Ausschreibungseröffnung AI for Green
Geboren am 11.07.1979 in Leoben (Stmk)
Auf dem 2. Bildungsweg: 2010 bis 2015 Bachelor und Masterstudium an der FH Joanneum in Kapfenberg (Energie, Verkehrs- und Umweltmanagement)
Seit 2016 Researcher bei der 4ward Energy Research GmbH – außeruniversitäre Forschungseinrichtung mit Sitz in Graz – seit 2017 in den Bereichen Klimaschutz & Klimawandelanpassung tätig sowie Mitarbeit bei Forschungsprojekten zum Thema Windkraft
Windkraft ist eine der Schlüsseltechnologien für eine klimaneutrale Energieerzeugung. Für eine Bewertung der Auswirkungen des Klimawandels auf den Wind sowie deren Folgen für die Windstromerzeugung sind zeitlich und räumlich hoch aufgelöste Klimamonitoring-Datensätze notwendig, die im Rahmen von AI4Wind erarbeitet werden. Dafür werden neuen Methoden, basierend auf künstlicher Intelligenz und machine learning, angewandt. Ein wichtiges Ergebnis werden Planungstools sein, die Betreiber bei Planung und Betrieb von Windparks unterstützen.
Max Göbel, MSc leitet das Wissensextraktions- und Text Mining Team von webLyzard technology, ein Wiener Big Data-Unternehmen, das eine international führende Plattform zur automatisierten Analyse und Visualisierung digitaler Inhalte entwickelt. Zu den Anwendungen zählen unter anderem Online-Stimmungsbarometer, Suchmaschinen, Wahlkampf-Analysen und neuartige Prognosemodelle. Max ist für die zugrundeliegende Datenplattform verantwortlich, inklusive der skalierbaren Integration heterogener Datensätze in zahlreichen österreichischen und europäischen Forschungsprojekten. Die Stärken der webLyzard Plattform liegen in der Fähigkeit Trends frühzeitig zu erkennen, Informationsflüsse zu visualisieren oder Kommunikationserfolg präzise zu messen. Unter anderem wurde die webLyzard-Plattform bereits für Projekte der US-Klimabehörde NOAA und des Umweltprogramms der Vereinten Nationen eingesetzt.
SDG-HUB: KI-Basierte Semantische Suche und Visualisierung zur Unterstützung der Nachhaltigen Entwicklungsziele und der Agenda 2030
www.sdghub.at
Um die Zielerreichung der Nachhaltigkeitsziele der Agenda 2030 und der Klimaschutzziele des Pariser Abkommens in Österreich zu unterstützen, baut das Projekt ein Wissensarchiv auf, den sogenannten „SDG-HUB“. Dafür wird die heimische öffentliche Debatte zu Klima und Nachhaltigkeit in Medien und sozialen Medien mit radikalen KI-Technologien wie entitätszentrierten Sprachmodellen zur Wortsinn-Disambiguierung, Beziehungsextraktion und Bias-Erkennung analysiert. So liefert der SDG-HUB konkrete Einblicke in die öffentliche Kommunikation und Argumentationslinien von Bürger*innen und Interessengruppen. Die Ergebnisse liefern einen wichtigen Input (i) für den transdisziplinären Dialog mit verschiedenen gesellschaftlichen Zielgruppen sowie (ii) für das Monitoring der Maßnahmenumsetzung zur Erreichung der Ziele der Agenda 2030 und des Pariser Klimaschutzabkommens.
Refiz Duro is a scientist at AIT focusing on researching and developing solutions for the current and forthcoming challenges within the domains of resilient societies and crisis management, both being key components within the ongoing Climate Change. His technical expertise includes Earth Observation (i.e., satellite/remote sensing) and data analytics of multispectral and multimodal data. He is currently the coordinator of the AI4Trees project within the FFG Programme AI for Green.
AI4Trees researches, develops and combines technologies that allow us to understand and explain Climate Change affected tree growth, an essential component for optimizing carbon segregation, biodiversity and climate adaptation in forest ecosystems. State of the art forest monitoring methods such as multi temporal land- and air-borne laser scanning, spaceborne remote sensing, as well as continuous measurements by electronic dendrometers produce a never experienced multitude of input- and evidence data. Exploiting this, a predictive AI-based climate-sensitive tree growth models will be developed applying optimal machine learning strategies. Single tree growth models are destined to be the core components of Decision Support Systems supporting forest management on a local, regional and national level, thus empowering response to minimize potentially harmful consequences for modern societies in line with the UN Sustainable Development Goals.
