hero background image

KI im Verkehrswesen: Anwendungsfälle,
Trends, Beispiele aus der Praxis und Herausforderungen

7. August 2025

Anwendungsfälle und Vorteile von KI im Transportwesen

Transportunternehmen können künstliche Intelligenz in einer breiten Palette von Unternehmensfunktionen und Geschäftsszenarien einsetzen. Hier sind einige wichtige Anwendungen von KI und die damit verbundenen Vorteile.

Fortschrittliche Fahrerassistenzsysteme

Viele Automobilhersteller haben bereits fortschrittliche Fahrerassistenzsysteme (ADAS) integriert, die beim Einparken helfen, eine bessere Kontrolle des Fahrzeugs bei schlechten Wetterbedingungen gewährleisten und Kollisionen vermeiden. ADAS-Lösungen stützen sich auf KI-gestützte Kameras und Sensoren, um Fahrzeuge, Hindernisse, Fußgänger oder die Mimik der Insassen zu erkennen, den Fahrer durch Ton- oder Lichtsignale zu warnen und autonome Aktionen (wie z. B. das Bremsen) auszulösen, um menschliche Fehler zu vermeiden.

Vorteile

KI-basierte ADAS wie adaptive Geschwindigkeitsregelung, Vorwärtskollisionswarnung (FCW), Nachtsichtsysteme und Systeme zur Erkennung von Verkehrszeichen erhöhen die Sicherheit für Fahrer und Fußgänger.

Persönliche Assistenten

Sprachbasierte virtuelle Assistenten nutzen Spracherkennungs- und Sprachsynthesetechnologie, um mit dem Fahrer in gesprochener Sprache zu interagieren. Diese Tools können die Wünsche der Benutzer verstehen und eine Vielzahl von Aufgaben ausführen, wie z. B. das Einleiten eines Anrufs, das Umschalten von Radiosendern oder die Bereitstellung von Informationen zum Fahrzeugzustand.

Vorteile

Persönliche Assistenten tragen dazu bei, ablenkende manuelle Interaktionen mit Infotainment-Systemen im Fahrzeug zu minimieren, und ermöglichen so ein komfortableres Nutzererlebnis und erhöhen die Sicherheit des Fahrers.

Autonome Fahrzeuge

Selbstfahrende Fahrzeuge stellen die fortschrittlichste Form von ADAS dar, da sie sich auf KI stützen, um das Fahren vollständig zu automatisieren. Die meisten Ausführungen dieser Technologie befinden sich noch im Bereich der Prototypenentwicklung und des Experimentierens oder erfordern für den Betrieb menschliche Aufsicht. Unternehmen wie Tesla haben jedoch mit selbstfahrenden Autos Pionierarbeit geleistet und vielversprechende Ergebnisse erzielt. Andere wichtige Arten von selbstfahrenden Fahrzeugen sind Robotaxis, autonome Lkw und Lkw-Platooning-Systeme (die koordinierte Bewegung mehrerer Lkw im Nahbereich) sowie autonome Navigation für Containerschiffe durch Video-Objekterkennung und LIDAR.

Vorteile

Selbstfahrende Fahrzeuge in Transport und Logistik können dazu beitragen, die Ermüdung der Fahrer, die Betriebskosten und die Frachtraten zu senken.

Flottenmanagement und Routenoptimierung

KI-basierte Lösungen können Logistikunternehmen bei der Optimierung der Lieferkette helfen, indem sie Fahrzeug-, Schiffs- und Flugzeugflotten koordinieren. Ihr Betrieb basiert auf einer Mischung aus GPS, Sensoren, computergesteuerten Kameras und anderen vernetzten IoT-Geräten, die eingesetzt werden, um Daten über Wetter, Verkehr, Blockaden oder Unfälle zu sammeln. Diese Geräte werden in Kombination mit KI-basierten Analysesystemen verwendet, um diese Informationen zu verarbeiten, wiederkehrende Verkehrsmuster über Algorithmen des maschinellen Lernens zu erkennen und wertvolle Routenempfehlungen zu generieren oder potenzielle Verkehrsstaus vorherzusagen.

Darüber hinaus nutzen Transportunternehmen generative KI und großsprachige Modelle für Logistiksimulationen, um virtuelle Szenarien zu erstellen, mit denen sie abschätzen können, wie sich Nachfragespitzen, Fahrzeugausfälle oder andere Faktoren auf ihr Netzwerk auswirken würden, und ihre Notfallpläne entsprechend anpassen.

