwendungsfällen beginnen, die sich testen und validieren lassen. Ausbilderinnen und Ausbilder sollten im Prozess bleiben und Empfehlungen nachvollziehen können. Die Integration sollte modular erfolgen und auf bestehenden Systemen aufbauen.
Nicht jede mögliche KI-Anwendung muss sofort umgesetzt werden. Entscheidend ist, dort anzufangen, wo ein konkreter Trainingsnutzen erkennbar und überprüfbar ist.
Der nächste Schritt ist kein Neustart
Die interessanteste Perspektive an KI in der Simulation liegt nicht in einer spektakulären Einzelanwendung. Sie liegt in der Möglichkeit, bestehende Systeme gezielt weiterzuentwickeln.
Simulatoren müssen nicht neu erfunden werden, damit Training adaptiver wird. Ausbilderinnen und Ausbilder müssen nicht aus dem Prozess verschwinden, damit Daten besser genutzt werden. Und eine KI muss nicht jede Entscheidung treffen, damit sie einen konkreten Mehrwert schafft.
Sie kann Szenarien variabler machen, Trainingspfade individueller gestalten, wiederkehrende Muster sichtbar machen und bei der Entwicklung physikalisch plausibler Modelle unterstützen. Je besser Systeme Daten strukturieren und Hinweise liefern, desto mehr Raum kann für die Aufgaben bleiben, die Erfahrung, Urteilskraft und Verantwortung verlangen.
Für Tim Faro ist KI deshalb keine Abkürzung um die bestehende Simulation
