Künstliche Intelligenz im Einsatz gegen Erdrutsch

In diesem Artikel lesen Sie,

• wie KI bei der Bekämpfung von Umweltkatastrophen helfen kann,
• wie ein KI-Architekt in nur drei Monaten eine KI für den World Summit AI entwickelt hat
• und welche Ressourcen aus der Open Telekom Cloud genutzt wurden.

In nur drei Monaten hat Ferenc Kukucska, KI-Architekt der Open Telekom Cloud, einen Erdrutschdetektor entwickelt, der Umweltkatastrophen anhand von Bildklassifizierungen erkennt. Der Dienst wurde auf dem World Summit AI vorgestellt und ist kostenlos online verfügbar.

Die globale Erwärmung und der Klimawandel sind immer mehr zu spüren: 2023 war das wärmste Jahr seit Beginn der globalen Temperaturaufzeichnungen – das bestätigen Daten der NASA, der World Meterological Organization, der US National Oceanic and Atmospheric Administration, der Climate Research Unit der University of East Anglia und des British Meteorological Service. Die unerfreuliche Seite des Klimawandels hat in den letzten Jahren immer wieder für negative Schlagzeilen gesorgt: Extreme Wetterereignisse wie lang anhaltende Dürre und starke Regenfälle führen zu Überschwemmungen und Erdrutschen, die Menschenleben gefährden.

Allein im Jahr 2024 gab es Berichte über Erdrutsche in Papua-Neuguinea, Indien (Kerala), Indonesien und Nepal. Aber auch in Europa nehmen solche Extremereignisse zu: Im Juni war die Schweiz betroffen, und Ende Oktober überschwemmte eine verheerende Flut Südspanien. „Für unsere Demo auf dem World Summit AI 2024 wollten wir zeigen, wie die Cloud und Künstliche Intelligenz (KI) im Kampf gegen solche Katastrophen helfen können“, erklärt Ferenc Kukucska, KI-Architekt im Team der Open Telekom Cloud. Das Team wollte einen „Erdrutschdetektor“ entwickeln, der Satellitendaten mithilfe von Künstlicher Intelligenz (Bildklassifizierung) analysiert. Dieser kann von öffentlichen Einrichtungen oder dem Katastrophenschutz genutzt werden, um Erdrutsche schnell und automatisch zu erkennen und Rettungsaktionen gezielt zu koordinieren. 

Gängige LLMs könnten zur Erkennung von Erdrutschen eingesetzt werden, wenn sie anhand markierter Bildern von Erdrutschen und Nicht-Erdrutschen und mit optimalen Trainingsparametern trainiert werden. Aber wenn es sich nur um Conversational Bots handelt, eignen sie sich nur zum Plaudern und für Smalltalk, nicht aber für die Erkennung von Objekten und Bildern. „Wir haben uns für ein separates, spezifisches KI-Modell für die Bildklassifizierung entschieden. Für die Entwicklung des KI-Modells konnten wir auf die Ressourcen und Services der Open Telekom Cloud zurückgreifen“, sagt Kukucska. ModelArts ist ein KI-PaaS, das Entwicklungsumgebungen, neuronale Netze, Frameworks und Infrastrukturressourcen aus einer Hand bietet. Mit ExeML ist es sogar möglich, KI-Dienste ohne explizite KI-Expertise zu entwickeln (Citizen-Developer-Ansatz). 

Doch eine KI-PaaS allein macht noch keine KI. Wichtig sind vor allem geeignete Daten in ausreichender Menge und Qualität. „Glücklicherweise sind Satellitendaten aus der Erdbeobachtung heutzutage oft frei verfügbar. Wir haben uns entschieden, den Bijie-Datensatz für Training und Tests zu verwenden“, so Kukucska. Der Bijie-Datensatz ist nach einer chinesischen Stadt mit fast 7 Millionen Einwohnern benannt, in der es regelmäßig zu Erdrutschen kommt. Der Datensatz umfasst 2.000 Bilder ohne Erdrutsche und 770 Bilder mit Erdrutschen. „Dieser Satz bietet eine gute Grundlage für das Training. Allerdings kann dieses 3:1-Verhältnis zu einem unausgewogenen Datensatz führen, der dann bei binären Fragen (Erdrutsch: ja oder nein?) zu ungenauen Ergebnissen führt“, erklärt der KI-Architekt. Die modellierte KI neigt dazu, häufiger Ergebnisse zu finden, die der Mehrheit der Trainingsbilder entsprechen. In unserem Fall hätte die KI eine Präferenz für „kein Erdrutsch“.

