Liebe Freunde,
Wir freuen uns, Ihnen großartige Neuigkeiten mitteilen zu können: MI4People wird zum kommenden TUM.ai Makeathon als Challenge-Setter im MedTech-Track beitragen!
TUM.ai ist eine der größten KI-fokussierten Studenteninitiativen Europas, die darauf abzielt, einen positiven gesellschaftlichen Wandel voranzutreiben, indem sie das Potenzial von KI in verschiedensten Bereichen einbringt. Der aktuelle TUM.ai Makeathon ist eine internationale 48-stündige virtuelle Challenge mit dem Thema AI4SocialGood, bei der die Innovatoren von morgen funktionierende KI-Lösungen für reale Probleme entwickeln. Studierende und junge Berufstätige aus den Bereichen Wirtschaft, IT, Medizin und vielen anderen werden gemeinsam an Herausforderungen in den Bereichen Bildung, Umwelt und MedTech arbeiten.
Die Herausforderung von MI4People konzentriert sich auf die Identifizierung von vierzehn typischen Krankheiten auf Röntgenbildern der Brustregion. Dies markiert den Start unseres zweiten großen Projekts „General Computer für das Gesundheitswesen", das sich darauf konzentriert, Allgemeinärzt*innen in Entwicklungsländern zu unterstützen, indem wir ihnen ein Computer Vision System zur Diagnose von Krankheiten und Verletzungen anhand verschiedener medizinischer Bilder, z. B. Fotos, Röntgenbilder, CT- und MRT-Scans zur Verfügung stellen.
Neben den eigentlichen Computer-Vision-Modellen werden die Teilnehmenden ermutigt, Ideen zu entwickeln, wie diese Modelle in der Praxis verwendet werden können (z. B. App oder Framework). Dementsprechend würde der Makeathon besondere Bedingungen in Entwicklungsländern berücksichtigen, z. B.:
Schlechter Zugang zu bestehenden medizinischen IT-Tools / weniger verfügbare Rechenleistung / eingeschränkter Zugang zu Internet und Cloud Computing / alte Smartphones
Alte Röntgengeräte, so dass die Qualität der Bilder möglicherweise viel schlechter ist als im Trainingsdatensatz für maschinelles Lernen
Falls die Appidee das Abfotografieren von analogen Röntgenbildern beinhaltet, müssen unterschiedliche Fotoqualität und Lichtverhältnisse berücksichtigt werden
Herausforderungen bei der Integration des Systems in bestehende Prozesse
Der Fokus unserer Challenge liegt nicht so sehr auf der Erstellung eines „perfekten“ Modells, sondern auf dessen Anwendung in der Praxis. Wir begrüßen alle Studierenden, die sich dieser Herausforderung stellen, sind neugierig auf alle Beiträge und sind sicher, dass sie zu einer besseren Gesundheitsversorgung in den Entwicklungsländern beitragen werden!
Außerdem steht der Tag der Erde am 22. April an – an diesem Tag feiern wir unser Versprechen, den Planeten zu schützen. Dementsprechend widmen wir diesen Newsletter Themen rund um unsere Umwelt.
Lassen Sie uns gemeinsam die Welt zu einem besseren Ort für uns alle machen.
Ihr MI4People-Team
News
Nutzung von KI zur Maximierung sauberer Energie
Erneuerbare Energien werden für unseren Planeten immer wichtiger, da die Nutzung fossiler Energien aufgrund des fortschreitenden Klimawandels keine nachhaltige Option ist. Darüber hinaus ist die schnelle Einführung erneuerbarer Energien in letzter Zeit für viele Länder zu einem geopolitischen Ziel geworden, um unabhängig von fossilen Energielieferungen aus Russland zu werden.
Eine der wichtigsten erneuerbaren Energiequellen ist der Wind. Die Umwandlung des Windes in Strom ist jedoch mit vielen technischen Herausforderungen verbunden. Eine dieser Herausforderungen ist der sogenannte „Wake-Effekt“, der in großen Windparks zu beobachten ist und dazu führt, dass die stromabwärts gelegenen Turbinen nicht das gesamte Potenzial der Windströmung nutzen können.
Dieser Effekt kann durch eine dynamische Positionierung der stromaufwärtigen Rotoren gemildert werden, um den Wake-Effekt von stromabwärtigen Turbinen abzulenken. Dieser Ansatz ist jedoch sehr komplex und schwierig umzusetzen. Aber mit Hilfe von künstlicher Intelligenz (KI) wird dies eine viel einfachere Aufgabe! Vestas – einer der führenden Anbieter in der Windenergiebranche – hat mit Microsoft und minds.ai zusammengearbeitet, um ein KI-Modell zu entwickeln, das den Wake-Effekt steuern kann. Dieses Modell basiert auf dem sogenannten Reinforcement Learning – einer Art von KI-Modellen, die weitgehend durch Versuch und Irrtum lernen, d. h. sie testen verschiedene Aktionen und werden belohnt, wenn eine bestimmte Aktion ein besseres Ergebnis erzielt.