Vorteile

Optimierte Routenplanung und Flottenmanagement sorgen für schnellere Lieferungen und geringeren Kraftstoffverbrauch, was zu Kosteneinsparungen und nachhaltigeren Transporten führt.

Management des öffentlichen Nahverkehrs

Der Einsatz von KI im öffentlichen Nahverkehr eröffnet zahlreiche Möglichkeiten zur Netzwerkoptimierung. So können Dienstleister beispielsweise die durchschnittlichen Reisezeiten und die sie beeinflussenden Faktoren wie Straßenbedingungen und Einschränkungen analysieren, um Routen, Haltestellen, Verbindungen und Fahrpläne anzupassen und die Kundennachfrage nach maximalem Fahrgastkomfort zu erfüllen. KI-basierte Analysesysteme können auch mit Fahrgast-Apps kombiniert werden, um den Nutzern in Echtzeit Empfehlungen zu den besten Linien und Einstiegszeiten zu geben und so die Pendler auf weniger überfüllte Strecken umzuverteilen, insbesondere während der Hauptverkehrszeit.

Vorteile

KI-basierte Netzplanung ermöglicht es öffentlichen Verkehrssystemen, einen schnelleren Pendlerverkehr zu gewährleisten, Wartezeiten zu minimieren und somit ein besseres Kundenerlebnis zu bieten.

Chatbots für den Kundenservice

Die auf natürlicher Sprachverarbeitung und generativer KI basierenden Chatbots bieten Kunden eine bequeme Möglichkeit, auf Informationen zuzugreifen und Hilfe zu erhalten, und ermöglichen es Verkehrsunternehmen, ihren Servicebetrieb zu automatisieren und zu skalieren. Diese konversationellen KI-Lösungen können beispielsweise allgemeine Fragen zu Transportoptionen und -routen beantworten, Benutzern bei der Planung von Fahrten oder dem Kauf von Fahrkarten helfen, Echtzeit-Updates zu Verspätungen oder Ankünften liefern und wertvolles Kundenfeedback sammeln.

Vorteile

KI-Chatbots können 24 Stunden am Tag, 7 Tage die Woche Kundensupport bieten und Tausenden von Nutzern gleichzeitig helfen, was die Arbeitsbelastung des Support-Teams und die damit verbundenen Kosten reduziert.

Verkehrsmanagement und Straßenüberwachung

KI-gestützte Verkehrsmanagementsysteme stützen sich auf Netzwerke von Sensoren und Kameras, um die Straßen- und Verkehrsbedingungen zu überwachen, Verkehrsunfälle zu erkennen und Verkehrsvorhersagen zu treffen. Auf diese Weise können Behörden bei Verkehrsunfällen sofort eingreifen, Straßenreparaturen und -wartungen beschleunigen und das Ampelmanagement anhand der Fahrzeugdichte optimieren. Unternehmen können GenAI auch nutzen, um realistische Simulationen des Verkehrsflusses unter verschiedenen Bedingungen zu erstellen, so dass Verkehrsingenieure die Auswirkungen neuer Straßenführungen oder Verkehrsrichtlinien testen können, bevor sie diese umsetzen.

Vorteile

KI-gestützte Lösungen können dazu beitragen, Staus, Wartezeiten in Warteschlangen und Kohlendioxidemissionen zu reduzieren und gleichzeitig die Sicherheit und Wartung von Straßen zu verbessern.

Automatische Nummernschilderkennung

ANPR-Lösungen umfassen an Straßenmasten montierte HD-Kameras, Infrarotsensoren für die 24/7-Überwachung und Bildverarbeitungssoftware zur Identifizierung von Kfz-Kennzeichen. Diese Systeme sind für eine Vielzahl von Verwaltungs- und Sicherheitsaufgaben nützlich, z. B. für die Fahrzeitanalyse und die Planung der Straßeninfrastruktur, die Identifizierung von Fahrzeugen, die gegen die Straßenverkehrsordnung verstoßen, und die Ermöglichung elektronischer Zahlungen für bargeldlose Mautspuren.

Vorteile

Die ANPR-Technologie erleichtert die Verkehrsüberwachung in Echtzeit, die Strafverfolgung und das Mautmanagement und erweist sich damit als unverzichtbares Instrument für die Verkehrspolizei und andere Behörden.

