Zum Inhalt gehen
Capgemini_Inside-stories_Undersea-Intelligence
Umwelt

Intelligenz unter Wasser

Einsatz von AI zur Erkennung wichtiger Bewegungen im Meer

Im Rahmen unserer jährlichen Global Data Science Challenge halfen Kollegen von Capgemini dem Lofoten-Vesterålen (LoVe) Ocean Observatory in Norwegen dabei, anomale Daten zu identifizieren, die von seinen Ozeanmessgeräten aufgezeichnet wurden. Die Gewinnerteams erklären, wie sie KI zur Beantwortung dieses Aufrufs zum Handeln eingesetzt haben.

Tief unter Wasser, vor der Küste des norwegischen Archipels der Lofoten, lauscht ein wissenschaftliches Sensorensystem und zeichnet auf. Das Lofoten-Vesterålen (LoVe) Ocean Observatory produziert 24 Stunden am Tag, sieben Tage die Woche einen Strom chemischer, physikalischer und biologischer Messwerte.

Versteckt in diesen Daten sind die Gesänge von Buckelwalen, die Vibrationen riesiger Heringsschwärme und Hinweise auf den globalen Klimawandel. Es gibt nur eine Schwierigkeit: Wie lassen sich wissenschaftlich wichtige Ereignisse in diesem Datenmeer erkennen?

Der globale Aufruf

Das war die Herausforderung für die Kollegen von Capgemini auf der ganzen Welt, die an der Global Data Science Challenge (GDSC) teilnehmen wollten. Dieser jährliche unternehmensweite interne Wettbewerb zieht Hunderte von Mitarbeitern an, die bereit sind, sich zu messen, um reale Herausforderungen mithilfe von künstlicher Intelligenz zu lösen. 
 
Im Jahr 2020 nutzten die Teilnehmer KI und maschinelles Lernen, um einzelne Pottwale zu identifizieren, um die Wanderungsmuster zu überwachen und die natürlichen Lebensräume der Wale zu schützen. 


Beim Wettbewerb 2021 gingen von den 673 Teams, die 1 200 Capgemini-Kollegen vertraten, zwei als Sieger hervor und teilten sich den Hauptpreis: Eines aus Indien und das andere aus dem Vereinigten Königreich. 

Anupam Saha, Senior Delivery Manager bei Capgemini India und Leiter des indischen Teams, erklärt die Herausforderung. “Wir wurden gebeten, eine KI-Lösung zu entwickeln, die die Unmengen von Sensordaten, die vom LoVe-Observatorium gesammelt wurden, analysieren und Anomalien erkennen kann, die für weitere Untersuchungen relevant sind.

David Gilhooley, Principal Consultant und Engagement Manager bei Capgemini UK, der das andere Siegerteam leitete, fügt hinzu, dass die schiere Menge der Daten an sich schon eine technische Herausforderung darstellte. Das ist der Kern des Problems: Das Observatorium sammelt Unmengen von Daten, die zeigen, dass der Ozean “normal” ist, während die Anomalien interessant sind.

Das Team von Anupam ging das Problem an, indem es die Daten in Teile zerlegte. “Wir gingen jede Datenquelle einzeln an und entwarfen ein Modell, das die Ausreißer in jedem Satz identifizieren sollte. Unser Hauptaugenmerk lag auf der Vorverarbeitung der Daten, um die relevantesten Variablen unter den Tausenden, die uns zur Verfügung standen, zu bestimmen.

Das britische Team legte auch großen Wert auf eine sorgfältige Datenverwaltung. “Wir mussten diese vielfältigen Datenquellen nehmen und sie Tag für Tag organisieren”, erklärt David. “Wir mussten nicht nur die fehlenden Bereiche auffüllen, sondern auch die Daten normalisieren, um die maschinelle Lernanalyse korrekt einsetzen zu können.

Erlernen neuer Fähigkeiten

Davids Team hatte sich bereits in kleinem Rahmen mit Datenverarbeitung und maschinellem Lernen befasst und betrachtete den Wettbewerb als eine Gelegenheit, seine Fähigkeiten in einem realen Szenario zu verbessern. 
 
“Dies ist die Art von Problem, die man in einem industriellen Umfeld hat – die Suche nach Ausreißern in einem riesigen Datensatz mit vielen Variablen”, sagt er. “Aus dieser Perspektive war die Herausforderung wirklich praktisch. Wir waren begeistert davon, die AWS [Amazon Web Services] Machine-Learning-Tools kennenzulernen und Erfahrungen mit dieser Technologie zu sammeln.” 

Eine wahre Teamleistung

Zu Davids Team gehörten Vincent Malmedy, Gabriela Pomery und Andrew Pennington, die alle in der Capgemini-Niederlassung in Bristol arbeiten. “Der Wettbewerb war der perfekte Weg, um das Team nach der Pandemie wieder zusammenzuschweißen”, sagt David.

Für Anupam war sein stolzester Moment die Präsentation seines Teams vor der Jury. “Zuvor waren wir auf dem fünften Platz gelandet”, erklärt er. “Aber wir hatten erkannt, dass die Person, die unser Modell in der Sternwarte benutzt, vielleicht keine Erfahrung mit Daten hat. Also haben wir es vermieden, mit unserer Präsentation zu theoretisch zu sein, und ich denke, das hat uns geholfen, den ersten Platz in der Gesamtwertung zu erreichen.

Environmental AI

Auch wenn diese Technologien nicht als “Allheilmittel” betrachtet werden sollten, glaubt David, dass KI und maschinelles Lernen uns helfen können, den Klimawandel und die globale Erwärmung besser zu verstehen. “Für den Menschen ist es schwer, all die einzelnen Schritte zu verstehen, die in diesen riesigen Prozessen eine Rolle spielen. Mit den richtigen Anleitungen können maschinelle Lernwerkzeuge jedoch dabei helfen, diese komplexen Zusammenhänge zu verstehen.”

Er ist der Meinung, dass der Wettbewerb zusammen mit den umfassenderen Klimaverpflichtungen von Capgemini dazu geführt hat, dass sein Team bewusster mit seinen Entscheidungen umgeht – zum Beispiel in Bezug auf den Arbeitsweg und den Verbrauch von Plastik.

Beide Teams erhielten für ihre Siegerbeiträge einen Technologiepreis anstelle einer Reise nach Norwegen zur Besichtigung der Sternwarte, die leider wegen der Pandemie abgesagt werden musste.

Vorbereiten auf die nächste Herausforderung

Das Team von Capgemini setzt seine Arbeit mit dem LoVe-Observatorium fort, damit Forscher von einem Verständnis der ozeanischen Ökosysteme profitieren kann. Nächstes Jahr wird sich der GDSC auf die Suche nach einem Mittel für Flussblindheit konzentrieren – die Gelegenheit, eine bessere Zukunft mithilfe von KI zu gestalten.