Scholarlink

Einerseits liegen bei Umwelt- und anderen Behörden zu vielen umweltbezogenen Sachverhalten umfangreiche Datenbestände vor, die sich voraussichtlich in der Zukunft noch deutlich vergrößern dürften. Andererseits stehen diese Behörden vor wachsenden Aufgaben, um mit den drängenden umwelt- und nachhaltigkeitsbezogenen Themen unserer Zeit umzugehen. Schwierigkeiten beim Versuch, komplexe Umweltthemen mit konventionellen Modellierungsansätzen zu erfassen, verschärft durch den Fachkräftemangel in der Verwaltung, führen zur Idee, durch Verfahren des maschinellen Lernens datenbasierte Entscheidungsunterstützung einzusetzen. Daher ist das Ziel des Simplex4Learning-Ansatzes, die großen und heterogenen Datenbestände der Umweltbehörden für intelligente Analysen mit Methoden des maschinellen Lernens besser zu erschließen und diese Verfahren für Domänenexperten aus dem Umweltbereich (ohne vertiefte ML-Kenntnisse) praktikabel anwendbar zu machen. Dazu werden Methoden der Datenintegration und des Data Warehousing mit Methoden aus AutoML, MLOps und Explainable ML kombiniert. Der vorliegende Beitrag skizziert Motivation und Zielsetzung des Vorhabens, den technischen Lösungsansatz und den vorgefundenen Stand der Technik sowie erste Ergebnisse.

错误：搜索内容不能为空，请输入英文关键词
错误：关键词超出字数限制，请精简
高级检索

Herausforderungen und Ansätze zu einer Infrastruktur für die breite Nutzung von Machine-Learning-Verfahren in der Umweltverwaltung

  • 会议论文

  • 发表日期：

    2025年

查看全文
  • Andreas Abecker,
  • Matthias Budde,
  • Frank Fuchs-Kittowski,
  • Janik Großmann,
  • Werner Koch,
  • Jonas Lachowitzer,
  • Erik Rodner,
  • Heino Rudolf,
  • Paul Schulze,
  • Gerrit Tombrink,
  • Moritz Zemann

摘要

Einerseits liegen bei Umwelt- und anderen Behörden zu vielen umweltbezogenen Sachverhalten umfangreiche Datenbestände vor, die sich voraussichtlich in der Zukunft noch deutlich vergrößern dürften. Andererseits stehen diese Behörden vor wachsenden Aufgaben, um mit den drängenden umwelt- und nachhaltigkeitsbezogenen Themen unserer Zeit umzugehen. Schwierigkeiten beim Versuch, komplexe Umweltthemen mit konventionellen Modellierungsansätzen zu erfassen, verschärft durch den Fachkräftemangel in der Verwaltung, führen zur Idee, durch Verfahren des maschinellen Lernens datenbasierte Entscheidungsunterstützung einzusetzen. Daher ist das Ziel des Simplex4Learning-Ansatzes, die großen und heterogenen Datenbestände der Umweltbehörden für intelligente Analysen mit Methoden des maschinellen Lernens besser zu erschließen und diese Verfahren für Domänenexperten aus dem Umweltbereich (ohne vertiefte ML-Kenntnisse) praktikabel anwendbar zu machen. Dazu werden Methoden der Datenintegration und des Data Warehousing mit Methoden aus AutoML, MLOps und Explainable ML kombiniert. Der vorliegende Beitrag skizziert Motivation und Zielsetzung des Vorhabens, den technischen Lösungsansatz und den vorgefundenen Stand der Technik sowie erste Ergebnisse.