Darkzones-Analytik - Ergebnisse des Capstone-Projekts
von Claudia Boker
Hast du dich jemals gefragt, was mit dem Müll auf den Strassen passiert, nachdem du ihn weggeworfen hast? In den meisten Städten ist die Strassenreinigung mit viel Aufwand und Ressourcen verbunden. Cortexia, ein weltweit führendes Unternehmen, ist jedoch entschlossen, dieses Problem mit seinem Computer-Vision-System effizient und nachhaltig zu lösen. Kürzlich halfen Studenten von Constructor Academy bei der Entwicklung der zweiten Stufe des Produkts namens "Darkzone analytics" (den vollständigen Blog-Beitrag kannst du hier lesen).
Cortexia hat mit seiner Technologie bemerkenswerte Ergebnisse erzielt, und in diesem Blogbeitrag werden wir uns mit ihrer Funktionsweise und ihren Auswirkungen auf die Sauberkeit der Städte befassen.
Spezielle Kameras wurden an verschiedenen Verkehrsmitteln wie Nutzfahrzeugen, Strassenkehrern, öffentlichen Verkehrsmitteln und Fahrrädern installiert. Ziel war es, eine genaue Darstellung der Sauberkeit der Stadt zu erstellen, die als Clean City Index bezeichnet wurde. Die von den Kameras gesammelten Daten sollten dann dazu dienen, verbesserungsbedürftige Bereiche zu ermitteln und die Wirksamkeit der Reinigungsmassnahmen im Laufe der Zeit zu überwachen.
Um dies zu erreichen, haben wir die Hilfe der Studenten von Constructor Academy in Anspruch genommen, um einen Algorithmus für maschinelles Lernen zu entwickeln, der anhand von Daten aus einem Teil der Stadt die Menge an Müll in anderen nicht abgedeckten Bereichen vorhersagen kann. Um die Genauigkeit des Algorithmus zu verbessern, integrierten sie Daten von verschiedenen Messsystemen und zusätzliche Merkmale wie Wetterbedingungen und die Nähe zu Einrichtungen wie Restaurants oder Bars. Nach dem Training und der Evaluierung mehrerer maschineller Lernmodelle wurde eine Data-Science-Pipeline entwickelt, mit der sich die Menge an Abfall auf den Strassen vorhersagen lässt.
Das Rauschen in den Daten machte es schwierig, eine hohe Genauigkeit zu erreichen, aber das Modell schnitt besser ab, wenn es auf grössere Strassensegmente statt nur auf einzelne angewendet wurde. Mit dieser Methode sind wir besser in der Lage, die optimale Route der Kehrmaschinen für die Abfallbeseitigung in der Stadt zu bestimmen, wodurch die erforderlichen Ressourcen reduziert werden und der Reinigungsprozess letztlich effizienter wird.
In der Managementphase geht es darum, ein Managementsystem zu schaffen, das den Einsatz der Kehrmaschinen im Stadtreinigungsprozess optimiert. Cortexia plant die Entwicklung eines ERP-Systems (Enterprise Resource Planning) zur Verwaltung des Einsatzes der Kehrmaschinen mit dem Ziel, die Effizienz und Effektivität der Stadtreinigung zu maximieren. Das ERP-System wird dazu beitragen, dass die verfügbare Fahrzeugflotte und die Einsatzteams zur richtigen Zeit an den richtigen Orten eingesetzt werden und die Wartung der Flotte ausserhalb der Hauptverkehrszeiten durchgeführt wird, was zu optimalen Reinigungsergebnissen und einer effizienten Ressourcenzuweisung führt.
Wir von Constructor Academy sind besonders stolz auf das, was Dominik und Valeria mit ihrem Abschlussprojekt erreicht haben. Sie haben wesentlich zu Cortexias Bemühungen beigetragen, das Problem der Strassenabfälle in der Stadt in den Griff zu bekommen. Das maschinelle Lernmodell, das sie entwickelt haben, um die Menge des Mülls in den "Dark Zones" vorherzusagen, ist eine bemerkenswerte Leistung und hat das Potenzial, die Effizienz und Effektivität der Stadtreinigung erheblich zu verbessern. Die Studenten haben ihr Fachwissen in der Datenwissenschaft unter Beweis gestellt und gezeigt, dass sie das Zeug dazu haben, in diesem Bereich wirklich etwas zu bewirken.
Das Projekt wurde von Cortexia ermöglicht, und wir danken besonders Julien Dupont für seine Anleitung. Wir freuen uns auf die Zusammenarbeit in der Zukunft.
Cortexia hat mit seiner Technologie bemerkenswerte Ergebnisse erzielt, und in diesem Blogbeitrag werden wir uns mit ihrer Funktionsweise und ihren Auswirkungen auf die Sauberkeit der Städte befassen.
