Aktuelles

Wir betrachten zwei verschiedene Arten von Daten, die wir uns anschauen und dann mit Methoden aus dem Data Science analysieren wollen. Im ersten Teil sind das Daten aus landwirtschaftlichen Feldversuchen, die auch alle bei uns in Bernburg-Strenzfeld durchgeführt wurden. Da steht zum Beispiel drin, wie das Feld bewirtschaftet wurde, wie wurde es gedüngt, wie wurde es bearbeitet – mit Pflug oder ohne Pflug – und am Ende enthalten die Daten auch Angaben darüber, welcher Ertrag auf dem Feld erzielt werden konnte. Und das zu verschiedenen Feldfrüchten wie Mais, Winterweizen und anderen. Zusätzlich wurden Daten zu den mikrobiellen Gemeinschaften auf dem Feld erhoben, insbesondere zu Pilzen und Bakterien, die über Bodenproben bestimmt werden. Und diese Daten wurden über verschiedene Jahre, das heißt zehn Jahre und länger erhoben.

Tatsächlich liegen insgesamt viele Daten vor. Zumal wir noch einen zweiten Datenbereich haben, überschrieben mit dem Thema "Mobile Links". Dabei geht es in der Basis um Bewegungsdaten von Tieren auf zwei Versuchsflächen. Das waren zum einen Pferde, zum anderen Rinder. Und dazu wurde aufgezeichnet, wie sich die Tiere über die Zeit auf der Fläche bewegt haben und welchen Einfluss das auf die Vegetation hatte. Dazu wurden dort Pflanzenarten zu bestimmten Zeitpunkten bestimmt. Diese Daten ergänzen wir durch Satellitendaten zu den Flächen. Die geben zwar keine Details wieder, aber zumindest weisen sie darauf hin, ob eine Fläche grün, also lebendig ist, oder braun, also im Hinblick auf die Vegetation zerstört.

Neben der Vielfalt spielt die Qualität eine große Rolle, damit Daten überhaupt mit den automatischen Methoden des Maschinellen Lernens analysiert werden können. Das ist in der Regel die erste Herausforderung des Data Scientists: die Daten aufzubereiten. Das ist auch bei "BioTrain" so. Die Daten wurden im Laufe der Jahre im Zuge verschiedener Forschungsprojekte in sehr viel manueller Arbeit erhoben, das heißt nicht immer auf den gleichen Versuchsfeldern, zum Teil zeitlich versetzt oder mit zeitlichen Lücken und zum Beispiel auch mit unterschiedlichen Feldfrüchten.

Dass wir zunächst viel Arbeit in die Aufbereitung geben mussten. Dass Daten die Kontinuität fehlt, ist für Data Scientists aber keine Überraschung. Das macht es zwar schwieriger, ein bestimmtes Modell zu entwickeln, aber nicht unmöglich. Wir schauen gerade, was ist der gemeinsame Nenner, was kann man aus den Daten vorhersagen und was nicht. Und wenn es eine Fragestellung aus der Anwendungsdomäne gibt, das die aktuelle Datenlage nicht hergibt, dann untersuchen wir, wie man die Daten durch andere gegebenenfalls anreichern kann oder Simulationsmodelle einsetzt, um zusätzliche Daten zu generieren. Das ist aktuell übrigens auch ein aktuelles Forschungsthema im Maschinellen Lernen: Wie kann man Domänenwissen oder Simulationsmodelle mit datengetriebenen Verfahren des Maschinellen Lernens kombinieren, um bessere Modelle zu trainieren? An einem solchen  Ansatz arbeiten wir gerade auch für "BioTrain".

Auf den Versuchsfeldern der Hochschule Anhalt werden verschiedene Feldfrüchte, aber auch Maßnahmen zur Biodiversität erforscht. Dabei sind über mehrere Jahre zahlreiche, verschiedene Daten gesammelt worden. Inwieweit diese Informationen mit Hilfe von Methoden des Maschinellen Lernens ausgewertet werden können, untersucht das interdisziplinäre Team im Projekt "BioTrain".

Den Schritt zu Vorhersagen sind wir bewusst noch nicht gegangen. Vorher ist es wichtig, zunächst einen Einblick in die Zusammenhänge in den Daten zu erzielen. Gerade das Thema Biodiversität ist ein komplexes Zusammenspiel von sehr vielen Komponenten. Deshalb fokussieren wir uns zunächst darauf zu analysieren, wie die einzelnen Faktoren gegebenenfalls aufeinander wirken und was sich davon in den Daten ausdrückt. Das heißt, wir arbeiten erst mal auf der Ebene der explorativen Betrachtung und suchen nach statistisch signifikanten Zusammenhängen, zum Beispiel zwischen den Bewegungsdaten der Tiere und der Vegetation oder auch den Satellitendaten. Und basierend darauf ergeben sich dann die nächsten Schritte. Wenn es uns gelingt, für dieses Zusammenwirken der einzelnen Faktoren ein Verständnis zu erzeugen und das über die Daten und den darauf trainierten Modellen zu belegen, ist ein wichtiger Meilenstein erreicht worden.

