Logo des Repositoriums

Auflistung nach Schlagwort "Maschinelle Lernverfahren"

1 - 3 von 3
  • Konferenzbeitrag
    Big Data Analytics in der Tierwohldebatte
    (38. GIL-Jahrestagung, Digitale Marktplätze und Plattformen, 2018) Hoffmann, Christa; Riekert, Martin
    Big Data Analytics ermöglicht Informationen aus Daten automatisch, objektiv und kosten-günstig zu extrahieren. So können Daten zur Haltungsumgebung (z. B. Fütterungs- oder Tem-peraturdaten), aber auch Daten aus Verhaltensbeobachtungen mittels Videokameras oder RFID, analysiert und zur Verbesserung des Tierwohls eingesetzt werden. Eine besondere Be-deutung spielen Maschinelle Lernverfahren, die aus bestehenden Datenbeständen lernen und somit die Datenanalyse vereinfachen, Prognosen für Tierwohl-Risiken ermöglichen und Ein-flussfaktoren auf das Tierwohl identifizieren. Im Projekt „Landwirtschaft 4.0: Info-System“ werden neue Techniken, Methoden und Verfahren für die intelligente Auswertung entwickelt, um eine breite Zustimmung der Gesellschaft zur wettbewerbsfähigen Tierproduktion zu er-möglichen.
  • Konferenzbeitrag
    Der ISTQB „Certified Tester® AI Testing“ (CT-AI)
    (Softwaretechnik-Trends Band 42, Heft 4, 2022) Winter, Mario
    Immer mehr unternehmenskritische und/oder sicherheitsrelevante Anwendungen enthalten KI-basierte Komponenten. Darüber hinaus gibt es erste erfolgreiche Anwendungen von KI zur Unterstützung des Testens. Der englischsprachige Lehrplan (syllabus) zum ISTQB „Certified Tester® AI Testing“ (CT-AI) Version V1.0 ist seit Oktober 2021 verfügbar. Seit Ende September 2022 ist nun auch der vom German Testing Board e.V. (GTB) unter Mitwirkung des Austrian Testing Board (ATB) und des Swiss Testing Board (STB) übersetzte deutschsprachige Lehrplan V1.0D verfügbar. Dieser Beitrag skizziert die Ziele und Themenfelder des Lehrplans.
  • Konferenzbeitrag
    Maschinelle Lernverfahren zur frühzeitigen Prognose der Handelsklasse
    (40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Zimpel, Tobias; Riekert, Martin; Hoffmann, Christa; Wild, Andrea
    Landwirte in der Schweinehaltung sehen sich zunehmend einem Spannungsfeld zwischen der Wirtschaftlichkeit sowie stetig steigenden Tierwohlanforderungen ausgesetzt. In Anbetracht der Wirtschaftlichkeit spielt die Einstufung des Schlachtkörpers durch den Magerfleischanteil in die jeweilige Handelsklasse (S, E, U, R, O, P) für die Vergütung eine entscheidende Rolle. Zudem impliziert eine niedrige Handelsklasse eine Gefährdung des Tierwohls. So kann eine niedrige Handelsklasse ein Indikator für ein Untergewicht des Tieres sein. Diese Arbeit nutzt Maschinelle Lernverfahren (ML) zur Prognose der Handelsklasse. Der Datensatz umfasst über 57.000 Schweine und 14 Indikatoren der Säugephase. Der zentrale Beitrag ist ein ML-Modell zur Prognose der Handelsklasse während der Säugephase. Gegenüber dem Mehrheitsvotum wird die Genauigkeit um 12,21 % erhöht, ausgehend von einer Genauigkeit der Prognose der Handelsklasse von 68,77 %. Somit hilft der Beitrag, die Wirtschaftlichkeit von Betrieben nachhaltig zu verbessern und Abweichungen zur angestrebten Handelsklasse zu erkennen.