Embed2Scale
In den letzten zehn Jahren hat die Datenwissenschaft bemerkenswerte Erfolge bei der Bewältigung menschlicher Aufgaben hervorgebracht - wie zum Beispiel kürzlich im Dialog zwischen Mensch und Maschine durch ChatGPT. Während die Fernerkundung Petabytes an optischen, Radar- und LiDAR-Daten für verschiedene Erdbeobachtungsanwendungen bereit hält, ist das effiziente Auswerten mit Menschen eine große Herausforderung.
Das MF-DAS-Team "Large-Scale Data Mining in Earth Observation" (DM4EO) wird die Grenzen des skalierbaren, schwach überwachten Lernens mit Hilfe von sogenannten "Geo-Foundation Modellen" austesten und verschieben. Unser Ziel ist die Erforschung des verteilten Maschinellen Lernens auf mehreren Hochleistungs-Recheninfrastrukturen in Zusammenarbeit mit mit akademischen, staatlichen und unternehmerischen Partnern - unter anderem: der Universität Oxford, dem Jülich Rechenzentrum, der Forschungsabteilung von IBM, dem Europäischen Satellitenzentrum, und der Firma Sinergise (jetzt Teil von Planet). Embed2Scale ist außerdem natürlich mit DLR-Projekten wie terrabyte verwoben.
Technisch gesehen wird Embed2Scale verteilte Fernerkundungsanalysen mit Hilfe von selbstüberwachtem Lernen durch KI-gestützte Datenkomprimierung möglich machen. Multimodale Deep Learning-Foundation Modelle sind das Herzstück unseres datengesteuerten Ansatzes. Anwendungen reichen von der Wettermodellierung bis zur maritimen Überwachung.