Intelligentes Parken

Systeme mit künstlicher Intelligenz können sowohl in Parkhäusern als auch in städtischen Außenbereichen eingesetzt werden, um die Parkverwaltung zu erleichtern. Diese Lösungen können in vielerlei Hinsicht hilfreich sein, z. B. bei der Zählung von Fahrzeugen und der Erkennung freier Plätze in Verbindung mit Anzeigen für die Verfügbarkeit von Parkplätzen, beim Abgleich von Nummernschildern, um unbefugtes Parken zu erkennen, und bei der Zeiterfassung zur einfacheren Abrechnung und Bezahlung von Tickets. KI-gesteuerte Kameras werden auch eingesetzt, um verdächtige Aktivitäten für die Sicherheit von Parkplätzen zu identifizieren.

Vorteile

Intelligente Parksysteme tragen dazu bei, den Verkehrsfluss in Stadtzentren zu optimieren, Warteschlangen zu vermeiden und die Sicherheit im öffentlichen Raum zu erhöhen.

Vorausschauende Instandhaltung

Dieser Ansatz basiert auf einer auf maschinellem Lernen basierenden Anomalieerkennung, um Ausfälle vorherzusagen, bevor sie tatsächlich auftreten. Ein maschinelles Lernsystem kann darauf trainiert werden, den normalen Betrieb von Fahrzeugen und Verkehrsinfrastrukturen (wie beispielsweise Oberleitungen) zu verstehen, indem es mit Sensordaten zu deren Standardleistung „gefüttert“ wird. Sobald das System gelernt hat, die idealen Betriebsmuster der mechanischen und elektronischen Komponenten zu erkennen, die ein Fahrzeug oder eine Infrastruktur antreiben, kann es auch Ausreißer erkennen, die ein Anzeichen für eine bevorstehende Störung sein können.

Vorteile

Private und öffentliche Verkehrsunternehmen, die die vorausschauende Wartung nutzen, können die Zuverlässigkeit ihrer Fahrzeuge verbessern, die Wartungskosten senken, die Reparaturverfahren beschleunigen und die Flottenreserven verringern, die zur Vermeidung von Betriebsunterbrechungen eingesetzt werden.

Haben Sie ein KI-Projekt im Sinn?

Wenden Sie sich an Itransition

Beispiele aus der Praxis für KI im Transportwesen

Die Michelangelo ML-Plattform von Uber

Das Spektrum der KI-Initiativen von Uber, die größtenteils auf einer eigenen ML-Plattform namens Michelangelo basieren, ist breit gefächert und wird in allen Geschäftsbereichen ständig erweitert. Das Unternehmen nutzt KI, um Fahrer mit verfügbaren Fahrern zusammenzubringen, Tarife in Echtzeit an die Nachfrage anzupassen, die geschätzte Ankunftszeit zu berechnen und verdächtige Transaktionen zur Betrugserkennung zu identifizieren. Uber hat auch einen KI-Assistenten auf der Basis von Michelangelo implementiert, um Support-Spezialisten Empfehlungen für die Lösung von Tickets zu geben. Neuere Projekte konzentrieren sich auf generative KI im IT-Betrieb, einschließlich der Automatisierung von Mobile-App-Tests.

Die Michelangelo ML-Plattform von Uber

Bildtitel: Die Rolle der KI im gesamten Nutzerfluss der Uber-App
Bildquelle: Uber

Subaru's Fahrerüberwachungssystem

Wie viele andere Automobilunternehmen, die KI einsetzen, stattet auch Subaru seine Fahrzeuge mit einem Fahrerüberwachungssystem aus, das auf Computer Vision basiert und eine Vielzahl von Funktionen zur Unterstützung des Fahrers bietet, um Sicherheit und Komfort zu verbessern. Die Lösung kann das Gesicht des Fahrers scannen und erkennen und ihn warnen, wenn er Anzeichen von Müdigkeit oder Ablenkung erkennt. Es kann auch die Sitzposition und die Schnittstelleneinstellungen autonom auf der Grundlage der Präferenzen des aktuellen Fahrers anpassen.

Waymos Robotertaxi

Das in Kalifornien ansässige Entwicklungsunternehmen Waymo eröffnete 2019 seinen Robotaxi-Ride-Hailing-Service für US-Kunden und ist damit der erste kommerzielle Dienst, der ohne einen Ersatzfahrer an Bord arbeitet. Das selbstfahrende System kombiniert Informationen von LIDAR, Radar und Kameras, um die Umgebung zu erfassen und eine sichere Route zu berechnen. Während die fahrerlosen Fahrten nur in kontrollierten, geografisch abgegrenzten Umgebungen stattfinden, wird dieser Dienst nach und nach auf neue Standorte ausgeweitet. Im Mai 2025 kündigte Waymo beispielsweise Pläne an, seinen Robotaxi-Betrieb in der San Francisco Bay Area weiter auszubauen.

