Skip to main content Skip to main navigation

Projekt | SimLearn

Laufzeit:
Vervollständigung von Trainingsdaten durch iterativ lernende Simulation

Vervollständigung von Trainingsdaten durch iterativ lernende Simulation

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

Publikationen zum Projekt

  1. SIMLEARN - Betriebliche Entscheidungsunterstützung durch ontologiegestützte Integration von Simulationsmodellen, Systemen für maschinelles Lernen und Planungsdaten

    Nils Reinosch; Alexander Muenzberg; Daniel Martini; Alexander Niehus; Liv Seuring; Christian Troost; Rajiv Srivastava Kumar; Thomas Berger; Thilo Streck; Ansgar Bernardi

    In: Christa Hoffmann; Anthony Stein; Arno Ruckelshausen; Henning Müller; Thilo Steckel; Helga Floto (Hrsg.). Referate der 43. GIL-Jahrestagung. Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft (GIL-2023). Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft (GIL-2023), Fokus: Resiliente Agri-Food-Systeme, February 13-14, Osnabrück, Germany, Pages…
  2. Machine Learning on Simulated and Real Farm Data based on an Ontology-Controlled Data Infrastructure

    Alexander Muenzberg; Christian Troost; Daniel Martini; Francisco Mendoza; Rajiv Srivastava; Thomas Berger; Liv Seuring; Nils Reinosch; Thilo Streck; Ansgar Bernardi

    In: K. Hinkelmann; A. Martin (Hrsg.). Proceedings of the AAAI 2022 Spring Symposium on Machine Learning and Knowledge Engineering for Hybrid Intelligence. AAAI Spring Symposium on Machine Learning and Knowledge Engineering for Hybrid Intelligence (AAAI-MAKE-2022), March 21-23, Palo Alto, California, USA, AAAI Spring Symposium Series, AAAI, 2022.

Fördergeber

BMBF - Bundesministerium für Bildung und Forschung

01IS19073A

BMBF - Bundesministerium für Bildung und Forschung