Extremwetter : Künstliche Intelligenz verbessert Vorhersagen

Extremwettererreignisse wie Starkregen und Wirbelstürme sollen künftig mit Hilfe Künstlicher Intelligenz (KI) besser vorhergesagt werden.

Beson­ders ener­gie­ef­fi­zi­en­te und leis­tungs­fä­hi­ge Metho­den dafür stell­te die­se Woche der Infor­ma­tik­wis­sen­schaft­ler Dr. Hao­jin Yang vom Pots­da­mer Has­so-Platt­ner-Insti­tut (HPI) vor. Zusam­men mit For­schen­den der Tech­ni­schen Uni­ver­si­tät Mün­chen (TUM) und des Deut­schen Geo­For­schungs­Zen­trums (GFZ) in Pots­dam wer­tet Yang unter ande­rem Bild­da­ten von rund 900 Mess­stel­len in Euro­pa aus, die Satel­li­ten in den ver­gan­ge­nen 22 Jah­ren gelie­fert haben. Zum Ein­satz kommt dabei soge­nann­tes „Deep Learning“.

„Die ana­ly­sier­ten Bild­da­ten stam­men aus der Tro­po­sphä­re, also der unters­ten Schicht der Erd­at­mo­sphä­re, in der sich der Groß­teil des Wet­ters abspielt“, berich­te­te der HPI-Wis­sen­schaft­ler im Rah­men der monat­li­chen Video­kon­fe­renz „openX­ch­an­ge“. Die öffent­li­che Ver­an­stal­tung fand im Rah­men des Clean-IT-Forums des Has­so-Platt­ner-Insti­tuts für mehr Nach­hal­tig­keit in den digi­ta­len Tech­no­lo­gien statt.

Yang erläu­ter­te, dass die For­schen­den auch Wet­ter­da­ten ein­be­zie­hen, die der Deut­sche Wet­ter­dienst regel­mä­ßig und in kur­zen Zeit­ab­stän­den von sei­nen Mess­stel­len an der Erd­ober­flä­che bereit­stellt. „Uns ist es nun gelun­gen, durch neu­ar­ti­ges Deep Lear­ning einen Algo­rith­mus zu ent­wi­ckeln, der das Berech­nen der rie­si­gen Daten­men­gen gegen­über bis­he­ri­gen Wet­ter­mo­del­len wesent­lich beschleu­nigt und dabei noch enorm viel Strom spart“, sag­te Yang, der im HPI-Fach­ge­biet „Inter­net-Tech­no­lo­gien und ‑Sys­te­me“ die For­schungs­grup­pe Mul­ti­me­dia and Machi­ne Lear­ning (MML) lei­tet. Vor allem bei extrem star­kem Wind oder Regen kön­ne der Bevöl­ke­rung in betrof­fe­nen Gebie­ten dadurch frü­her und geziel­ter gera­ten wer­den, sich zu schützen.

Der Wis­sen­schaft­ler aus dem Team von HPI-Geschäfts­füh­rer Prof. Chris­toph Mei­nel setzt nach eige­nen Wor­ten für das Deep Lear­ning soge­nann­te binä­re neu­ro­na­le Net­ze ein. Die­se arbei­ten mit Daten im 1‑Bit-For­mat (0 und 1) statt mit 32 Bit. Das sor­ge für tau­send­fach gerin­ge­ren Ener­gie­ver­brauch der ent­spre­chen­den Hard­ware. Yang erin­ner­te dar­an, dass beim maschi­nel­len Ler­nen das Trai­ning von Deep-Lear­ning-Model­len bis­her sehr viel Strom ver­braucht. So ver­dop­pe­le sich der Ener­gie­ver­brauch für Künst­li­che Intel­li­genz der­zeit alle drei­ein­halb Mona­te, sag­te der HPI-Wissenschaftler.

Yang räum­te ein, dass die Ver­wen­dung ener­gie­ef­fi­zi­en­ter Algo­rith­men noch zu einem Ver­lust an Genau­ig­keit bei den Ergeb­nis­sen führt. „Unse­re Tech­no­lo­gie BNext mit ihrem binä­ren neu­ro­na­len Netz hat jedoch bei ers­ten Ein­sät­zen bewie­sen, dass sie eine Genau­ig­keit von mehr als 80 Pro­zent erreicht. Sie ist damit allen kon­kur­rie­ren­den Ansät­zen, ein­schließ­lich Goo­gles PokeBNN, über­le­gen“, so der Pots­da­mer Wissenschaftler.