Die Überwachungslösung des Flughafens Heathrow

Um die Flugverkehrskontrolle zu verbessern und mit dem berüchtigten Londoner Wetter umzugehen, hat der Flughafen Heathrow Aimee implementiert, eine KI-Lösung, die auf neuronalen Netzen basiert. Dieses für die Luftverkehrsbranche entwickelte System kann Daten verarbeiten, die von hochauflösenden Kameras erfasst werden, und den Fluglotsen helfen, An- und Abflüge bei schlechter Sicht zu überwachen. Außerdem erleichtert es die Kommunikation zwischen Fluglotsen und Piloten, indem es Abflugfreigabeanfragen über natürliche Sprachverarbeitung bearbeitet. Bei voller Auslastung dürfte dieses Tool die Landekapazität des Flughafens um 20 % erhöhen und das Risiko von Flugverspätungen verringern.

Die Überwachungslösung des Flughafens Heathrow

Bildtitel: Aimee's fortschrittliche Objekterkennung
Bildquelle: Searidge Technologies

Surtrac-Verkehrsmanagementsystem

Ein von Rapid Flow Technologies entwickeltes KI-basiertes Überwachungssystem Surtrac wurde in Pittsburgh, USA, eingesetzt, um mit intelligenten Kameras Daten zu sammeln, Ampeln in Echtzeit zu steuern und so den Verkehrsfluss zu erleichtern. Die Überwachungsgeräte an jeder Kreuzung arbeiten unabhängig voneinander, regeln ihren eigenen lokalen Verkehr und planen jede Sekunde neu. Mit dieser Lösung konnten die Fahrzeiten um 25 %, die Anzahl der Haltestellen um 30 % und die Emissionen um 20 % gesenkt werden.

Das vorausschauende Instandhaltungssystem der SNCF

Die französische Eisenbahngesellschaft SNCF hat eine prädiktive Analyselösung eingeführt, um potenzielle Fehlfunktionen von Anlagen (einschließlich abnutzungsgefährdeter Stromabnehmer) zu erkennen, den Wartungsbedarf zu antizipieren und so die Stromversorgung ihrer Züge auf einem 32.000 km langen Streckennetz sicherzustellen. Nach Angaben des Unternehmens kann die vorausschauende Wartung auch dazu beitragen, Unfälle im Zusammenhang mit Weichen zu reduzieren und so eine bessere wirtschaftliche Leistung, Servicezuverlässigkeit und Fahrgastsicherheit zu gewährleisten.

Herausforderungen und Tipps für den Einsatz von KI im Verkehrswesen

Problem

Empfehlung

Komplexität der System- und Datenintegration
Die vielschichtige, vernetzte Architektur einer typischen KI-Lösung für das Verkehrswesen impliziert, dass ihre Komponenten, einschließlich IoT-Geräte und Datenanalysesoftware, in der Lage sein sollten, Daten auszutauschen. Diese Elemente können jedoch unterschiedliche Kommunikationsprotokolle oder -technologien verwenden und verschiedene Datenformate verarbeiten, darunter auch Echtzeitdatenströme. Wenn sie also schlecht integriert sind, werden KI-Systeme ihre Analysen auf fragmentierte Quellen und inkonsistente oder veraltete Daten stützen und ungenaue Vorhersagen liefern.
  • Stellen Sie die Kommunikation zwischen den Komponenten Ihrer KI-Lösung durch die Konfiguration von Anwendungsprogrammierschnittstellen (APIs) sicher. Sie können Tools von großen Cloud-Anbietern, wie Amazon API Gateway oder Azure API Management, nutzen, um diese Aufgabe zu rationalisieren. In manchen Situationen ist jedoch eine Middleware-Architektur erforderlich, z. B. ein ESB, um verschiedene Protokolle zu konvertieren.
  • Integrieren Sie heterogene Daten aus verschiedenen Quellen über ETL-Prozesse und konsolidieren Sie sie in einem einheitlichen Datenspeicher, z. B. in einer Zeitseriendatenbank, einer NoSQL-Datenbank oder einem Data Lake. Dienste und Tools für die Datenintegration in der Cloud , darunter AWS Glue oder Azure Data Factory, können die ETL-Einrichtung erleichtern.
Probleme mit der Zuverlässigkeit von KI-Lösungen
Das KI-Modell, das Ihre Lösung antreibt, muss auf umfangreichen Datensätzen trainiert werden, um genaue Analysen und Prognosen zu liefern. Selbst nach dem Training kann das Modell jedoch weniger zuverlässig sein als erwartet. Dies kann auf eine Überanpassung zurückzuführen sein, wenn das Modell auf einen bestimmten Datensatz übertrainiert wurde und bei anderen Daten schlecht abschneidet, oder auf eine Modellabweichung, wenn sich seine Vorhersagekraft aufgrund fortschreitender Änderungen der Eingabevariablen und ihrer Beziehungen verschlechtert.
  • Sie können sich auf ML-Services von führenden Cloud-Anbietern wie Amazon SageMaker und Azure Machine Learning verlassen, um auf integrierte KI-Algorithmen, vorab trainierte ML-Modelle und skalierbare Verarbeitungsleistung zuzugreifen, die die Bereitstellung Ihrer Lösung beschleunigen und Ihre internen Rechenressourcen ergänzen.
  • Um die Modellzuverlässigkeit zu maximieren und eine Überanpassung zu vermeiden, sollten Sie die Lösung auf großen und vielfältigen Datensätzen trainieren, einschließlich Datenpunkten, die von verschiedenen Fahrzeugtypen, Straßennetzen und öffentlichen Verkehrswegen gesammelt wurden. Darüber hinaus ist es wichtig, Ihre Daten in verschiedene Trainings-, Validierungs- und Testsätze aufzuteilen. Die Testdaten müssen aus dem Trainingsprozess ausgeschlossen werden, um Verzerrungen und verzerrte Leistungskennzahlen zu vermeiden.
  • Was die Modelldrift betrifft, so können Sie diese durch regelmäßige Überwachung von Metriken wie dem Populationsstabilitätsindex im Auge behalten und mehrere Umschulungsiterationen durchführen, um das Modell mit neuen Daten abzustimmen. Dashboards für maschinelles Lernen können in dieser Hinsicht hilfreich sein, da sie eine intuitive visuelle Darstellung solcher Metriken bieten.
KI-Beratung

KI-Beratung

Die Berater von Itransition unterstützen Sie bei der Entwicklung und Einführung von KI-Lösungen, die voll und ganz auf Ihre Bedürfnisse abgestimmt sind, und bieten fachkundige Beratung, um die Implementierung von KI-Projekten zu beschleunigen und technische oder geschäftliche Herausforderungen zu meistern.

KI-Entwicklung

Unser Team entwickelt leistungsstarke KI-Software unter strikter Einhaltung der Standards und Vorschriften Ihrer Branche oder modernisiert Ihre aktuelle KI-Lösung, um mit den aufkommenden Techniktrends und den sich wandelnden Geschäftsanforderungen Schritt zu halten.

Transportwesen mit KI neu denken

Transportwesen mit KI neu denken

In den letzten Jahren gehörte das Transportwesen zu den Branchen, die am meisten von der Einführung von KI-Technologie profitierten. Das ist nicht verwunderlich, denn die Fortschritte der KI haben bewiesen, dass wir schneller, sicherer und sauberer als je zuvor reisen und Güter transportieren können.

Bei der Umsetzung sollte jedoch stets die komplexe und manchmal undurchschaubare Natur der künstlichen Intelligenz berücksichtigt werden, insbesondere wenn sie in weitläufigen Ökosystemen wie Verkehrsnetzen eingesetzt wird. Um die Einführung von KI zu rationalisieren und gleichzeitig ihre potenziellen Herausforderungen zu meistern, sollten Sie sich auf das Team von Itransition verlassen, das aus erfahrenen Entwicklern und Beratern besteht.

