Search results

Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie soll der Frage nachgegangen werden, ob sich über Machine Learning Verfahren ein empirisch basierter Ansatz zu einheitlichen Identifikation von den gängigsten Response Style Mustern konstruieren lässt. Dies soll aufwändige Kontrollverfahren, welche jeweils nur einzelne Muster finden können oder mit erheblichem Mehraufwand verbunden sind, ersetzen und somit eine universellere und praxistauglichere Option zu bisherigen Ansätzen darstellen. Der hier dargelegte Ansatz basiert auf der Kalibrierung des ML-Verfahrens anhand von synthetisierten Daten, welche der formalen Definition von Response Styles (RS) entsprechen und einem Anteil von empirischen Daten (European Social Survey), welche nicht von RS betroffen sind. Das hierauf trainierte Modell kann auf empirisch erhobene Daten angewendet werden, um RS-Muster in Survey-Daten zuverlässig entdecken und bearbeiten zu können. Die Ergebnisse der Studie legen mit Fehlerklassifikationsraten von 0.3 bis 3.5 % den ML-Ansatz als eine vielversprechende Alternative zu bisherigen Verfahren nahe.

Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie soll der Frage nachgegangen werden, ob sich über Machine Learning Verfahren ein empirisch basierter Ansatz zu einheitlichen Identifikation von den gängigsten Response Style Mustern konstruieren lässt. Dies soll aufwändige Kontrollverfahren, welche jeweils nur einzelne Muster finden können oder mit erheblichem Mehraufwand verbunden sind, ersetzen und somit eine universellere und praxistauglichere Option zu bisherigen Ansätzen darstellen. Der hier dargelegte Ansatz basiert auf der Kalibrierung des ML-Verfahrens anhand von synthetisierten Daten, welche der formalen Definition von Response Styles (RS) entsprechen und einem Anteil von empirischen Daten (European Social Survey), welche nicht von RS betroffen sind. Das hierauf trainierte Modell kann auf empirisch erhobene Daten angewendet werden, um RS-Muster in Survey-Daten zuverlässig entdecken und bearbeiten zu können. Die Ergebnisse der Studie legen mit Fehlerklassifikationsraten von 0.3 bis 3.5 % den ML-Ansatz als eine vielversprechende Alternative zu bisherigen Verfahren nahe.

ZusammenfassungDie Abfallwirtschaft wandelt sich zu einer produzierenden Industrie in der Kreislaufwirtschaft. Trotz Fortschritten und Optimierungen bei der automatischen sensor-basierten Sortierung bleibt die Handsortierung von Abfällen relevant. Das Projekt recAIcle hat es sich zum Ziel gesetzt, die Digitalisierung der Handsortierung in der Abfallwirtschaft mithilfe von künstlicher Intelligenz (KI), Machine Learning (ML) und Human-Machine Interaction (HMI) voranzutreiben. KI und ML haben mehrfach gezeigt, wie sie ganze Industrien und Branchen revolutionieren können. Das Projekt RecAIcle fokussiert sich auf die Kunststoff- und Batterieerkennung und -sortierung. Die Produktivität und Qualität der Handsortierung sollen dadurch gesteigert werden. Hierfür wird ein digitales Assistenzsystem, das die Sortiermitarbeiter:innen bei der Sortierentscheidung unterstützt, entwickelt. Aufgrund der speziellen Anforderungen an ein solches System wurde das Framework Design entsprechend angepasst. Für die Entwicklung dieses Systems werden fortschrittliche, lebenslang lernende ML-Modelle benötigt, welche wiederum große Mengen an hochqualitativen Trainingsdaten und Rechenleistung benötigen. Um genügend use-case-spezifische Trainingsdaten bereitstellen zu können, wurden Versuche unter kontrollierten Bedingungen im Technikumsmaßstab zur Trainingsdatenakquise durchgeführt. Die Ergebnisse des Systemdesignprozesses und der ersten Trainingsdatenakquise werden in dieser Veröffentlichung präsentiert. Ebenso wird ein Ausblick auf künftige Entwicklungen und weitere geplante Versuche gegeben.

