BiT SEA-SH
Big Data Trusted Science AI Plattform Schleswig-Holstein
BiT SEA ist eine offene und skalierbare KI-Plattform für Schleswig-Holstein, die von Partnern aus Wissenschaft und Wirtschaft entwickelt wird. Das Projekt schafft die technischen Grundlagen für datensouveräne Anwendungen und fördert den Wissenstransfer zwischen Forschung, Verwaltung und Unternehmen.
| Laufzeit: | 01.04.2025 - 31.03.2027 |
| Leitung: | Prof. Dr.-Ing. Horst Hellbrück |
| Mitarbeiter: | Finja Wegener, M.Sc., Tom Kruse M.Sc. |
Hintergrund
In der heutigen digitalen Welt wachsen die Datenmengen rasant. Viele dieser Daten sind zu umfangreich oder komplex, um von traditionellen Datenbanksystemen verarbeitet zu werden. Big Data-Architekturen bieten hier die notwendige Grundlage: Sie ermöglichen die Erfassung, Analyse und Nutzung umfangreicher und komplexer Datenbestände, insbesondere in Bereichen wie Künstlicher Intelligenz und Data Science.
Eine wesentliche Voraussetzung für solche Architekturen ist eine horizontal skalierbare IT-Infrastruktur. Diese muss ausreichend Rechenleistung, Speicher und zuverlässige Dateisysteme bereitstellen, um auch bei wachsendem Datenvolumen leistungsfähig zu bleiben. In Rechenclustern organisierte Standardserver sorgen dabei für Ausfallsicherheit und Redundanz. Fällt ein Server aus, wird er automatisch ersetzt, ohne dass es zu Ausfallzeiten oder negativen Auswirkungen auf den Betrieb kommt.
Ziel und Ansatz
Das Ziel des Projekts BiT SEA-SH besteht darin, eine horizontal hochskalierbare, hochverfügbare und vertrauenswürdige KI-Plattform für Daten und KI-gestützte Data-Science-Anwendungen für Hochschulen und Landesbehörden in Schleswig-Holstein zu schaffen. Im Einklang mit der Open-Source-Strategie des Landes Schleswig-Holstein gewährleistet die Plattform eine hohe Datensouveränität und vermeidet digitale Abhängigkeiten. Der technische Lösungsansatz basiert auf modernen, orchestrierbaren Containerlösungen, die an den beteiligten Hochschulen bereits erfolgreich in Forschung und Lehre eingesetzt werden.
Innovation und Mehrwert
Unternehmen, insbesondere kleine und mittlere Unternehmen in Schleswig-Holstein, profitieren von einer offenen Plattform, die es ihnen erlaubt, ihre eigenen Sensordaten und KI-Anwendungen zu integrieren. Die Interoperabilität der Plattform ermöglicht eine einfache Erweiterung und langfristige Nutzung auch über die Projektlaufzeit hinaus. So entsteht eine nachhaltige Grundlage für die Anwendung von KI und Big Data, die auch als Blaupause für Unternehmen dienen kann.
Die Plattform ist an den KI-Transfer-Hub Schleswig-Holstein angebunden, der den Wissensaustausch und die Zusammenarbeit zwischen Forschung, Wirtschaft und öffentlichen Institutionen fördert. Dies ermöglicht eine direkte Anbindung an aktuelle Entwicklungen im Bereich der Künstlichen Intelligenz und unterstützt Unternehmen dabei, von neuesten Innovationen zu profitieren.
Technischer Konzeptentwurf
Als technische Grundlage der BiT SEA-SH Plattform wird derzeit eine containerbasierte Infrastruktur aufgebaut, deren zentrale Orchestrierung über Kubernetes erfolgt. Kubernetes übernimmt die Bereitstellung, Verwaltung und Skalierung einzelner Plattformdienste innerhalb eines Clusterverbunds. Durch die verteilte Ausführung der Anwendungen entsteht eine flexible und ausfallsichere Entwicklungsumgebung, in der einzelne Komponenten unabhängig voneinander integriert, getestet und weiterentwickelt werden können.
Das Kubernetes-Cluster wird aktuell auf virtualisierten Ressourcen betrieben, wodurch Rechenkapazitäten flexibel bereitgestellt und bei Bedarf erweitert werden können. Die Trennung zwischen Virtualisierungsebene und containerisierten Anwendungen ermöglicht dabei eine portable und anpassbare Betriebsumgebung.
Ein wesentlicher Schwerpunkt im aktuellen Berichtszeitraum lag auf dem Aufbau der Speicher- und Verarbeitungsebene der Plattform. Hierfür wurde eine verteilte Speicherinfrastruktur aufgebaut, die die persistente Ablage strukturierter und unstrukturierter Daten ermöglicht. Diese bildet die Grundlage für die spätere Verarbeitung größerer Datenmengen sowie die dauerhafte Speicherung von Analyseergebnissen und anwendungsbezogenen Daten.
Parallel dazu wurden erste Compute-Komponenten zur verteilten Datenverarbeitung integriert. Diese ermöglichen bereits die Ausführung datenintensiver Analyse- und Verarbeitungsprozesse innerhalb der Clusterumgebung. Darüber hinaus werden erste Komponenten zur Datenaufnahme vorbereitet, über die zukünftig Daten aus unterschiedlichen Quellen in die Plattform eingebunden werden können. Die vollständige Integration weiterer Verarbeitungsschritte, zentraler Zugriffsmechanismen sowie zusätzlicher Plattformdienste befindet sich derzeit in Umsetzung.
Die aktuell aufgebaute Infrastruktur bildet damit die technische Basis für die schrittweise Erweiterung der Plattform in den nachfolgenden Projektphasen.
Potentielle Anwendungsfälle
Auswertung von Bildmaterial zur Qualitätskontrolle von Nahrungsmitteln
Hintergund
Der Transport von Nahrungsmitteln wie Reis und Kaffee erfolgt häufig über lange Distanzen und kann bis zu mehrere Wochen dauern. Während des Transports können verschiedene Faktoren die Qualität der Produkte beeinträchtigen, darunter Feuchtigkeit, die zu Schimmelbildung führen kann, extreme Temperaturen, die die Haltbarkeit verringern, sowie Schädlingsbefall, der die Lebensmittelsicherheit gefährdet. Die Qualitätskontrolle von Nahrungsmitteln wie Reis oder Kaffee ist entscheidend, um die Lebensmittelsicherheit zu gewährleisten und sicherzustellen, dass die Nahrungsmittel frei von Verunreinigungen, Schädlingen und anderen Qualitätsmängeln sind. Ein wichtiger Aspekt ist die visuelle Inspektion, bei der beispielsweise Reiskörner auf ihre Farbe, Form und Größe hin überprüft werden, um Verunreinigungen zu erkennen. Die visuelle Qualitätskontrolle von Nahrungsmitteln ist aufwändig, da sie eine detaillierte und zeitintensive Prüfung einer großen Anzahl von Stichproben erfordert, um repräsentative Ergebnisse für die gesamte Charge zu erhalten.
Wie kann BiT SEA-SH unterstützen?
Die BiT SEA-SH-Plattform kann bei der Qualitätskontrolle von Nahrungsmitteln durch die Automatisierung der Bildauswertung unterstützen, was den Prozess effizienter und weniger fehleranfällig macht. Durch den Einsatz fortschrittlicher KI-Technologien können hochauflösende Bilder von Nahrungsmittelproben automatisch analysiert werden, um Qualitätsmerkmale wie Farbe, Form, Größe und das Vorhandensein von Fremdkörpern oder Schädlingen zu erkennen. Die Plattform ermöglicht es, große Mengen an Bildmaterial zu verarbeiten und die Ergebnisse in leicht verständlichen Dashboards und Berichten darzustellen, was die Transparenz und Nachvollziehbarkeit der Kontrollergebnisse erhöht.
KI-gestütze Analyse hochfrequenter Sensordaten zur Früherkennung von Veränderungen in Grundwassersystemen
Hintergrund
Internationale Forschungs- und Monitoringvorhaben im Bereich der Hydrologie beschäftigen sich mit der langfristigen Sicherung der Verfügbarkeit und Qualität von Grundwasserressourcen. Insbesondere Küstenregionen zählen weltweit zu den besonders sensiblen Gebieten, da dortige Grundwasserleiter durch unterschiedliche natürliche und anthropogene Einflüsse gefährdet sind. Eine zentrale Herausforderung besteht darin, Veränderungen in diesen Systemen frühzeitig zu erkennen, deren Ursachen zu identifizieren und potenzielle Risiken langfristig bewerten zu können.