Jürgen Hahn promovierte an der TU Wien, ist Gründer des Unternehmen GISolutions und Lehrender an der FH Wiener Neustadt. Dabei setzen er und sein Team digitale Technologien mit dem Fokus auf Geodaten und einfache Nutzbarkeit um. Die Tätigkeit des Geoinformatiker ermöglicht es ihm, seine Leidenschaften der Kartografie und Softwareentwicklung täglich auszuleben. Es treibt ihn an, durch ansprechende Kartenvisualisierungen Erkenntnisgewinne beim Betrachter zu erzeugen.
Warum entscheiden sich Bürger:innen, den Wärmeerzeuger Ihres Hauses zu wechseln und welche Auswirkungen hat es auf die Verwaltung und die Umsetzungsebene, zum Beispiel Energieversorger? Neue Technologien wie Niedertemperaturnetze und Digitalisierung drängen in den Markt, die in Einklang gebracht werden müssen mit gesellschaftlichen und politischen Forderungen nach mehr Nachhaltigkeit und Anpassungsstrategien zur Bewältigung des Klimawandels. In dem Forschungsprojekt erstellen wir Modelle von hypothetischen Bürger:innen als autonome Agenten mit jeweils unterschiedlichen Eigenschaften, differenziertem Entscheidungsverhalten und der Fähigkeit, miteinander zu lernen und mit ihrer Umgebung zu interagieren. Ergebnisse des Projektes sind interaktive Karten-Applikationen, die mögliche Transformationspfade für den Wärme- und Energiesektor unter Berücksichtigung technischer, wirtschaftlicher, sozio-ökonomischer und energiepolitischer Einflussfaktoren zeigen.
Manfred Mücke hat an der TU Graz Elektrotechnik, Fachrichtung Nachrichtentechnik studiert. Seine Dissertation hat er in Kooperation mit dem CERN (Schneller Entwurf von Rechnerarchitekturen für die Echtzeitsignalverarbeitung) geschrieben und 2007 abgeschlossen. Seit 2014 ist Manfred Mücke am Materials Center Leoben verantwortlich für Embedded Computing und Machine Learning und forscht mit seiner Arbeitsgruppe am Entwurf von Systemen für die Zustandsüberwachung technischer Systeme (Condition Monitoring). Seine Forschungsinteressen umfassen Hybride Modellierung, Zeitreihenanalyse, Anomalieerkennung, Inverse Probleme, Maschinelles Lernen sowie Echtzeitausführung von ML-Algorithmen.
Zustandsüberwachungssysteme (Condition Monitoring Systems) sind ein Beitrag für den kostengünstigen und planbaren Betrieb von Windkraftanlagen. Aktuelle Systeme für die Zustandsüberwachung von Windkraftanlagen nutzen vorrangig kabelgebundene Sensoren, welche selber relevante Kosten- und Fehlerquellen darstellen.
Moderne Algorithmen aus dem Bereich des maschinellen Lernens (ML) können multivariate Datenströme zu teilweise geringen Stromkosten auf komplexe Muster überwachen. Dies ermöglicht den Entwurf von energieautonomen kabellosen Sensorknoten für die Überwachung von Windkraftanlagen.
Das Projekt BladeWatch implementiert und nutzt ein Softwaretool zur Abschätzung des Energiebedarfs von kabellosen Sensorknoten bei Verwendung verschiedener Algorithmen. Es überbrückt damit den großen zeitlichen Abstand zwischen neu entwickelten Algorithmen für die Signalanalyse und deren praktische Nutzung für die Entwicklung von Zustandsüberwachungssystemen.
Ausbildung 10.2018 – 03.2022 Dipl.-Ing.(äquivalent MSc) in technischer Mathematik, Technische Universität Wien, Wien, Österreich. Diplomarbeit: "D* Lite Algrotihm vs Dyna Q+ Algorithm for Navigating Agents in a Railway Network" 10.2014 – 08.2018 BSc in technischer Mathematik, Technische Universität Wien, Wien, Österreich. Bachelorarbeit: "Agentenbasierte Modellierung der Schlaganfall Versorgung in Österreich - Implementierung für DEXHELPP" 09.2008 – 06.2013 Matura, TGM Wien, Wien, Österreich. Abteilung Elektronik, Computertechnik Praktika 10.2021 – gegenwertig technischer Angestellter, Dwh GmbH, Wien, Österreich. 05.2019 – 09.2021 Werkstudent, Raiffeisen Bank International AG - Group Corporate Steering and Sales Managment, Wien, Österreich. 10.17 – 06.20 Tutor für diverse Projekte im Bereich Modellierung und Simulation, Technische Universität Wien, Wien, Österreich. 08.2014 – 12.2018 Tutor für angewandte Mathematik aller Schulstufen, HTL Donaustadt, Wien, Österreich. Programmiersprachen Erweitert: MATLAB, LaTeX, Python, R, SQL. Basis: Maple, C, C++, Simulink, Anylogic. Sprachen Deutsch Muttersprache. Englisch fließend.