ZusammenfassungIm Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ7, Q95, Q98) für alle topografischen Einzugsgebiete der österreichischen Oberflächenwasserkörper inklusive der ausländischen hydrologischen Oberlieger-Regionen vorhergesagt. Die Regionalisierung der Abflusskennwerte wurde mit dem Machine-Learning-Modell XGBoost durchgeführt. Zentrale Grundlage für das Training von XGBoost war der LamaH-Datensatz, welcher für 859 beobachtete Einzugsgebiete in Zentraleuropa über 70 aggregierte Einzugsgebietseigenschaften und 15 meteorologische Zeitreihen umfasst. Anthropogene Beeinflussungen wie z. B. Jahresspeicher oder Überleitungen wurden durch zusätzlich erstellte Attribute bei der Vorhersage berücksichtigt. Die Testergebnisse haben gezeigt, dass bei der Vorhersage der Abflusskennwerte in unbeobachteten Einzugsgebieten mit einer Abweichung von rund 20 % zu rechnen ist, wobei diese Schätzung auch stark anthropogen beeinflusste Gebiete beinhaltet. Darüber hinaus wurden auch 90-%-Konfidenzintervalle der Vorhersagen mit einem Quantile-Random-Forest-Modell geschätzt und klassifiziert. Die Ergebnisse werden der Öffentlichkeit in Form von Shapefiles unter https://doi.org/10.5281/zenodo.6523372 kostenlos zur Verfügung gestellt.

ZusammenfassungDa die Leistung eines Laufkraftwerks ohne Schwallbetrieb nicht gesteuert werden kann, sind möglichst präzise Leistungsprognosen nötig, um die generierte elektrische Energie bestmöglich am internationalen Strommarkt verwerten zu können. Derzeit befindet sich beim österreichischen Wasserkraftwerksbetreiber Verbund AG für den Zweck der Leistungsprognose eine Kombination aus hydrologischen und hydrodynamischen Modellen (PW) im operativen Betrieb, welche aber insbesondere bei an- sowie absteigenden Leistungsverläufen noch Defizite aufweist. Deshalb wird in dieser Studie an den Laufkraftwerken Braunau-Simbach, Aschach und Greifenstein das Potenzial von Machine Learning (ML) Verfahren bei der kurzfristigen (bis 4 h) Leistungsprognose in fünf hydrologisch interessanten Zeitfenstern eruiert. Dafür werden gemessene Abfluss- und Leistungswerte von stromauf liegenden Laufkraftwerken und Pegeln als Eingangsdaten herangezogen. Die erzielten Ergebnisse zeigen, dass ML im Anwendungsbereich der kurzfristigen Leistungsprognose innerhalb einer Laufkraftwerkskette sinnvoll eingesetzt werden kann. So konnte beim Grenzkraftwerk Braunau-Simbach der Modellfehler in Form der Wurzel der mittleren quadratischen Abweichung (RMSE) im Vergleich zu PW bei der 4‑Stunden-Prognose sowie über die fünf ausgewählten Zeitfenster um rund 63 % verringert werden. Beim Kraftwerk Aschach wurde eine Reduktion von 30 % erzielt, während beim Kraftwerk Greifenstein der RMSE mit ML um mehr als 50 % reduziert wurde. Es hat sich bei ML zudem gezeigt, dass mit kürzerer Prognosezeit auch die Prognosequalität deutlich verbessert wird, während sich diese bei PW in einem deutlich geringeren Ausmaß mit der Prognosezeit ändert. Es ist daher absehbar, dass ab einer bestimmten Prognosezeit PW gegenüber ML wieder im Vorteil ist. Nichtsdestotrotz könnte bei längerer Vorhersagezeit aber durch die Nachkopplung eines ML-Modells an PW die Prognosequalität weiter verbessert werden.

In dem aktuellen Forschungsprojekt "Eingabefreie Station" wird erforscht, wie Pflegetätigkeiten automatisiert erfasst werden können, um zeitaufwendige und manuelle Pflegedokumentation zu reduzieren.

