Deep Learning erfreut sich seit einiger Zeit extremer Beliebtheit, was v.a. auf die gestiegene Verfügbarkeit der nötigen Hardware, großer Datenmengen und entsprechender Algorithmen zum Trainieren tiefer Netze zurückzuführen ist. Die Einsatzgebiete sind dabei extrem vielfältig, ein besonders vielversprechender Anwendungsbereich ist jedoch die Bild- und Mustererkennung (image recognition), weshalb Deep Learning auch für die geowissenschaftliche Fernerkundung sehr interessant ist.
Die nötige Hardware muss dabei nicht von allen Nutzer*innen selbst vorgehalten werden: Cloud Computing Services bieten die Möglichkeit, auf enorme IT-Ressourcen zugreifen zu können, ohne selbst eine entsprechende Infrastruktur aufbauen und unterhalten zu müssen. Hierdurch können projektbezogen und bedarfsabhängig die Rechenkapazitäten mobilisiert werden, die für die anstehende Analyse notwendig sind.
Eine häufig auftretende Hürde für potentielle Nutzer*innen besteht in der Unsicherheit, welche Kosten schlussendlich mit ihrem Projekt verbunden sein werden und wie sie ihre Analyse in der Cloud Computing Infrastruktur implementieren.
In diesem Studienprojekt soll es vor allem um diese praktischen Aspekte gehen. Ziel ist die Planung und Realisierung einer Fernerkundungsdatenanalyse unter Nutzung von Deep Learning mit Hilfe der IT-Ressourcen eines Cloud Computing Services. Der Fokus liegt dabei nicht auf der Datenanalyse selbst, sondern auf den informationstechnischen Aspekten der Umsetzung. Die Studierenden arbeiten in Projektgruppen. Jede Gruppe erhält ein bestimmtes Budget, das für die cloud-basierte Realisierung des Analyseprojektes verwendet werden kann.
Es stellen sich hierbei 2 Hauptaufgaben. Die erste Aufgabe besteht in der Planung und Abstimmung der Analyse hinsichtlich Umfang und Komplexität (z.B. räumliche und zeitliche Ausdehnung und Auflösung der Daten, Komplexität des gewählten Ansatzes). Diese erfolgt unter Berücksichtigung der nötigen Rechenkapazitäten (z.B. durch lokale Tests auf kleinen Datenmengen) und Kalkulation der damit verbundenen Kosten (mit Hilfe der vom Anbieter zur Verfügung stehenden Werkzeuge/Preisrechner). Die zweite Aufgabe besteht in der technischen Umsetzung, also der Implementierung und Durchführung der lokal entwickelten und getesteten Analyse in der Cloud Computing Infrastruktur.
Vorerfahrungen im Thema „Deep Learning” sind nützlich, werden aber nicht vorausgesetzt.
Kontakt:
Christian Knoth: christian.knoth@uni-muenster.de
Edzer Pebesma: edzer.pebesma@uni-muenster.de
|
eG