Projektziele

Intelligente Umweltdatenanalyse durch automatisiertes maschinelles Lernen für Fachanwender (Simplex4Learning)

Künstliche Intelligenz (KI), insbesondere Machine Learning (ML), bietet vielversprechende Möglichkeiten, ökologische Phänomene, wie sie beispielsweise in der Ursachen-Wirkung-Forschung von Waldökosystemen auftreten, umfassend zu verstehen und zu überwachen.

Unsere Vision besteht darin mittels der Datenanalysesoftware disy Cadenza ML-Lern- und Analyseaufgaben mit Umweltdaten benutzerfreundlich zu unterstützen. Mittels vorab trainierter ML-Modelle können Fachanwender_innen ohne tiefgehende ML-Kenntnisse diese direkt nutzen, um Umweltdaten zu analysieren. Für weitergehende Analysen können Fachanwender_innen auf die ML-Modell-Architekturen zurückgreifen, um spezifische ML-Modelle zu trainieren. Für eine effiziente Bereitstellung von Umweltdaten für das maschinelle Lernen kommt der Datenhaltung eine Schüsselrolle zu. Der im Rahmen des Projekts weiterzuentwickelnde Simplex-Ansatz forciert die Datenhaltung in einem einheitlich strukturierten Datenpool, der unabhängig von zweckgebundenen Anwendungsfällen ist. Dieser gemeinsame Ansatz fördert die breite Anwendung von ML-Methoden in Umweltfragen.

Aktuelles

• Abecker, Andreas; Budde, Matthias; Fuchs-Kittowski, Frank; Großmann, Janik; Koch, Werner; Lachowitzer, Jonas; Rodner, Erik; Rudolf, Heino; Schulze, Paul; Tombrink, Gerrit; Zemann, Moritz: Herausforderungen und Ansätze zu einer Infrastruktur für die breite Nutzung von Machine-Learning-Verfahren in der Umweltverwaltung. In: Fuchs-Kittowski, Frank; Abecker, Andreas; Hosenfeld, Friedhelm; Reineke, Anja; Möller, Matthias (Hrsg.): Umweltinformationssysteme 2024 – Digitalisierung für eine nachhaltige Planetare Zukunft. Tagungsband des 31. Workshops "Umweltinformationssysteme (UIS2024)" der Fachgruppe "Umweltinformationssysteme" der Gesellschaft für Informatik (GI) . 10.–14. April 2024 in Bamberg. Springer Vieweg, Wiesbaden. (In Veröffentlichung 2025)
• Fuchs-Kittowski, Frank; Schulze, Paul; Abecker, Andreas; Lachowitzer, Jonas; Lossow, Stefan; Rudolf, Heino; Rodner, Erik: Eine Methode für die Potenzialanalyse zur Identifikation von Anwendungsszenarien für Maschinelles Lernen – Fallstudie in einem Landesumweltamt. (In Veröffentlichung auf der INFORMATIK 2024)
• Abecker, Andreas; Budde, Matthias; Lachowitzer, Jonas; Lossow, Stefan; Fuchs-Kittowski, Frank; Schulze, Paul; Rodner, Erik; Großmann, Janik; Koch, Werner; Rudolf, Heino: Zum Einsatz von Maschinellem Lernen in der Umweltverwaltung – Der Simplex4Learning Ansatz. (In Veröffentlichung auf der INFORMATIK 2024)
• Knauer, Ricardo; Rodner, Erik: Squeezing Lemons with Hammers: An Evaluation of AutoML and Tabular Deep Learning for Data-Scarce Classification Applications. In: ICLR 2024 Workshop on Practical ML for Low Resource Settings. arXiv 2024, S. 1-9.
• Pressemitteilung von Disy Informationssysteme GmbH zum Projektstart (12-2023)
• Pressemitteilung der HTW-Berlin zum Projektstart (12-2023)
• Das Forschungsprojekt „Intelligente Umweltdatenanalyse durch automatisiertes maschinelles Lernen für Fachanwender“ (Simplex4Learning) ist im Oktober 2023 gestartet und läuft bis März 2026.

Kontakt