Motivation
Aktuelle Herausforderungen wie Klimawandel, Artensterben und bedrohte Lieferketten erfordern ein deutlich erhöhtes Arbeitstempo in Wirtschaft, Gesellschaft, Politik und Verwaltung. Datengetriebene Ansätze und lernende Algorithmen können dabei helfen, Lagebeurteilungen, Prozesssteuerungen oder Planungsentscheidungen zu optimieren. In der öffentlichen Verwaltung sind Verfahren des maschinellen Lernens (ML) jedoch noch kaum verbreitet. Dabei entstehen gerade in den Bereichen Umwelt-, Verbraucher- und Tierschutz sowie Wasser-, Forst-, Abfall- und Infrastrukturmanagement riesige, heterogene Datenmengen. Um diese Daten mit modernen Verfahren analysieren zu können, bedarf es vertiefter Fachkenntnisse, die bei den Domänenfachleuten der Verwaltung bisher nur selten vorhanden sind.
Ziele und Vorgehen
Simplex4Learning hat das Ziel, die Datenbestände der Umweltbehörden für intelligente Analysen mit ML-Methoden besser zu erschließen, sodass Domänenexperten aus dem Umweltbereich diese Verfahren anwenden können. Die Simplex4Data-Methode wird dabei so weiterentwickelt, dass Daten für Verfahren des automatisierten maschinellen Lernens (AutoML) bereitgestellt werden können. Zudem sollen die verwendeten Methoden erklärbar sein und es ermöglichen, generalisierte ML-Workflows wiederzuverwenden. All dies wird exemplarisch angebunden an die Datenanalyseplattform „disy Cadenza“ und das Data-Warehouse-System „Simplex4Data“ der beiden KMU-Partner.
Innovationen und Perspektiven
Die Praxistauglichkeit der Lösungsansätze wird durch die Zusammenarbeit mit dem Landesamt für Natur, Umwelt und Verbraucherschutz Nordrhein-Westfalen, dem Landeskompetenzzentrum Forst des Landes Brandenburg und der Landesanstalt für Umwelt Baden-Württemberg sichergestellt. Die Projektergebnisse sollen den ML-Einsatz bei diesen assoziierten Partnern nachhaltig fördern, die Produkt- und Dienstleistungsangebote der KMU-Partner erweitern und neue Innovationsimpulse im großen Partnernetzwerk der drei Projektteilnehmer auslösen.