BMFTR-gefördertes Projekt Simplex4Learning unter Leitung von Disy entwickelt praxisnahen Ansatz für die KI-gestützte Analyse von Umweltdaten
Wie können Umweltbehörden Machine Learning nutzen, ohne dass für jede fachliche Fragestellung eine neue individuelle Lösung entwickelt werden muss? Dieser Frage ist das Forschungsprojekt Simplex4Learning nachgegangen. Disy Informationssysteme, Simplex4Data und die Hochschule für Technik und Wirtschaft Berlin (HTW) haben gemeinsam methodische und technologische Bausteine entwickelt und anhand konkreter Fragestellungen aus Umwelt- und Forstbehörden erprobt.
Machine Learning in bestehende Datenanalyse integrieren
Im Projekt entstand eine prototypische Plattformarchitektur, die die Bereitstellung und Harmonisierung von Daten mit Machine Learning-Verfahren verbindet. Dazu wurden unter anderem Ansätze für automatisiertes Machine Learning (AutoML), die Verwaltung und Wiederverwendung von ML-Modellen sowie die Nachvollziehbarkeit von ML-Modellergebnissen integriert. Die Datenanalyse-Software disy Cadenza wurde exemplarisch als fachanwendungsorientierte Analyseoberfläche angebunden.
Erprobt wurde der Ansatz an unterschiedlichen Anwendungsfällen aus der Praxis: Mit Daten der Landesanstalt für Umwelt Baden-Württemberg (LUBW BW) wurde untersucht, wie sich ein Workflow zur Vorhersage der Ozonbelastung auf ein anderes Bundesland übertragen lässt. Beim Landesbetrieb Forst Brandenburg (LFB) ging es um die Vorhersage von Pheromonfallenfängen des Nachtfalters „Nonne“ anhand von Fach- und Wetterdaten. Beim Landesamt für Natur-, Umwelt- und Klima Nordrhein-Westfalen (LANUK NRW) wurde zudem der Einsatz großer Sprachmodelle zur automatisierten Erstellung von Berichten für den Klima-Atlas untersucht.
„Unser Ziel war nicht, aus Fachanwender:innen Data Scientists zu machen. Entscheidend ist vielmehr, Daten, ML-Methoden und geeignete Werkzeuge so zusammenzubringen, dass ML für konkrete fachliche Fragestellungen nutzbar wird. Simplex4Learning hat uns wichtige Erkenntnisse darüber geliefert, welche technischen und methodischen Voraussetzungen dafür notwendig sind“, sagt Dr. Andreas Abecker, Leiter Forschung und Innovation bei Disy.
Erkenntnisse für den weiteren ML-Einsatz
Die Ergebnisse von Simplex4Learning bilden eine Grundlage für weitere Forschungs- und Anwendungsvorhaben. Die entwickelten Bausteine können modular weitergenutzt und -entwickelt werden. Für Disy entstehen daraus unter anderem Ansatzpunkte für ML-orientierte Datenprojekte und die Unterstützung von Behörden bei konkreten ML-Anwendungen.
Rahmendaten zum BMFTR-Forschungsprojekt Simplex4Learning
- Projekttitel: Intelligente Umweltdatenanalyse durch automatisiertes maschinelles Lernen für Fachanwender (Simplex4Learning)
- Fördergeber: Bundesministerium für Bildung, Forschung, Technologie und Raumfahrt (BMFTR)
- Fördermaßnahme: KMU-innovativ IKT
- Projektlaufzeit: 01.10.2023 – 31.08.2026
- Projektkonsortium: Disy Informationssysteme GmbH, Simplex4Data GmbH, Hochschule für Technik und Wirtschaft Berlin
- Assoziierte Anwendungspartner: Landesamt für Natur-, Umwelt- und Klima Nordrhein-Westfalen (LANUK), Landesanstalt für Umwelt Baden-Württemberg (LUBW), Landesbetrieb Forst Brandenburg (LFB)
Weiterführende Informationen