Itransition begleitet Sie bei der KI-Implementierung

Kontakt aufnehmen

FAQs

Eine der wichtigsten Technologien in der Transportbranche und vielen anderen Sektoren ist maschinelles Lernen, ein Zweig der KI, der sich auf selbstlernende Algorithmen konzentriert, die ihre Leistung durch Erfahrung (d. h. durch die Verarbeitung von immer mehr Daten) verbessern können. Zu den Anwendungen von ML gehören:

  • Computer Vision zur Erfassung visueller Eingaben, zur Identifizierung von Personen oder Objekten und zur Warnung des Fahrers oder zur Auslösung geeigneter Maßnahmen, die häufig in ADAS eingesetzt werden.
  • Verarbeitung natürlicher Sprache zur Nachahmung der menschlichen Kommunikation und damit zur Ermöglichung realistischer Interaktionen zwischen Fahrer und Maschine, z. B. über sprachbasierte Fahrassistenten.
  • Data Mining zur Untersuchung großer Datenmengen, zur Erkennung von Mustern oder Ausreißern und zur Gewinnung wertvoller Erkenntnisse, z. B. über das Vorhandensein von Anomalien zur Vorhersage von Motorausfällen.
  • Generative KI ist zwar in den anderen KI-Technologien enthalten, wird aber jetzt als eigenständiger technologischer Bereich entwickelt, um verkehrsbezogene Daten zu sammeln und zusammenzufassen, realistische Verkehrs- und Betriebsszenarien zu simulieren und kontextbezogene Antworten in Flotten- und Fahrerunterstützungssystemen zu liefern.

Eine weitere Schlüsseltechnologie, die technisch nicht in den Bereich der KI fällt, aber als wichtiger Wegbereiter für KI-Systeme dient, ist das Internet der Dinge. IoT-Lösungen umfassen ausgedehnte Netze von Geräten (Kameras, Infrarotsensoren usw.), die über das Internet, Bluetooth oder andere Kommunikationstechnologien Informationen von Fahrzeugen und Infrastrukturen sammeln und diese in KI-Software einspeisen. Ein häufiger Anwendungsfall ist die Sammlung von Verkehrsdaten zur Optimierung von Routen.

In naher Zukunft ist damit zu rechnen, dass Verkehrsunternehmen ihre Investitionen in KI-gestützte prädiktive Analysen erheblich ausweiten werden, um die Entscheidungsfindung zu verbessern, z. B. durch die Vorhersage von Verkehrsmustern und der Fahrgastnachfrage zur Optimierung des Verkehrsmanagements und der städtischen Mobilität. Gleichzeitig wird die Verbreitung kritischer KI-Fähigkeiten weiter zunehmen, was ihre Rolle als natürliche Schnittstelle zwischen komplexen Systemen und Entscheidungsträgern stärkt. Autonome Fahrzeuge werden auch weiterhin ein wichtiger Forschungsbereich sein, mit dem Ziel, von experimentellen Implementierungen in kontrollierten Umgebungen zu einem groß angelegten Einsatz überzugehen.

In gängigen Szenarien liegt das Implementierungsbudget zwischen 5.000 und 10.000 $ für einen PoC. Die Kosten für die Integration, Verfeinerung und Erweiterung des PoC in ein grundlegendes Produktionssystem können auf bis zu 50.000 US-Dollar ansteigen. Für komplexere Implementierungen, z. B. solche, die mehrere Integrationen und erweiterte PoC-Funktionen erfordern, beginnen die Implementierungsbudgets bei 50.000 $ und skalieren je nach Umfang. Zu den wichtigsten Kostenfaktoren gehören:

  • Die Art der Lösung, von billiger Verkehrsüberwachungssoftware bis hin zu teureren autonomen Fahrsystemen
  • Die Wahl zwischen benutzerdefinierten und vortrainierten KI-Modellen
  • Anforderungen an die Genauigkeit und Leistung des KI-Modells
  • Datenverwaltungskosten für die Einrichtung von ETL-Pipelines, Daten-Repositories usw.
  • Die gewählte Hosting-Infrastruktur (vor Ort, in der Cloud oder in hybriden Umgebungen)
  • Komplexität der funktionalen und nicht-funktionalen Anforderungen

Kontakt

Vertrieb und allgemeine Anfragen

kontakt@itransition.com

Möchten Sie sich Itransition anschließen?

Jobs erkunden

Kontakt

Bitte beachten Sie, dass Ihre personenbezogenen Daten in Übereinstimmung mit unserem Datenschutzhinweis verarbeitet werden, wenn Sie auf die Schaltfläche 'Senden' klicken, damit Sie mit angemessenen Informationen versorgt werden.

Die Gesamtgröße der Anhänge sollte 10 MB nicht überschreiten.

Erlaubte Typen:

jpg

jpeg

png

gif

doc

docx

ppt

pptx

pdf

txt

rtf

odt

ods

odg

odp

xls

xlsx

xlxs

vcf

vcard

key

rar

zip

7z

gz

gzip

tar