Motivation
Maschinelle Lernverfahren auf Basis vorhandener Trainingsdaten haben große Leistungsfähigkeit bewiesen, um auch in komplexen Situationen mit vielen Parametern Muster und implizite Abhängigkeiten zu erkennen und mit den erlernten Modellen korrekte Klassifikationen, Vorhersagen oder Entscheidungshilfen zu liefern. In der Praxis sind jedoch die für solche Ansätze notwendigen großen Mengen an korrekt gelabelten Trainingsdaten oft nicht verfügbar.
Ziele und Vorgehen
Anhand konkreter Anwendungsbeispiele aus dem Agrarbereich untersucht SimLearn die Tauglichkeit eines neuen Vorgehensmodells. Dabei wird das Wissen aus Simulationsmodellen mit den fortschreitenden Erkenntnissen erlernter Modelle iterativ kombiniert. Damit werden umfangreiche synthetische Trainingsdatensätze erzeugt und mit realen Daten aus dem jeweiligen Anwendungsfall erweitert und verbessert. Durch diese Kombination werden Lücken der vorhandenen Datenbasis gefüllt und das Training des lernenden Systems verbessert. Im Ergebnis entsteht ein erlerntes, leistungsfähigeres Modell der betrachteten Realität mit entsprechend besseren Nutzungspotenzialen. SimLearn betrachtet exemplarisch die betrieblichen Entscheidungen im Getreideanbau auf operativer und taktischer Ebene in Bezug auf Einkommens- und Umwelteffekte. Anhand von Berechnungsmodellen der Universität Hohenheim werden die Auswirkungen von Dünge- und Anbauentscheidungen sowohl in biologischer (Pflanzenwachstum) als auch ökonomischer (realisierbarer Gewinn) Sicht simuliert.
Innovationen und Perspektiven
Diese Informationen werden mit den Ergebnissen kooperierender Versuchsbetriebe und mit Standard- und Durchschnittswerten aus den Zahlenwerken des Kuratoriums für Technologie und Bauwesen in der Landwirtschaft (KTBL) kombiniert und abgeglichen. Das DFKI trainiert mit der so erzeugten umfangreichen und bewerteten Datensammlung ein lernendes System, das im Ergebnis Handlungsalternativen besser prognostizieren und bewerten kann.