ZusammenfassungViele der aktuell im Forschungsbereich Onlinekommunikation untersuchten Phänomene wie Hate Speech, Inzivilität oder Offensive Language kommen in einer Stichprobe aus Nutzergenerierten Inhalten (User Generated Content, UGC) vergleichsweise selten vor. Sind die Kategorien in einer Stichprobe nicht gleich verteilt, spricht man von unbalancierten Daten. Für die Textklassifikation mit Überwachtem Maschinellem Lernen (Supervised Machine Learning) sind solche nicht balancierten Stichproben häufig problematisch, da sie die automatisierte Identifikation der Katgeorien erschweren und Klassifikationsmodelle (Classifier) oft ungenau und unzuverlässig werden lassen. Kommt eine Kategorie in den Daten nur selten vor, kann sie durch ein statistisches Klassifikationsmodell nur schwer erlernt werden. Zudem tendieren viele ML-Algorithmen dazu, bei Unsicherheit die vorherrschende Kategorie in den Daten vorherzusagen, und die Klassifikation wird zugunsten der überrepräsentierten Kategorie verzerrt.Die vorliegende Studie untersucht, inwieweit die Methode des Oversampling die Klassifikation von UGC verbessern kann, wenn eine Kategorie in der Stichprobe deutlich unterrepräsentiert ist. Hierfür wurden anhand von verschiedenen nicht balancierten Stichproben aus deutsch- und englischsprachigen Tweets und Nutzerkommentaren Klassifikationsmodelle für die Identifikation von Offensive Language, Inzivilität und Sentiment trainiert und getestet. Verglichen wurden die Ergebnisse bevor und nachdem die Oversampling-Strategien ROS (Random Over Sampling) und SMOTE (Synthetic Minority Over-sampling Technique) auf den Trainingsdaten angewendet wurden. Die Ergebnisse zeigen, dass sowohl ROS als auch SMOTE die Klassifikation von UGC in allen Stichproben deutlich verbessert, vor allem die Identifikation der unterrepräsentierten Kategorie. Die Anwendung von Oversampling führt zudem dazu, dass die Verzerrung der Schätzung zu Gunsten der vorherschenden Kategorie deutlich reduziert wird. Ziel der Studie ist es, Forschenden aus der Kommunikationswissenschaft Erkenntnisse darüber liefern, wie sich die Problematik von nicht balancierten Stichproben auf die automatisierte Inhaltsanalyse mit Supervised Machine Learning auswirkt und bis zu welchem Punkt diesem Problem mit Oversampling begegnet werden kann.

ZusammenfassungDie Fließgewässertemperatur ist ein essenzieller Umweltfaktor, der das Potenzial hat, sowohl ökologische als auch sozio-ökonomische Rahmenbedingungen im Umfeld eines Gewässers zu verändern. Um Fließgewässertemperaturen als Grundlage für effektive Anpassungsstrategien für zukünftige Veränderungen (z. B. durch den Klimawandel) berechnen zu können, sind adäquate Modellierungskonzepte notwendig. Die vorliegende Studie untersucht hierfür 6 Machine Learning-Modelle: Schrittweise Lineare Regression, Random Forest, eXtreme Gradient Boosting, Feedforward Neural Networks und zwei Arten von Recurrent Neural Networks. Die Modelle wurden an 10 österreichischen Einzugsgebieten mit unterschiedlichen physiographischen Eigenschaften und Eingangsdatenkombinationen getestet. Die Hyperparameter der angewandten Modelle wurden mittels Bayes'scher Hyperparameteroptimierung optimiert. Um die Ergebnisse mit anderen Studien vergleichbar zu machen, wurden die Vorhersagen der 6 Machine Learning-Modelle den Ergebnissen der linearen Regression und dem häufig verwendeten und bekannten Wassertemperaturmodell air2stream gegenübergestellt.Von den 6 getesteten Modellen zeigten die Feedforward Neural Networks und das eXtreme Gradient Boosting die besten Vorhersagen in jeweils 4 von 10 Einzugsgebieten. Mit einem durchschnittlichen RMSE (Wurzel der mittleren Fehlerquadratsumme; root mean squared error) von 0,55 °C konnten die getesteten Modelle die Fließgewässertemperaturen deutlich besser prognostizieren als die lineare Regression (1,55 °C) und air2stream (0,98 °C). Generell zeigten die Ergebnisse der 6 Modelle eine sehr vergleichbare Leistung mit lediglich einer mittleren Abweichung um den Medianwert von 0,08 °C zwischen den einzelnen Modellen. Im größten untersuchten Einzugsgebiet – Donau bei Kienstock – wiesen Recurrent Neural Networks die höchste Modellgüte auf, was darauf hinweist, dass sie sich am besten eignen, wenn im Einzugsgebiet Prozesse mit langfristigen Abhängigkeiten ausschlaggebend sind. Die Wahl der Hyperparameter beeinflusste die Vorhersagefähigkeit der Modelle stark, was die Bedeutung der Hyperparameteroptimierung besonders hervorhebt.Die Ergebnisse dieser Studie fassen die Bedeutung unterschiedlicher Eingangsdaten, Modelle und Trainingscharakteristiken für die Modellierung von mittleren täglichen Fließgewässertemperaturen zusammen. Gleichzeitig dient diese Studie als Basis für die Entwicklung zukünftiger Modelle für eine regionale Fließgewässertemperaturvorhersage. Die getesteten Modelle stehen im open source R‑Paket wateRtemp allen AnwenderInnen der Forschungsgemeinschaft und der Praxis zur Verfügung.

