Herausforderungen und Ansätze zu einer Infrastruktur für die breite Nutzung von Machine-Learning-Verfahren in der Umweltverwaltung

Das Kapitel untersucht die Herausforderungen und Ansätze zur Schaffung einer Infrastruktur für die breite Nutzung von Machine-Learning-Verfahren in der Umweltverwaltung. Es wird die Notwendigkeit betont, ökologische Phänomene zu überwachen und zu verstehen, um politische Entscheidungen zu unterstützen, die Öffentlichkeit zu informieren und wirtschaftliche Investitionsentscheidungen zu erleichtern. In Zeiten von Energiewende, Mobilitätswende und Klimawandel steigen die Anforderungen an das Monitoring und die Prognose von Umweltaspekten. Die öffentliche Verwaltung verfügt bereits über umfangreiche Datenbestände, die durch Fernerkundungstechnologien, Online-Sensorik und Citizen Science kontinuierlich wachsen. Machine-Learning-Verfahren finden in der Forschung und Industrie zunehmend Anwendung, sind in der öffentlichen Verwaltung jedoch noch selten. Das Forschungsvorhaben Simplex4Learning zielt darauf ab, die großen und heterogenen Datenbestände der Umweltbehörden für intelligente Analysen besser zu erschließen und ML-Verfahren für Domänenexperten ohne vertiefte ML-Kenntnisse praktikabler zu machen. Dazu werden die Simplex4Data-Datenintegrationsmethode weiterentwickelt, AutoML- und MLOps-Funktionalitäten integriert, Methoden des erklärbaren Maschinellen Lernens (XAI) eingesetzt und ein ML-Pattern Repository aufgebaut. Die Technologien werden exemplarisch an der Datenanalyseplattform Disy Cadenza und dem Data Warehouse System Simplex4Data demonstriert und an konkreten Anwendungsbeispielen deutscher Landesbehörden erprobt. Das Kapitel skizziert den Projektkontext, den Lösungsansatz, die involvierten Technologien und die Vorgehensweise zur Identifizierung von Anwendungsfällen. Es wird die Integration bestehender Datenbestände, die Auswahl von Datensätzen, das Feature Engineering, die Modellauswahl und -trainierung sowie die Bewertung und Ablage von Modellen in einem Repository beschrieben. Zudem werden die aktuellen Entwicklungen und Anwendungen von Machine Learning in der Umweltverwaltung dargestellt, einschließlich der Nutzung von Deep Learning für die Vorhersage von Grundwasserständen und die Prognose von Pegelständen. Das Kapitel hebt die Bedeutung von AutoML und MLOps für die Automatisierung und Skalierung von ML-Prozessen hervor und diskutiert die Herausforderungen und Lösungsansätze für die praktische Implementierung in der Umweltverwaltung.