Ziel solcher Forschungsprojekte ist die Entwicklung neuer Methoden zur Identifikation relevanter Einflussfaktoren, zur Klassifikation unterschiedlicher Veränderungsmuster sowie zur Bereitstellung integrierter Modellierungswerkzeuge, mit denen Dynamiken und Risiken in komplexen hydrologischen Systemen abgebildet werden können. Dazu werden an verteilten Messstandorten Multisensor-Systeme eingesetzt, die kontinuierlich verschiedene physikalische und chemische Parameter wie Wasserstand, Temperatur, pH-Wert oder elektrische Leitfähigkeit erfassen. Die entstehenden hochfrequenten Sensordaten werden räumlich und zeitlich aggregiert, sodass zeitlich aufgelöste Zustandskarten der Messwerte erzeugt werden können. Mithilfe KI-gestützter Analysen sollen daraus räumliche und zeitliche Muster erkannt werden. Die entwickelten KI-Modelle dienen sowohl der langfristigen Prognose als auch dem kurzfristigen Nowcasting, insbesondere in Regionen mit begrenzter Sensorabdeckung.
Wie kann BiT SEA helfen?
BiT SEA kann solche Forschungs- und Monitoringvorhaben unterstützen, indem große Mengen an Sensordaten zentral erfasst, gespeichert und verarbeitet werden. Auf dieser Grundlage lassen sich KI-Modelle direkt auf der Plattform effizient trainieren, ohne dass Forschungsteams eigene physische Infrastruktur bereitstellen müssen. Nach dem Training können neu eingehende Sensordaten kontinuierlich innerhalb der Plattform analysiert werden. Die Analyseergebnisse lassen sich entweder exportieren oder direkt über integrierte Dashboards visualisieren.
Der gesamte Verarbeitungsprozess kann von verteilten Projektteams standortunabhängig eingesehen, überwacht und nachvollzogen werden. Daten, Modelle und Analyseergebnisse stehen zentral zur Verfügung, wodurch zeitaufwendige manuelle Datenübertragungen zwischen verschiedenen Einrichtungen reduziert und die internationale Zusammenarbeit deutlich vereinfacht werden.
Straßenqualitätskontrolle
Hintergrund
Die Qualität der Straßeninfrastruktur ist von entscheidender Bedeutung für die Sicherheit, Effizienz und Wirtschaftlichkeit des Verkehrs. Defekte oder mangelhafte Straßen können zu schweren Unfällen führen, den Verkehrsfluss beeinträchtigen und erhebliche Kosten durch Reparaturen und Unterhaltskosten verursachen. Traditionelle Methoden der Straßenqualitätskontrolle umfassen manuelle Inspektionen sowie visuelle Begutachtungen, die zeitaufwendig und oft fehleranfällig sind. Diese Methoden erfordern spezialisiertes Personal und sind nicht immer in der Lage, frühzeitig potenzielle Probleme zu erkennen.
Wie kann BiT SEA helfen?
Ein vielversprechender Ansatz zur Bewältigung dieser Herausforderungen wäre der Einsatz der BiT SEA-SH-Plattform als integrierte, datengetriebene Lösung zur kontinuierlichen Straßenqualitätsüberwachung. Denkbar wäre dabei eine Kombination aus fahrzeuggestützter Sensorik und KI-basierter Bildanalyse: Hochauflösende Kameras und Beschleunigungssensoren, montiert an Fahrzeugen des kommunalen oder betrieblichen Fuhrparks, könnten im laufenden Betrieb kontinuierlich Bild- und Schwingungsdaten der Fahrbahn-oberfläche erfassen. Diese Daten würden an die Plattform übertragen und dort von KI-Algorithmen automatisch ausgewertet. Die KI-Modelle könnten dabei charakteristische Schadensmerkmale erkennen und georeferenziert, nach Schweregrad klassifiziert sowie mit Zeitstempel dokumentieren. Bei sicherheitsrelevanten Befunden wären automatische Benachrichtigungen an zuständige Stellen denkbar, sodass kritische Schäden zeitnah bearbeitet werden könnten.
Projektpartner
Förderkennzeichen: 220 25 004