ZusammenfassungDie Verbreitung von Mehrschichtfolien im Bereich der Kunststoffverpackungen bringt viele Vorteile für Verbraucher, Logistik und die Umwelt mit sich, stellt jedoch gleichzeitig neue Herausforderungen für das Abfallmanagement dar. Aufgrund eines Mangels an geeigneten Technologien im industriellen Maßstab ist der Materialverbund der dünnsten verschiedenen Kunststoffe bisher kaum vom übrigen Kunststoffverpackungsstrom zu unterscheiden. Die Mischung unerwünschter Materialien führt zu Inkompatibilität zwischen den Kunststoffen im Recyclingprodukt und infolgedessen zu einer Verringerung der Qualität der Sekundärrohstoffe. Projekte wie "Multilayer Detection" des AVAW der Montanuniversität bieten Lösungen, die vorhandene NIR-Sortiertechnologie in bestehenden Kunststoffrecyclinganlagen so anzupassen, dass die Identifizierung und Ausscheidung von Mehrschichtfolien problemlos nachgerüstet werden können. Mit der Entwicklung der neuen Recyclingmethode können die bestehenden Vorteile von leichter Folienverpackung auf bestmögliche und umweltfreundliche Weise genutzt werden. Eine Herausforderung im Abfallmanagement kann gemeistert und in einen wertvollen Beitrag zur Kreislaufwirtschaft umgewandelt werden. Dazu werden adaptierte Messmethoden in der Nahinfrarotspektroskopie wie die Akquise von Spektraldaten in Transflektion angewandt. Weiters wird gezeigt, wie Machine-Learning-Klassifikationsmethoden Herausforderungen, die aus schierer Vielfalt an Mehrschichtfolien erwachsen, lösen können. Schlussendlich wird anhand einer Lebenszyklusanalyse von Folienverpackungen die Notwendigkeit einer verbesserten Sammlung und Sortierung gezeigt.