Was ist also zu tun? „Wir mussten das Gleichgewicht zugunsten der Bilder von Erdrutschen verschieben, damit für beide Varianten annähernd ähnliche Datensätze vorhanden waren“, erläutert Kukucska. Auf diese Weise kann eine „unvoreingenommene“ KI erstellt werden. Um dies zu erreichen, ging das Team auf „Photoshopping“: Die 770 Erdrutschbilder wurden durch Spiegeln, Zoomen und Drehen verändert und dem Datensatz hinzugefügt. Alle Daten wurden in einem Object Storage Bucket in der Open Telekom Cloud gespeichert. Dieser Bucket wurde auch für das Data Engineering genutzt, z. B. für die Vorverarbeitung der Bilder für das KI-Training. 

„Wir haben zuerst den ExeML-basierten Citizen-Developer-Ansatz ausprobiert“, so Kukucska. Für das Training verwendete er etwa drei Viertel der verfügbaren Daten, aber keine Techniken zur Datenerweiterung oder GPU. Damit dauerte das erste Training etwa vier bis fünf Stunden. Das restliche Viertel der Daten wurde zum Testen des Modells verwendet. „Mit ExeML erreichten wir eine Analysegenauigkeit von rund 60 Prozent“, fasst er die ersten Ergebnisse zusammen. „Für unsere Demo strebten wir jedoch eine deutlich höhere Genauigkeit an. Daher blieb uns nichts anderes übrig, als tiefer zu gehen und die fortschrittlichen KI-Entwickler-Tools von ModelArts einzusetzen. Diese gaben uns die Möglichkeit, die Hyperparameter für das Modell anzupassen und die Schichten des neuronalen Netzes zu verändern.“

Kukucska probierte ExeML auch in einer späteren Phase der Anwendungsentwicklung aus, als viele zusätzliche Bilder verwendet wurden, wählte eine rechenintensive GPU-Instanz als Instanzvariante und die Inferenzhardware NV_P4. Das Training dauerte dann ein paar Stunden.

Convolutional Neural Networks (CNN) mit sogenannten Convolutional Layers (Faltungsschichten) werden häufig für die Bildanalyse verwendet. CNNs können Bilder und Muster erkennen. Im Convolutional Layer werden Filter (auch Kernel genannt) über das Eingabebild oder die Eingabedaten bewegt (gefaltet), um Merkmale oder Eigenschaften aus den Daten zu extrahieren. Jeder Filter ist auf ein bestimmtes Merkmal wie Kanten, Texturen oder bestimmte Muster spezialisiert. Wenn das Bild durch den Filter läuft, wird eine neue Darstellung des Bildes erstellt, die nur die erkannten Merkmale enthält. Diese Merkmalsarten werden dann durch weitere Schichten verarbeitet, um komplexere Muster zu erkennen. In modernen Modellen werden die CNNs mit anderen Schichttypen angereichert, um die besten Ergebnisse bei der Bildklassifizierung zu erzielen, z. B. Pooling Layern, Fully Connected Layern, ReLU Layern, Batch Normalization Layern, Dropout Layern oder Transposed Convolutional Layern.

Insgesamt durchlief das Modell 15 bis 20 Entwicklungszyklen in knapp drei Monaten, bis Kukucska mit dem Ergebnis zufrieden war. Das Team schloss die Arbeit im August mit einer Erkennungsrate von knapp 90 Prozent ab – nachdem es Ende Mai gestartet war. Das beweist, dass die Onboard-Ressourcen der Open Telekom Cloud mit überschaubarem Aufwand und Kosten leistungsfähige, spezifische KIs erzeugen können. Um die Entwicklungszeiten zu verkürzen, nutzte das Team für die letzten Trainingszyklen GPU-Ressourcen (8 vCPUs, 64 GB, p2v.2xlarge.8.). Dies führte zu einer Beschleunigung um den Faktor 3. Das neue Modell war in drei bis vier Stunden verfügbar.

Neben ModelArts, Elastic Cloud Servern und Object Storage wurden auch Containerdienste eingesetzt, um eine automatisierte Bereitstellung auf verschiedenen Plattformen zu ermöglichen: Software Repository for Container und die Kubernetes-kompatible Cloud Container Engine. Der finale Dienst wurde auf dem World Summit AI im Oktober 2024 vorgestellt und ist als Webservice verfügbar. Interessierte können dort Satellitenbilder hochladen. Die Analyse erfolgt in Bruchteilen von Sekunden.