KI:STE - Stratégie IA pour les données du système terrestre

Objectifs et solutions

Le projet KI:STE vise à exploiter les développements récents en matière d'intelligence artificielle, en particulier les méthodes d'apprentissage profond, pour une analyse fiable des données environnementales. L'objectif scientifique est la mise en œuvre d'approches actuelles en matière d'IA pour la reconnaissance et l'analyse de modèles variables spatio-temporels dans les données environnementales dans les domaines suivants : nuages, neige/glace, eau, qualité de l'air et végétation, dans le cadre de cinq thèses. En outre, une plateforme technique sera créée afin de rendre disponibles de manière portable de puissantes applications d'IA sur les données environnementales. Une plateforme d'apprentissage en ligne sur l'IA sera mise en place avec des interfaces vers cette plateforme d'IA. Cette offre d'apprentissage en ligne est destinée à la formation, indépendamment du lieu, de jeunes scientifiques et d'autres parties intéressées. Elle utilisera les concepts et les méthodes développés dans les cinq domaines de recherche comme matériel pédagogique.

Dans KI:STE, nous abordons des sujets qui ne sont pas particulièrement faciles : les données sont volumineuses, la complexité est élevée et le contexte (météo et climat) est un domaine scientifique à part entière ! En ce qui concerne l'apprentissage automatique dans ce scénario, l'une des questions les plus importantes concerne l'optimisation des modèles en termes de taille, de fiabilité en cas de variation des données et pour certains matériels. Cette question est évidemment importante pour tout problème d'IA. Nous généralisons donc le sujet et vous invitons à participer à notre expérience en ligne..

→ Vous avez des questions ou des réflexions sur l'IA dans l'analyse environnementale ? Le Dr Markus Abel et Thomas Seidler attendent votre message avec impatience