Über Cortexia
Städte auf der ganzen Welt stehen vor vielen Herausforderungen, eine davon ist die Aufrechterhaltung der Sauberkeit. Cortexia bietet ein Computer-Vision-System an, das auf Strassenkehrmaschinen und anderen Fahrzeugen montiert wird, um verschiedene Arten von Abfall auf den Strassen zu erkennen und zu zählen. Das System nutzt Daten aus Deep-Learning-Inferenzen, die täglich in verschiedenen Stadtregionen erhoben werden, und wendet Algorithmen des maschinellen Lernens an, um die Anzahl der Abfälle in den von den Kameras aufgedeckten Bereichen vorherzusagen.Die Entwicklung des Produkts
Die Entwicklung des Cortexia-Produkts wurde in drei Phasen unterteilt: Überwachung, Vorhersage und Verwaltung.Überwachung
Die Überwachung bezieht sich auf die Beobachtung und Verfolgung von Abfalldaten und deren Zusammenfassung zum Clean City Index (CCI). Der CCI wird anhand der menschlichen Wahrnehmung skaliert, um sicherzustellen, dass die von den Bürgern wahrgenommene Sauberkeit innerhalb des Zielbereichs einheitlich bleibt. Im Zusammenhang mit der erwähnten Produktentwicklung bezieht sich die Überwachung auf den Einsatz von Kameras und Objekterkennung, um das Sauberkeitsniveau einer Stadt zu erfassen.Spezielle Kameras wurden an verschiedenen Verkehrsmitteln wie Nutzfahrzeugen, Strassenkehrern, öffentlichen Verkehrsmitteln und Fahrrädern installiert. Ziel war es, eine genaue Darstellung der Sauberkeit der Stadt zu erstellen, die als Clean City Index bezeichnet wurde. Die von den Kameras gesammelten Daten sollten dann dazu dienen, verbesserungsbedürftige Bereiche zu ermitteln und die Wirksamkeit der Reinigungsmassnahmen im Laufe der Zeit zu überwachen.
Prognose
Um die Menge des Mülls in der Stadt genau vorhersagen zu können, war es wichtig, die “Dark zones” zu berücksichtigen, die von der begrenzten Anzahl beweglicher Kameras nicht erfasst wurden, da die räumliche und zeitliche Abdeckung durch bewegliche Kameras auf etwa 30-40 % begrenzt ist.Um dies zu erreichen, haben wir die Hilfe der Studenten von Constructor Academy in Anspruch genommen, um einen Algorithmus für maschinelles Lernen zu entwickeln, der anhand von Daten aus einem Teil der Stadt die Menge an Müll in anderen nicht abgedeckten Bereichen vorhersagen kann. Um die Genauigkeit des Algorithmus zu verbessern, integrierten sie Daten von verschiedenen Messsystemen und zusätzliche Merkmale wie Wetterbedingungen und die Nähe zu Einrichtungen wie Restaurants oder Bars. Nach dem Training und der Evaluierung mehrerer maschineller Lernmodelle wurde eine Data-Science-Pipeline entwickelt, mit der sich die Menge an Abfall auf den Strassen vorhersagen lässt.
Das Rauschen in den Daten machte es schwierig, eine hohe Genauigkeit zu erreichen, aber das Modell schnitt besser ab, wenn es auf grössere Strassensegmente statt nur auf einzelne angewendet wurde. Mit dieser Methode sind wir besser in der Lage, die optimale Route der Kehrmaschinen für die Abfallbeseitigung in der Stadt zu bestimmen, wodurch die erforderlichen Ressourcen reduziert werden und der Reinigungsprozess letztlich effizienter wird.
