Projekt

SimLearn

Vervollständigung von Trainingsdaten durch iterativ lernende Simulation

Vervollständigung von Trainingsdaten durch iterativ lernende Simulation

  • Laufzeit:

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.

Anhand konkreter Anwendungsbeispiele aus dem Agrarbereich untersucht SimLearn die Tauglichkeit eines neuen Vorgehensmodells, in dem vorhandenes, in Simulationsmodellen kodifiziertes und operatives Wissen mit den fortschreitenden Erkenntnissen erlernter Modelle iterativ kombiniert wird: Durch vorhandene Simulationsmodelle werden umfangreiche synthetische Trainingsdatensätze erzeugt. Ein damit initiiertes lernendes System wird sodann durch im jeweiligen Anwendungsbetrieb erhobene (wenige) Daten erweitert und verbessert. Durch diese Kombination werden Lücken der vorhandenen Datenbasis gefüllt und ein verbessertes Training ermöglicht. Im Ergebnis entsteht so ein erlerntes, leistungsfähigeres Modell der betrachteten Realität mit entsprechend besseren Nutzungspotentialen.

SimLearn betrachtet exemplarisch die betrieblichen Entscheidungen im Getreideanbau auf operativer und taktischer Ebene in Bezug auf Einkommens- und Umwelteffekte. Berechnungsmodelle der Universität Hohenheim erlauben initiale Simulationen der Auswirkungen von Dünge- und Anbauentscheidungen sowohl in biologischer (Pflanzenwachstum) als auch ökonomischer (realisierbarer Gewinn) Sicht. 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. DFKI trainiert mit der so erzeugten umfangreichen bewerteten Datensammlung iterativ ein geeignetes lernendes System, das im Ergebnis eine verbesserte Prognose und Bewertung von Handlungsalternativen ermöglicht.

Partner

Deutsches Forschungszentrum für Künstliche Intelligenz GmbH – DFKI / FB Smarte Daten und Wissensdienste – Prof. Dr. Andreas Dengel

Kuratorium für Technik und Bauwesen in der Landwirtschaft e.V. – KTBL

Universität Hohenheim / Fg Ökonomik der Landnutzung - Prof. Dr. Thomas Berger / Fg Biogeophysik - Prof. Dr. Thilo Streck

Fördergeber

BMBF – Bundesministerium für Bildung und Forschung

01IS19073A

BMBF – Bundesministerium für Bildung und Forschung

Projekt teilen auf:

Ansprechpartner
Dr. rer. nat. Ansgar Bernardi

Keyfacts

Deutsches Forschungszentrum für Künstliche Intelligenz
German Research Center for Artificial Intelligence