Der vorliegende Artikel greift die aktuelle Thematik der "Künstlichen Intelligenz" in der öffentlichen Verwaltung auf und geht der Frage nach, ob maschinelle Lernsysteme (ML-Systeme) genutzt werden können, um beim Erlass verwaltungsrechtlicher Ermessensentscheidungen zu unterstützen. Ausgehend von einer synergetischen Betrachtung beider Gebiete sowie der theoretischen Herleitung der grundsätzlichen Modellierbarkeit von Ermessensentscheidungen durch ML-Systeme schließt sich die Frage an, in welcher Form eine Unterstützung vorliegend möglich ist. Im Anschluss wird eine Modellierung anhand zweier sozialrechtlicher Ermessensentscheidungen konstruiert und in einem Wizard-of-Oz-ähnlichen Praxisversuch geprüft, wie derartige Ausgaben von Mitarbeiterinnen und Mitarbeitern in der Verwaltung wahrgenommen werden und deren Entscheidungsprozess beeinflussen können. Im Ergebnis hat sich gezeigt, dass eine theoretische Modellierung entsprechender Ermessensentscheidungen in der Praxis mit einer Vielzahl an Herausforderungen verbunden ist. Kann diesen jedoch begegnet werden, können die Anwenderinnen und Anwender von einem intelligenten System profitieren.

This article discusses fairness in artificial intelligence (AI) based policing procedures using facial recognition as an example. Algorithmic decisions based on discriminatory dynamics can (re)produce and automate injustice. AI fairness here concerns not only the creation and sharing of datasets or the training of models but also how systems are deployed in the real world. Quantifying fairness can distract rom how discrimination and oppression translate concretely into social phenomena. Integrative approaches can help actively incorporate ethical, legal, social, and economic factors into technology development to more holistically assess the consequences of deployment through continuous interdisciplinary collaboration.

ZusammenfassungDie Verdunstung ist ein entscheidender Prozess im globalen Wasser‑, Energie- sowie Kohlenstoffkreislauf. Daten zur räumlich-zeitlichen Dynamik der Verdunstung sind daher von großer Bedeutung für Klimamodellierungen, zur Abschätzung der Auswirkungen der Klimakrise sowie nicht zuletzt für die Landwirtschaft.In dieser Arbeit wenden wir zwei Machine- und Deep Learning-Methoden für die Vorhersage der Verdunstung mit täglicher und halbstündlicher Auflösung für Standorte des FLUXNET-Datensatzes an. Das Long Short-Term Memory Netzwerk ist ein rekurrentes neuronales Netzwerk, welchen explizit Speichereffekte berücksichtigt und Zeitreihen der Eingangsgrößen analysiert (entsprechend physikalisch-basierten Wasserbilanzmodellen). Dem gegenüber gestellt werden Modellierungen mit XGBoost, einer Entscheidungsbaum-Methode, die in diesem Fall nur Informationen für den zu bestimmenden Zeitschritt erhält (entsprechend physikalisch-basierten Energiebilanzmodellen). Durch diesen Vergleich der beiden Modellansätze soll untersucht werden, inwieweit sich durch die Berücksichtigung von Speichereffekten Vorteile für die Modellierung ergeben.Die Analysen zeigen, dass beide Modellansätze gute Ergebnisse erzielen und im Vergleich zu einem ausgewerteten Referenzdatensatz eine höhere Modellgüte aufweisen. Vergleicht man beide Modelle, weist das LSTM im Mittel über alle 153 untersuchten Standorte eine bessere Übereinstimmung mit den Beobachtungen auf. Allerdings zeigt sich eine Abhängigkeit der Güte der Verdunstungsvorhersage von der Vegetationsklasse des Standorts; vor allem wärmere, trockene Standorte mit kurzer Vegetation werden durch das LSTM besser repräsentiert, wohingegen beispielsweise in Feuchtgebieten XGBoost eine bessere Übereinstimmung mit den Beobachtung liefert. Die Relevanz von Speichereffekten scheint daher zwischen Ökosystemen und Standorten zu variieren.Die präsentierten Ergebnisse unterstreichen das Potenzial von Methoden der künstlichen Intelligenz für die Beschreibung der Verdunstung.

Das Gesundheits-IT Unternehmen Cerner und der Logistikriese Amazon arbeiten künftig im Bereich KI und maschinelles Lernen im Gesundheitswesen zusammen, um Innovationen im Gesundheitswesen weltweit voranzutreiben. Bereits in der Vergangenheit haben die beiden Branchenführer beim "Amazon Machine Learning Solution Lab" kooperiert. kma spricht über den aktuellen Zusammenschluss mit Bernhard Calmer, Leiter Business Development Central Europe von Cerner.