Bemerkenswerte Erfolge nach der Einführung einiger Instrumente:
Dynamische Kartografie von Abfällen
Dynamic Cartography of Litter ist eine von Cortexia entwickelte Technologie, die eine Echtzeit-Kartierung des Mülls in einer Stadt ermöglicht und dazu beiträgt, die Lücken in den Strassen zu schliessen, die traditionelle Kamerasysteme nicht erreichen können. Durch die Einführung dieser Technologie hat Cortexia bemerkenswerte Erfolge im Abfallmanagement erzielt. Das dynamische Kartografiesystem bietet einen umfassenden Überblick über die Abfallverteilung in der Stadt und erleichtert den städtischen Behörden die Überwachung und wirksame Bekämpfung des Problems.Vorhersage-Tool
Das Prognosetool verwendet Algorithmen des maschinellen Lernens, um Bilder oder Dateneingaben von Abfällen zu analysieren und sie in verschiedene Abfallarten wie Plastik, Papier, Glas usw. zu kategorisieren. Dieses Tool kann Einzelpersonen, Organisationen und Regierungen dabei helfen, den Überblick über den Abfall zu behalten und ihn effizienter zu verwalten. Die Nachfrage nach einem solchen Tool könnte aus der Notwendigkeit resultieren, die Abfallmenge zu verringern und die Abfallbewirtschaftungspraktiken zu verbessern.Genauigkeit bei Prognosen
Unter Prognosegenauigkeit versteht man die Fähigkeit, zukünftige Ergebnisse mit hoher Sicherheit vorherzusagen. Im Zusammenhang mit der Verteilung des Streuvolumens kann die Vorhersagegenauigkeit einem Unternehmen wie Cortexia helfen, die Routenplanung seiner Kehrmaschinen zu optimieren. Mit genauen Prognosen kann Cortexia den Einsatz seiner Kehrmaschinen effektiver und effizienter planen, was zu Kosteneinsparungen und einer besseren Gesamtleistung führt. Diese externen Daten dienen als Ergänzung zu der vom System durchgeführten räumlich-zeitlichen Extrapolation.Externe Daten
Die Wirksamkeit des Systems Dynamic Cartography of Litter, eines Modells für maschinelles Lernen, das für Vorhersagen verwendet wird, wird durch die Verwendung von externen Daten verbessert. Neben der räumlich-zeitlichen Analyse bezieht das System auch Daten über die Ausstattung und die Wetterbedingungen ein, um ein genaueres und umfassenderes Bild der Abfallverteilung zu erhalten. Diese Integration externer Daten führt zu einem effizienteren und gezielteren Reinigungsprozess, da die Behörden über genaue Informationen darüber verfügen, wo und wann sich Abfälle wahrscheinlich ansammeln. Infolgedessen reduziert das System die Anzahl der für die Reinigung erforderlichen Ressourcen, spart Zeit und Geld und trägt gleichzeitig dazu bei, die Stadt sauberer und attraktiver für Einwohner und Besucher zu halten.Verwaltung
Unter Management versteht man die Verwaltung und Kontrolle einer Organisation oder eines Systems. Im Zusammenhang mit der Produktentwicklung bezieht sich das Management auf die Prozesse und Verfahren, die den effizienten und effektiven Betrieb des Produkts gewährleisten sollen.In der Managementphase geht es darum, ein Managementsystem zu schaffen, das den Einsatz der Kehrmaschinen im Stadtreinigungsprozess optimiert. Cortexia plant die Entwicklung eines ERP-Systems (Enterprise Resource Planning) zur Verwaltung des Einsatzes der Kehrmaschinen mit dem Ziel, die Effizienz und Effektivität der Stadtreinigung zu maximieren. Das ERP-System wird dazu beitragen, dass die verfügbare Fahrzeugflotte und die Einsatzteams zur richtigen Zeit an den richtigen Orten eingesetzt werden und die Wartung der Flotte ausserhalb der Hauptverkehrszeiten durchgeführt wird, was zu optimalen Reinigungsergebnissen und einer effizienten Ressourcenzuweisung führt.
Nächste Schritte
Die innovative Lösung von Cortexia ist ein hervorragendes Beispiel dafür, wie Technologie unsere Städte sauberer und nachhaltiger machen kann. Mit Hilfe der Studenten von Constructor Academy konnten sie ein Modell des maschinellen Lernens weiterentwickeln, um die Abfälle in "Dark Zones" vorherzusagen. Durch die Einbeziehung externer Daten, wie z. B. Einrichtungen und Wetterbedingungen, wird die Vorhersagephase von Cortexia genauer und effizienter. Die Implementierung der Dynamic Cartography of Litter-Technologie von Cortexia bietet einen umfassenden Überblick über die Abfallverteilung in der Stadt und erleichtert den städtischen Behörden die Überwachung und das effektive Management des Problems. Cortexia ist führend bei Lösungen für eine saubere Stadt, und wir freuen uns darauf, zu sehen, wie sie sich weiter weiterentwickeln und innovativ sind.Wir von Constructor Academy sind besonders stolz auf das, was Dominik und Valeria mit ihrem Abschlussprojekt erreicht haben. Sie haben wesentlich zu Cortexias Bemühungen beigetragen, das Problem der Strassenabfälle in der Stadt in den Griff zu bekommen. Das maschinelle Lernmodell, das sie entwickelt haben, um die Menge des Mülls in den "Dark Zones" vorherzusagen, ist eine bemerkenswerte Leistung und hat das Potenzial, die Effizienz und Effektivität der Stadtreinigung erheblich zu verbessern. Die Studenten haben ihr Fachwissen in der Datenwissenschaft unter Beweis gestellt und gezeigt, dass sie das Zeug dazu haben, in diesem Bereich wirklich etwas zu bewirken.
Das Projekt wurde von Cortexia ermöglicht, und wir danken besonders Julien Dupont für seine Anleitung. Wir freuen uns auf die Zusammenarbeit in der Zukunft.