In den wei­te­ren For­schungs­ar­bei­ten des „EKAPEx“-Projekts geht es nun um die„maß­ge­schnei­der­te Opti­mie­rung“ der neu­ar­ti­gen Wet­ter­vor­her­sa­ge-Tech­no­lo­gie, so der Infor­ma­ti­ker. So soll bei­spiels­wei­se eine gute Balan­ce zwi­schen Genau­ig­keit und Ener­gie­ver­brauch gefun­den wer­den. Ziel ist es, das Poten­zi­al von Low-Bit-Net­zen für öffent­lich zugäng­li­che Wet­ter­pro­gno­sen voll auszuschöpfen.

An dem vom Bun­des­mi­nis­te­ri­um für Umwelt, Natur­schutz, Bau und Reak­tor­si­cher­heit (BMUV) geför­der­ten For­schungs­pro­jekt EKAPEx sind das Deut­sche Geo­For­schungs­Zen­trum (GFZ) und das Has­so-Platt­ner-Insti­tut (HPI), bei­de mit Sitz in Pots­dam, sowie die Tech­ni­sche Uni­ver­si­tät Mün­chen (TUM) betei­ligt. Ziel des Pro­jekts ist es, neue ener­gie­ef­fi­zi­en­te KI-Algo­rith­men für inno­va­ti­ve Vor­her­sa­ge­me­tho­den von Extrem­wet­ter­er­eig­nis­sen in Deutsch­land einzusetzen.

Hin­ter­grund zur Bil­dungs­platt­form openHPI

Sei­ne inter­ak­ti­ven Bil­dungs­an­ge­bo­te hat das Has­so-Platt­ner-Insti­tut als Pio­nier unter den euro­päi­schen Wis­sen­schafts-Insti­tu­tio­nen am 5. Sep­tem­ber 2012 gestar­tet – auf der Inter­net-Platt­form https://​open​.hpi​.de. Die­se bie­tet seit­dem einen Gra­tis-Zugang zu aktu­el­lem Hoch­schul­wis­sen aus den sich schnell ver­än­dern­den Gebie­ten der Infor­ma­ti­ons­tech­no­lo­gie und Inno­va­ti­on. Das geschieht bis­lang haupt­säch­lich auf Deutsch und Eng­lisch. Im Herbst 2017 hat openHPI aber erst­mals auch die Online-Über­set­zung und Unter­ti­telung eines Kur­ses in elf Welt­spra­chen ange­bo­ten. Mitt­ler­wei­le wur­den auf openHPI fast 1,2 Mil­lio­nen Kurs­ein­schrei­bun­gen regis­triert. Rund 322.000 Per­so­nen aus 180 Län­dern gehö­ren der­zeit auf der Platt­form zum fes­ten Nut­zer­kreis. Er wächst täg­lich. Für beson­ders erfolg­rei­che Teil­neh­mer an sei­nen „Mas­si­ve Open Online Cour­ses“, kurz MOOCs genannt, stell­te das Insti­tut bis­her fast 131.000 Zer­ti­fi­ka­te aus. Das openHPI-Jah­res­pro­gramm umfasst zahl­rei­che Ange­bo­te für IT-Ein­stei­ger und Exper­ten. Auch die in der Ver­gan­gen­heit ange­bo­te­nen gut 100 Kur­se kön­nen im Selbst­stu­di­um nach wie vor genutzt wer­den – eben­falls kos­ten­frei. Stu­die­ren­de kön­nen sich für das Absol­vie­ren von openHPI-Kur­sen jetzt auch Leis­tungs­punk­te an ihrer Uni­ver­si­tät anrech­nen las­sen. Wer sich Video­lek­tio­nen aus den Kur­sen unter­wegs auch dann anschau­en will, wenn kei­ne Inter­net­ver­bin­dung gewähr­leis­tet ist (etwa im Flug­zeug), kann zudem die openHPI-App für Android-Mobil­ge­rä­te, iPho­nes oder iPads nut­zen. Part­ner­platt­for­men, die mit der­sel­ben Lern­tech­no­lo­gie arbei­ten, sind neben open­SAP und Open­W­HO zum Bei­spiel auch KI-Cam­pus, eGov-Cam­pus und Kom­mu­nal­cam­pus.

____________________

Quel­le : Chris­tia­ne Rosen­bach, Joa­na Bußmann,
Ori­gi­nal-Con­tent von : HPI Has­so-Platt­ner-Insti­tut, über­mit­telt durch news aktuell