Datenbereitstellung für KI-Systeme - Fallbeispiele und ihre Herausforderungen
Die hohen Recyclingquoten im Metallrecycling dürfen nicht darüber hinwegtäuschen, dass auch die Metallrecyclingbranche zukünftig vor vielfältigsten Herausforderungen steht.
Künstliche Intelligenz (KI) liegt im Trend und die Erwartungshaltung aller ist entsprechend groß. Vielen ist jedoch nicht bewusst, dass KI-Systeme aufwendig trainiert werden müssen und die Auswahl und Bereitstellung der Trainingssets die Richtigkeit und Funktionsfähigkeit der KI entscheidend beeinflussen. Erforderliche Daten mit dem notwendigen Detailgrad sind in der Recyclingbranche zumeist kaum bis gar nicht vorhanden. Im vorliegenden Beitrag werden Herausforderungen bei der Datenbereitstellung der KI-Systeme für das Leitprojekt KIRAMET vorgestellt.
| Copyright: | © Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben | |
| Quelle: | Recy & Depotech 2024 (Dezember 2024) | |
| Seiten: | 6 | |
| Autor: | Dipl.-Ing. Dr.mont. Alexia Tischberger-Aldrian  Klemens Winkler Roman Rainer Felix Strohmeier Melanie Neubauer | |
| Die Bibliothek und die Kaufoptionen sind umgezogen zu https://library.wasteculture.com Bereits erworbene Artikel können weiterhin über myASK abgerufen werden. | ||
Diese Fachartikel könnten Sie auch interessieren:
Wertstoffhof 2020 - Neuorientierung von Wertstoffhöfen
© ia GmbH - Wissensmanagement und Ingenieurleistungen (4/2015)
Im Jahr 2014, zwanzig Jahre nach dem durch das Bayerische Staatsministerium für Landesentwicklung und Umweltfragen organisierten Wettbewerb „Der vorbildliche Wertstoffhof“, ist es sicher angebracht, sich dem Thema erneut zuzuwenden. Was ist aus den prämierten Wertstoffhöfen der Preisträger in den jeweiligen Clustern geworden? Wie hat sich das System grundsätzlich entwickelt? Wo geht es hin, wenn man die gesellschaftlichen Anforderungen aus demografischer Entwicklung, Ressourcenschutz und Klimarelevanz betrachtet?
Polymer Differentiation with Computed Tomography: Opportunities and Limitations
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
In the context of polymer recycling, differentiation and analysis of various polymer types are crucial for effective material separation and reuse. This study explores the effectiveness of computed tomography (CT) in distinguishing between different types of polymers based on their density and elemental composition, facilitating more efficient recycling processes.
Verbesserung der Abfalltrennung im öffentlichen Raum - Erkenntnisse aus einer Feldstudie
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Die getrennte Sammlung stellt eine wichtige Grundlage in einer kreislauforientierten Abfallwirtschaft dar. Insbesondere im Bereich der Kunststoff- und Verpackungsabfälle ist eine weitere Verbesserung der getrennten Sammlung notwendig.
BatterySort: Ein Sortiersystem zur Detektion und Aussortierung von Li-Ionen-Batterien aus Abfallströmen zur Vermeidung von Bränden
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Fehlwürfe von Batterien, insbesondere Lithium-Ionen-Batterien und Elektroaltgeräten in Siedlungsabfällen, führen in Sortieranlagen häufig zu Bränden mit erheblichen Schäden.
Waste4Future – Mit digitalen Techniken zur „optimalen“ Sortierung
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben (12/2024)
Recycling bietet eine Möglichkeit, CO2-Emissionen zu vermeiden und wertvolle Ressourcen für die Industrie bereitzustellen. Aufgrund ihrer Heterogenität konnte für viele kunststoffhaltige Post-Consumer-Abfälle jedoch noch kein ausreichendes Recycling etabliert werden.
