Das FAIRgeo-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. Eine erste Projektbewertung hat nun den FAIRgeo-Ansatz und seine ersten Ergebnisse bestätigt.
Das Projekt FAIRgeo (Fencing AI for Enhanced Reliability in Geo Services) wird durch den Europäischen Fonds für regionale Entwicklung (EFRE) kofinanziert und betrachtet die Herausforderungen von KI-Anwendungen in der Fernerkundung 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.
Künstlicher Intelligenz (KI) und Maschinelles Lernen (ML) eröffnen 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.
Rasdaman sieht Datenwürfel als Schlüsseltechnologie für die Bereitstellung von „Analysis Ready Data“, also analysefertigen Datensätzen. Sie ermöglichen, so das Unternehmen, intuitivere, benutzerfreundliche Dienste, da sie sie technische Hürden weitgehend verbergen.
Mit der wachsenden Bedeutung von KI entstehen jedoch neue Herausforderungen. ML-Modelle erfordern, so Rasdaman, oft Python-Wrapper, die komplex sind und tiefes Wissen über Datenkodierung und Verarbeitungsumgebungen voraussetzen. „Während Datenwürfel den Zugriff auf beliebige Regionen und Zeiträume trivial einfach machen, liefern Modelle nicht überall zufriedenstellende Ergebnisse. Es wurde beobachtet, dass die Genauigkeit auf 20 % oder weniger sinken kann. Nutzer sollten vor Fehlanwendungen geschützt werden“, so Geschäftsführer Peter Baumann.
Konkret trägt FAIRgeo zu einer nahtlosen, codierungsfreien Einbettung von ML in die Geo-Datenwürfel-Anfragesprache WCPS bei. Das „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 u.a. 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 nach Angaben von Rasdaman deutlich. „Damit bestätigt sich das Potenzial des Ansatzes, KI-basierte Geodatenanalysen nicht nur sicherer, sondern auch deutlich effizienter zu machen“, so Baumann.