Der Schwerpunkt des Projekts Green-TrAIn-Plan liegt auf der Planung eines umweltfreundlichen Eisenbahnbetriebs. Dazu werden neue, AI-basierte Methoden für die Ressourcenplanung unter Berücksichtigung von Umweltzielen wie der Minimierung des Energieverbrauchs entwickelt. Wesentliches Element werden dabei Simheuristiken sein, die lernen, Ressourcenplanungsprobleme durch die AI-gesteuerte Kombination von Simulation und Optimierung zu lösen. Der Energieverbrauch wird aufbauend auf von den ÖBB bereitgestellten realen Energieverbrauchsdaten derart modelliert, sodass diese Simheuristiken grüne Lokumlaufpläne und Triebfahrzeugführerschichtpläne erstellen und bewerten können.
Günther Bronner widmet sich in seinem 40 jährigen Berufsleben der Messung, Kartierung und objektivierten Darstellung von Nachhaltigkeit im Wald. Seiner Dienstleistungsfirma Umweltdata GmbH versorgt Forstbetriebe und beratende Forst-Organisationen mit Geodaten und Applikationen für eine ressourcenschonende Waldbewirtschaftung. Mit Hilfe immer besserer Fernerkundungsmethoden werden sowohl die Biodiversität als auch der im Wald gebundene Kohlenstoff exakt erfasst und damit den Management-Entscheidungen zugänglich gemacht.
Intakte Ökosysteme, wie Wälder, sind für Tier und Mensch gleichermaßen wichtig und stellen die Lebensgrundlage unseres Planeten dar. Durch die drohende Klimakatastrophe und das Vordringen des Menschen in natürliche Lebensräume ist die Integrität dieser weltweit gefährdet. Das Projekt BAMBI nutz Kamera-Drohnen gemeinsam mit Künstlicher Intelligenz um Wildtiere automatisch zu beobachten. Ziel dabei ist es durch konstantes und zuverlässiges Monitoring drohende ökologische Probleme frühzeitig zu erkennen.
Thomas Gross studierte Maschinenbau an der TU-Wien und promovierte im Bereich Computational Biomechanics. Danach arbeitete er als Simulationsingenieur in der Automotive Vorentwicklung. Seit 2018 leitet er am Linz Center of Mechatronics das Team „Digital Twin“ und ist im K2 Kompetenzzentrum für „Symbiotic Mechatronics“ als LCM Area Koordinator für den Transfer von wissenschaftlichen Erkenntnissen in die industrielle Praxis zuständig. Als Projektleiter ist er für industrielle sowie strategische Forschungsprojekte im Bereich Materialcharakterisierung, Prozesssimulation sowie hybridAI zuständig.
Mag. Daniela Murhammer-Sas studierte Psychologie an der Karl-Franzens-Universität Graz. Nach einer Tätigkeit als wissenschaftliche Mitarbeiterin am Institut für Psychologie im Bereich Neurowissenschaften/Brain Computer Interface war sie zwischen 2011 und 2014 als Assistentin der Rektorin an der Universität Graz tätig und unter anderem mit dem Aufbau der interuniversitären Forschungskooperation „BioTechMed-Graz“ befasst. Danach folgten verschiedene Tätigkeiten im FTI Bereich, unter anderem beim Rat für Forschung und Technologieentwicklung und der FFG. Derzeit ist Daniela Murhammer-Sas im Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie in der Abteilung für Schlüsseltechnologien für den Bereich Künstliche Intelligenz zuständig.
Markus Proske studierte Informatik, Mathematik und Informatikmanagement an der Technischen Universität Wien. Nach seinem Studium war er an der TU als Assistent und Projektleiter am Institut für Technische Informatik tätig. Seit 2007 ist er Programmmanager der Österreichischen Forschungsförderungsgesellschaft (FFG) in den Bereichen IKT, Digitalisierung und Marktüberleitung. In dieser Position ist er für die Ausschreibung AI for Green verantwortlich.
Sie sehen gerade einen Platzhalterinhalt von Facebook. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie müssen den Inhalt von reCAPTCHA laden, um das Formular abzuschicken. Bitte beachten Sie, dass dabei Daten mit Drittanbietern ausgetauscht werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von Instagram. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von X. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen