Ressortforschungsplan 2023, Nachhaltigkeitspotentialanalyse für die Zweckmäßigkeit und den Aufwand von Datenannotationen für Machine Learning (ML) Modelle

Description: In vielerlei Hinsicht besitzt Maschinelles Lernen (ML) großes Potential für die Erreichung der Pariser Nachhaltigkeitsziele. Insbesondere Supervised Machine Learning erfordert jedoch die Aufbereitung von Rohdaten in Form von Annotationen und die damit verbundene Zusammenstellung von nutzbaren Datensätzen. Dieser Prozess ist, vor allem mit Blick auf manuelle Annotationen großer und komplexer Datenmengen, besonders zeit- und arbeitsintensiv und kreiert häufig eine Lücke zwischen verfügbaren Rohdaten und der tatsächlichen Anwendung. Das Projekt LabelledGreenData4All untersucht die strategische Bedeutung annotierter Umweltdaten für den Einsatz von ML und Künstlicher Intelligenz (KI) zur Bewältigung gesellschafts- und umweltpolitischer Herausforderungen. Ziel ist es, Anwendungsbereiche mit hohem Potenzial für ML-Modelle zu identifizieren, den ML-Einsatz hinsichtlich seiner Wirkungen zu bewerten, daraus strategische und politische Empfehlungen für die sektorübergreifende Bereitstellung von (annotierten) Umweltdaten als Grundlage für künftige Fördermaßnahmen abzuleiten sowie ein Vorgehensmodell zur effizienten Datenannotation insbesondere bei wenigen verfügbaren annotierten Daten zu entwickeln und anhand von zwei Use Cases zu prototypisieren. Dabei leistet das Vorhaben einen wichtigen Beitrag zur Zurverfügungstellung von qualitativ hochwertigen Umweltdaten bzw. umweltrelevanten Daten nach den 'FAIR'- Prinzipien, um moderne Verfahren des maschinellen Lernens besser sowohl für Belange des Umweltressorts als auch für Akteure aus Forschung, Wirtschaft/Industrie sowie der Zivilgesellschaft nutzbar zu machen. Der datenzentrierte Ansatz ergänzt hierbei die bereits laufenden Bereitstellungsmaßnahmen von Umweltdaten (z. B. zentrales Portal für Umwelt- und Naturschutzinformationen umwelt.info, Green Deal Dataspace und ChatClimate / ClimateBert). Mit dem Anwendungslabor für Künstliche Intelligenz und Big Data im Umweltbundesamt (KI-Lab) besitzt das Umweltressort zudem ein Eigeninteresse an der Aufbereitung von Umweltdaten für Verfahren des maschinellen Lernens, um zukunftsorientierte, digitale Technologien wirksam und wertschöpfend sowie mit direktem Nachhaltigkeitsbezug und im Sinne einer sozial-ökologischen Transformation für die Aufgabenwahrnehmung einsetzen zu können. Damit soll das Vorhaben insgesamt helfen, die besonderen Potenziale von KI im Umweltbereich zu entfalten und Lücken zwischen technisch notwendigen Grundlagen und Anwendungsbereichen für den Umwelt- und Ressourcenschutz zu schließen.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Paris ? EU Green Deal ? Big Data ? Nachhaltigkeitsziel ? Umweltdaten ? Künstliche Intelligenz ? Aufbereitungstechnik ? Ressourcenschutz ? Digitale Technologien ? Zivilgesellschaft ? Sozial-ökologische Transformation ? Nationales Umweltinformationszentrum ? Datenannotation ? labeling ?

Region: Hessen

Bounding boxes: 9° .. 9° x 50.55° .. 50.55°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) / Umweltbundesamt (UBA) (Geldgeber*in)
• Fraunhofer-Institut für Graphische Datenverarbeitung (Mitwirkende)
• Umweltbundesamt (Bereitsteller*in)
• wetransform GmbH (Betreiber*in)

Time ranges: 2024-02-16 - 2025-02-14

Alternatives

• Language: Englisch/English
  Title: Sustainability potential analysis for the usefulness and effort of data annotations for machine learning (ML) models (LabelledGreenData4All)
  Description: In many respects, machine learning (ML) has great potential for achieving the Paris sustainability goals. However, supervised machine learning in particular requires the preparation of raw data in the form of annotations and the associated compilation of usable data sets. This process is often time-consuming and labour-intensive, especially with regard to manual annotations of large and complex data sets, and often creates a gap between available raw data and the actual application. The LabelledGreenData4All project analyses the strategic importance of annotated environmental data for the use of ML and artificial intelligence (AI) to address social and environmental policy challenges. The aim is to identify application areas with high potential for ML models, to evaluate the use of ML in terms of its impact, to derive strategic and policy recommendations for the cross-sectoral provision of (annotated) environmental data as a basis for future funding measures, and to develop a procedural model for efficient data annotation, especially when little annotated data is available, and to prototype it using two use cases. The project makes an important contribution to the provision of high quality environmental data and environmentally relevant data in line with the 'FAIR' principles, in order to make modern machine learning methods more usable for the interests of the environmental sector as well as for stakeholders from research, business/industry and civil society. The data-centred approach complements existing environmental data provision measures (e.g. the central portal for environmental and nature conservation information umwelt.info, Green Deal Dataspace and ChatClimate / ClimateBert). The Federal Environment Agency, with its Application Laboratory for Artificial Intelligence and Big Data (KI-Lab), also has a vested interest in preparing environmental data for machine learning processes in order to be able to use forward-looking, digital technologies effectively and in a value-adding manner, with a direct link to sustainability and in the sense of a socio-ecological transformation for the fulfilment of its tasks. The overall objective of the project is to contribute to the realisation of the specific potential of AI in the environmental sector and to close the gaps between fundamental technological requirements and the domains where AI can be applied to enhance environmental protection and conservation of resources. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1118819

Resources

• Webseite zum Förderprojekt

  https://www.umweltbundesamt.de/themen/digitalisierung/digitale-nachhaltigkeit/datenannotation-als-grundlage-fuer-ki-im (Webseite)

Status

Aktiv

Quality score

• Overall: 0.46
• Findability: 0.50

  • Title: 0.00
  • Description: 0.14
  • Identifier: false
  • Keywords: 0.86
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.