Fortschritte in Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) eröffnen neue, vielversprechende Möglichkeiten, Erdbeobachtungsdaten besser zu nutzen. In der Praxis wird der Einsatz solcher Modelle jedoch oft durch ihre Komplexität erschwert. Zudem besteht die Gefahr, dass Modelle auf ungeeigneten Daten angewendet werden – was zu ungenauen oder irreführenden Ergebnissen führen kann.
Projekt für Big-Earth-Data-Plattformen
Das Fairgeo (Fencing AI for Enhanced Reliability in Geo Services)-Projekt entwickelt Methoden, mit denen Big-Earth-Data-Plattformen KI-Modelle von Drittanbietern sowohl für Fachleute als auch für Nicht-Experten einfach und sicher bereitstellen können. Grundlage ist das neuartige Konzept des „Model Fencing“, das die Nutzung von Modellen besser kontrollierbar und verlässlicher macht. Die erste Projektbewertung hat nun den Fairgeo-Ansatz und seine ersten Ergebnisse bestätigt.
Datenwürfel gelten als Schlüsseltechnologie für die Bereitstellung von „Analysis Ready Data“, also analysefertigen Datensätzen. Sie ermöglichen intuitivere, benutzerfreundliche Dienste, da sie sie technische Hürden weitgehend verbergen. Mit der wachsenden Bedeutung von KI entstehen jedoch neue Herausforderungen:
- Viele ML-Modelle sind komplex in der Anwendung, erfordern aufwendige Vorverarbeitung und sind oft unzureichend dokumentiert. Ihre Nutzung setzt in der Regel Python-Wrapper und detailliertes Wissen über Datenkodierung und Verarbeitungsumgebung voraus. Ziel von Fairgeo ist es daher, dass sowohl Experten als auch Nicht-Experten ML-Modelle ohne Programmierkenntnisse effizient einsetzen können.
- Während Datenwürfel einen unkomplizierten Zugriff auf beliebige Regionen und Zeiträume ermöglichen, liefern ML-Modelle nicht überall gleich zuverlässige Ergebnisse. Untersuchungen haben gezeigt, dass die Genauigkeit unter ungeeigneten Bedingungen auf 20 % oder weniger sinken kann. Um Anwender vor solchen Fehlanwendungen zu schützen, integriert Fairgeo Mechanismen, die potenziell ungeeignete Daten- oder Modellkombinationen automatisch erkennen und entsprechende Maßnahmen ergreifen – von Warnhinweisen bis zur Ablehnung fehleranfälliger Anfragen.
Fairgeo wird durch den Europäischen Fonds für regionale Entwicklung (EFRE) kofinanziert und betrachtet die Herausforderungen aus Sicht moderner Big-Earth-Data-Plattformen. In seiner ersten Projektphase befasst sich Fairgeo mit den Modellfamilien Bigearthnet, Prithvi und RS-LLaVA. Die Constructor University und die Rasdaman GmbH entwickeln gemeinsam AI-Cubes - eine enge Integration von KI und Datenwürfeln - die vom Rasdaman-Team initiiert wurde. Konkret trägt Fairgeo zu:
- einer nahtlosen, codierungsfreien Einbettung von ML in die Geo-Datenwürfel-Anfragesprache WCPS bei.
- „Model Fencing”: Der Server erkennt ungültige Daten-/Modellkombinationen und reagiert durch Kennzeichnung bis hin zur Ablehnung der Anfrage.
Die neuen Fairgeo-Funktionen fügen sich nahtlos in die bestehende rasdaman-Technologie ein, die unter anderem standortunabhängige Föderation, feingranulare Sicherheitsmechanismen und intelligenten, automatisierten Datenimport bietet. Das Projekt orientiert sich konsequent an den interoperablen Coverage-Standards von ISO, OGC und EU Inspire, insbesondere am Datenmodell Coverage Implementation Schema (CIS) und am Servicemodell Web Coverage Service (WCS) mit seiner Geo-Datenwürfel-Anfragesprache Web Coverage Processing Service (WCPS).
Erste Tests mit den AI-Cubes zeigen bereits sehr gute Ergebnisse: Die Verarbeitungsgeschwindigkeit übertrifft Standard-Python-Workflows deutlich. Damit bestätigt sich das Potenzial des Ansatzes, KI-basierte Geodatenanalysen nicht nur sicherer, sondern auch deutlich effizienter zu machen.
Weitere Informationen unter www.rasdaman.com