Nachhaltigkeitspotentialanalyse für die Zweckmäßigkeit und den Aufwand von Datenannotationen für Machine Learning (ML)-Modelle

Catalli, F., Hochenegger, F., Reitz, T., Klien, E., Kocon, K., & Krämer, M. (2026). Nachhaltigkeitspotentialanalyse für die Zweckmäßigkeit und den Aufwand von Datenannotationen für Machine Learning (ML)-Modelle. Umweltbundesamt. https://doi.org/10.60810/openumwelt-7930

Zusammenfassung deutsch

Wie wichtig sind annotierte Umweltdaten für den erfolgreichen Einsatz von Maschinellem Lernen (ML)? Welchen Beitrag können sie so aufbereitet für Mensch und Umwelt leisten? Das Forschungsprojekt „LabelledGreenData4All“ näherte sich den Fragen in drei Bereichen. Zum einen analysierte es Anwendungsfelder für ML mit besonderem Potenzial für die Lösung umweltpolitischer Herausforderungen und bewertete, wie ML wirkt. Zum zweiten entstanden klare Empfehlungen, wie gelabelte Umweltdaten künftig besser geteilt werden können. Zuletzt wurde ein praxistaugliches Modell zur effizienten Datenannotation entwickelt. Dieses wurde an zwei Anwendungsfällen beispielhaft erprobt und funktioniert auch dann, wenn nur wenige gelabelte Daten vorliegen.