Derzeit befindet sich dieses Projekt noch in einem frühen Stadium, aber es zeigt, dass intelligente Algorithmen der Gesellschaft und der Industrie bei der Transformation hin zu grüner Energie helfen können.
Mit maschineller Intelligenz Waldbrände erkennen
Eine der Auswirkungen des fortschreitenden Klimawandels ist die zunehmende Wahrscheinlichkeit von Waldbränden. Bereits jetzt sind die Nachrichten jeden Sommer voll von Berichten über Waldbrände auf der ganzen Welt. Aber die Situation wird noch schlimmer: Die UNO warnt davor, dass Waldbrände bis 2050 um ein Drittel zunehmen und bis zum Ende des Jahrhunderts wahrscheinlich 50 % mehr Waldbrände aufkommen werden.
Daher werden Früherkennungssysteme für Waldbrände immer wichtiger. Solche Systeme können von Machine Intelligence (MI) profitieren. Insbesondere Computer Vision ist eine sehr geeignete Technologie zur Identifizierung von Waldbränden. Es kann verschiedene Daten verarbeiten, wie Satellitenbilder, Drohnenaufnahmen und Videos von Turmkameras, um bestimmte Bereiche zu beobachten, Brände zu erkennen und automatisch Warnungen auszulösen.
Beispielsweise hat ein Konsortium aus der University of Nevada, der University of California und der University of Oregon ein Programm namens ALERTWildfire gestartet, das Kameras und MI-Tools zur Unterstützung von Feuerwehrleuten und Ersthelfern bereitstellt. Dieses System wird bereits in vielen Regionen der USA eingesetzt. Für weitere Details zur Anwendung von ALERTWildfire in Kalifornien lesen Sie bitte auch den entsprechenden Artikel in Scientific America.
Bekämpfung von Mikro- und Nanoplastik
Laut einer US-Studie aus dem Jahr 2017 sind ca. 5 Milliarden Tonnen Plastik oder ca. 60 % aller jemals hergestellten Kunststoffe entsorgt worden und reichern sich auf Deponien oder in der natürlichen Umwelt an. Dieses Plastik zerfällt zu Mikroplastik, das dann von Menschen und Tieren über die Nahrung und das Wasser aufgenommen wird. Einige Berichte deuten darauf hin, dass wir jede Woche etwa fünf Gramm Mikroplastik zu uns nehmen, und eine aktuelle Studie legt auch nahe, dass eine beträchtliche Menge an Nanoplastik – ein weiteres Fragmentierungsprodukt von Mikroplastik – auch in der Luft vorhanden ist und wir diese über unsere Lungen aufnehmen.
Während wir in erster Linie unsere Kunststoffproduktion und unseren Verbrauch reduzieren sollten, um dieses Problem zu bekämpfen, sollten wir auch Technologien entwickeln, um diesen Kunststoff aus der Umwelt herausfiltern zu können. Dabei geht es in einem ersten Schritt darum, Mikro- und Nanoplastik zu identifizieren. Ein Team italienischer Forscher hat eine Methode vorgeschlagen, wie eine Kombination aus kohärenter 3D-Darstellung und maschinellem Lernen (ML) verwendet werden kann, um eine genaue und automatische Erkennung von Mikroplastik in Wasser zu erreichen. Ihr aktuelles Modell erreicht eine Genauigkeit von 99 % in gefilterten Wasserproben und kann Mikroplastik unterschiedlicher Größe und Art identifizieren.
Wir hoffen, dass diese und ähnliche Bemühungen zur Schaffung innovativer Lösungen zum Filtern von Mikroplastik aus der Umwelt und vielleicht sogar von Nanoplastik aus der Luft führen werden.
Schlusswort
In dieser Ausgabe unseres Newsletters haben wir einige inspirierende Beispiele für MI-Anwendungen im Umweltschutz gesehen. Wir möchten auch betonen, dass die vorgestellten Studien und Prototypen nicht nur dazu beitragen, die Umwelt zu schützen und Menschenleben zu retten, sondern auch die Grundlage für nachhaltige und profitable Geschäftsmodelle sein können. Wir hoffen, dass in naher Zukunft viele neue innovative Startups und Unternehmen die Kraft der Machine Intelligence nutzen werden, um Umweltprobleme anzugehen. Wenn Sie an weiteren Beispielen für MI-Anwendungen im Umweltschutz interessiert sind, lesen Sie in unserem früheren Newsletter und in unserem speziellen Whitepaper mehr zu diesem Thema.
Comments