Das ist ganz oft die Erwartung an Data-Science-Projekte. Dabei ist meistens der erste und umfangreichste Schritt, wenn es um Datenanalyse geht, dass man erst mal ein Datenverständnis aufbaut und in der Anwendungsdomäne dafür sensibilisiert, was denn mit den Daten möglich ist und was nicht. Aber dieses gegenseitige Verständnis verschiedener Welten zusammenzubringen, ist ausdrücklich auch ein Ziel von "BioTrain". Ein Frühwarnsystem kann zwar das oberste Ziel sein, ist aber erst mal kein passendes Ziel für einen Lernalgorithmus. Das muss man auf spezifischere Teilziele herunterbrechen.

Auf der abstrakten Informatikebene ist das grundsätzliche Vorgehen erst mal gleich. Es gibt die beschriebenen typischen Prozessschritte der Datenanalyse: Datenverständnis aufbauen, dann später die Modellierung und Evaluierung. Zugleich muss man sich in die individuellen Daten immer wieder neu reindenken, sie verstehen: Was bedeuten die Daten? Wie ist die Qualität zu bewerten? Wie passen sie zu dem, was man gern vorhersagen möchte. Das ist wichtig, um die richtigen Verfahren und Methoden zu wählen, über die man die Modellierung vornimmt. Das heißt, wir haben ein ganzes Portfolio an Methoden des Maschinellen Lernens. Und ich muss erkennen, welche Methoden für mein Problem nutzbar sind. Das betrifft gleichermaßen die Bewertung der Ergebnisse: Wann ist ein Ergebnis gut? Nach welchen Kriterien entscheide ich das? Das hängt wiederum stark vom Anwendungsbereich ab, aus dem die Daten kommen. Und dazu braucht man wiederum die Expertise und die Erfahrung der Fachleute. Die ständige Abstimmung während der einzelnen Prozessschritte ist unerlässlich. Für mich ist gerade dieser Bereich das Spannendste an Data Science.

... ist Studienfachberaterin Data Science, Mitglied des Fachbereichsrates, Stellvertretende Gleichstellungsbeauftragte und leitet das Anhalt Center for Data Science

... konzentriert sich in ihrer Forschung auf Intelligente Datenanalyse / Data Mining / Maschinelles Lernen / Data Science / KI, Information Retrieval / Suchmaschinentechnologie sowie die MINT-Interessensförderung

... forscht aktuell in diesen Projekten: DiLeLA - Digitale Lernlabore für Anhalt, AI Engineering - Ein interdisziplinärer projektorientierter Bachelorstudiengang mit Ausbildungsschwerpunkt auf künstliche Intelligenz und Ingenieurwissenschaften, intoMINTgoesLSA, TRAINS-Untervorhaben 15-Triebzug-Demonstrator mit H2-Verbrennung und Health Monitoring, BioTrain - Trainieren von Algorithmen des maschinellen Lernens: Neue Wege zur Analyse und Vorhersage von Mustern und Zusammenhängen skalenübergreifender Biodiversitätsdaten

... zu dem interdisziplinären Projekt "BioTrain": In welchem Zustand ist ein Ökosystem? Gibt es Handlungsbedarf und wenn ja: welchen? Um darauf datenbasierte Antworten geben zu können, gibt es "BioTrain". Das übergeordnete Ziel sind komplexe Vorhersagen, die mit Hilfe von Algorithmen des Maschinellen Lernens erstellt werden sollen. Dabei geht es zum einen um den Einfluss von Weidetieren auf verschiedene Lebensgemeinschaften. Zum anderen werden mikrobielle Gemeinschaften in Ackerböden fokussiert, um letztlich ein nachhaltiges Bodenmanagement zu ermöglichen. Das Bundesministerium für Bildung und Forschung fördert das Projekt über insgesamt drei Jahre, an dem Forschende aus verschiedenen Disziplinen beteiligt sind: Data Science, Agrarökologie, Biodiversität, Digitale Landwirtschaft und Ökotrophologie. Die Details stehen auf der Projektwebsite.

... zu Forschung und Wissenstransfer zur Informatik an der Hochschule Anhalt: "Mit offenen Augen der Zukunft entgegen" –  so die Überschrift des Fachbereichs "Informatik und Sprachen" an der Hochschule Anhalt zu seinen Forschungsprojekten. Schwerpunkte sind Data Science, Maschinelles Lernen, digitale Vernetzung sowie die Mensch-Technik-Interaktion. Der Fachbereich engagiert sich im Besonderen dafür, junge Menschen für MINT-Fächer zu begeistern und darin auszubilden.