Ein führendes, von der NSF gefördertes Meeresforschungszentrum musste grobgranulare Modelle der Meeresbiogeochemie mit feingranularen mikrobiellen Stoffwechselmodellen verbinden, ein Prognoseproblem ohne etablierte Machine-Learning-Lösung. Die verfügbaren Daten waren über sechs inkompatible Quellen fragmentiert und umfassten 40 Jahre ozeanografischer Zeitreihen, Feld-Metabolomik, Omics-Daten und Laborexperimente.
- Entwicklung individueller Datenintegrationspipelines zur Vereinheitlichung heterogener ozeanografischer Quellen sowie Erstellung tiefengebündelter, profilaggregierter Merkmalsvektoren für das ML-Training
- Vorschlag einer Modellarchitektur für Multi-Output-Regression von DOC-Zusammensetzung zu einzelnen Metabolitkonzentrationen
- Vorschlag einer Modellarchitektur für cross-modale Prognosen, die die Zusammensetzung von Phytoplankton-Gemeinschaften mit Expressionsprofilen bakterieller Transporter verknüpfen
- Lieferung einer vollständig reproduzierbaren Datenpipeline und ML-Architektur-Roadmap, die direkt in die NSF-Präsentation des Kunden und die nächste Datenerhebungskampagne einfloss
- Identifizierung verbindlicher Datenbeschränkungen, die die Priorisierung nachfolgender Modellierungsphasen prägten
Durch die Auflösung fragmentierter Altdaten und die Konzeption zweier neuartiger ML-Prognosepipelines gab ISC dem Kunden eine belastbare technische Grundlage, um weitere NSF-Fördermittel zu sichern und die nächste Feldkampagne gezielt dort auszurichten, wo sie am wichtigsten ist.
Mit Insight Softmax arbeiten
Wenn Sie ein Problem haben, das sich mit Daten lösen lässt, können wir helfen. Unser Ansatz zur Problemlösung funktioniert über Unternehmensgrößen und Branchen hinweg. Kontaktieren Sie uns für eine kostenlose Erstberatung.