Fachsymposium „Artificial Intelligence for Life“ 2024

Bereits zum vierten Mal fand Ende Oktober das englischsprachige Online-Symposium „Artificial Intelligence for Life“ (AI4Life) der der Hochschule Weihenstephan-Triesdorf (HSWT) statt. Die in den letzten Jahren verantwortlichen Organisator:innen Prof. Dr. Claudia Brand von der Fakultät Bioingenieurwissenschaften und Prof. Dr. Patrick Noack vom Kompetenzzentrum für Digitale Agrarwirtschaft (KoDA) wurden in diesem Jahr tatkräftig von Prof. Dr. Florian Haselbeck von der Fakultät Nachhaltige Agrar- und Energiesysteme unterstützt. Professor Noack freut sich über die Veranstaltung: „Für mich ist es immer wieder ungeheuer spannend, über den Tellerrand hinauszuschauen und Vielfalt zu erleben. Von den vielen verschiedenen Anwendungen und Methoden der KI in den Lebenswissenschaften bekommt man in der eigenen Blase viel zu wenig mit.“

Die Keynote hielt Prof. Dr. Karsten Borgwardt von der Max-Planck-Gesellschaft zur Förderung der Wissenschaften zum Thema “Machine Learning and the Future of Bioinformatics”. Sechs weitere Referentinnen und Referenten präsentierten anschließend die Bandbreite von KI-Anwendungen in den unterschiedlichsten Bereichen.

Innovative KI-Anwendungen für verschiedene Branchen

Sebastian Burkhart, HSWT, untersuchte in seiner Studie „Predicting Grain Yield with AI: Effects of Train-Split-Ratio (TSR) and Network Architectures“ den Einfluss des Train-Split-Verhältnisses auf die Vorhersage des Getreideertrags mittels KI. Dabei wurden sieben Feldversuche an zwei Standorten über drei und vier Jahre analysiert und dabei sechs Algorithmen mit TSR-Bereichen von 5 % bis 95 % verglichen. Die Ergebnisse der Studie bieten Einblicke in das optimale Verhältnis von Trainings- und Testdaten sowie in effektive Netzwerkdesigns für Ertragsvorhersagen in der Landwirtschaft.

Andreas Gilson, Fraunhofer ILS, stellte in seiner Präsentation “Revolutionary Fruit Counting Combining the Power of NeRFs and Foundation Models” das Projekt FruitNeRF vor, das den Aufbau von End-to-End-Pipelines für digitale Zwillinge im Gartenbau zum Ziel hat. Mittels eines neuen, einheitlichen Frameworks, das moderne Methoden der Ansichtssynthese nutzt, sollen Früchte direkt in 3D gezählt werden. Die Methode verhindert laut dem Referenten typische Fehler beim Zählen, wie das Doppeltzählen oder das Zählen von abgefallenen oder Hintergrundfrüchten.

Lars Kappertz, Center for Industrial Mathematics der Uni Bremen, beleuchtete in seinem Vortrag “Modelling and Optimal Control of Thermal Storages in a Smart Energy Management System” vorhersagebasierte Energiemanagementsysteme zur effizienteren Nutzung erneuerbarer Energien durch Demand Side Management. Dabei wird der Ansatz verfolgt, einer modellprädiktiven Regelung verfolgt, um den Stromverbrauch von Geräten so zu verschieben, dass dieser optimal zur Energieerzeugung passt. In der Landwirtschaft sollen damit große thermische Speicher, die einen erheblichen Teil des Stromverbrauchs ausmachen, Potenzial für kurzzeitige Lastverschiebungen bieten.

Christine Drießlein, HSWT, referierte zum Thema “Analysis of the combination suitability between different NMR metabolite profiles using artificial intelligence methods”. Ziel bei diesem Projekt ist es, eine Verbindung zwischen bestimmten Eigenschaften von Löwenzahnarten wie zum Beispiel hoher Kautschukgehalt und deren Metabolitprofilen mithilfe multivariater und maschineller Lernmethoden herstellen. Dabei sollen Erkenntnisse über relevante Metaboliten und Netzwerke gewonnen werden, um die biochemischen Mechanismen besser verstehen zu können. Letztliches Ziel ist die Nutzung von Löwenzahn als alternative Kautschukquelle für umweltfreundlichere Wertschöpfungsketten. Neben einer hohen Genauigkeit bei der automatisierten Identifizierung zeigen erste statistische Auswertungen die Bedeutung der Metaboliten für das Verständnis der biochemischen Mechanismen.

In ihrem Vortrag “How data leakage hinders real progress in the field of PPI prediction” zeigte Judith Bernett, TUM School of Life Sciences, den Einsatz von Deep Learning in den Biowissenschaften und die Problematik überoptimistischer und schwer reproduzierbarer Ergebnisse insbesondere aufgrund von Datenlecks auf Die Diskrepanz zwischen gemeldeter und tatsächlicher Leistung ist besonders in den Lebenswissenschaften problematisch, wo Methoden am Menschen anwendbar sein sollen. Im Fokus steht dabei die Vorhersage von Protein-Protein-Interaktionen (PPI) als binäre Klassifikationsaufgabe, die ebenfalls von Datenlecks betroffen ist. Die Studie zeigt, dass durch Datenlecks das tatsächliche Ausmaß der Herausforderung verschleiert wird, was neue Durchbrüche behindert – insbesondere für unbekannte oder wenig untersuchte Proteine. Bernett zieht die Schlussfolgerung, dass die Vorhersage von PPIs mittels sequenzbasierter Ansätze noch lange nicht gelöst ist, aktuelle Ergebnisse seien oft zu optimistisch.

Paula Perez Toro, Friedrich-Alexander-Universität Erlangen-Nürnberg, sprach zum Thema „AI-Based Multimodal Speech Analysis for Medical Applications“. Sie beleuchtete die Fortschritte in der multimodalen medizinischen Datenanalyse mit dem Fokus auf Diagnose und Behandlung von Sprech- und Sprachstörungen. Dazu werden die verschiedensten Daten kombiniert und integriert mit dem Ziel, die diagnostische Präzision und therapeutische Effektivität zu verbessern.

• Zurück zur Übersicht