Einführung in KI, Klimarisiken und Geodatenanalyse:
Grundlagen KI-gestützter Analysen im Bereich Klimarisiken, Fernerkundung und Geospatial Intelligence
Verständnis physikalischer Klimarisiken sowie relevanter Zusammenhänge zwischen Daten, Modellen und Entscheidungen
Bedeutung reproduzierbarer, datengetriebener und auditierbarer Methoden für belastbare Analysen
Definition von Scope, Analyseobjekten und Outputs wie Scores, Alerts, Reports oder APIs
Einordnung von Transition-, Physical- und Liability-Risiken im Klimokontext
Datenlandschaft, Integration und technologische Grundlagen:
Auswahl und Integration relevanter Datenquellen wie Satellitendaten, Sensordaten und Klimamodelle
Grundlagen von Datenmodellen, Daten-Lineage und Versionierung für Geodaten und Zeitreihen
Einführung in moderne Schnittstellen, cloud-native Datenformate und skalierbare Datenverarbeitung
Datenfusion und Harmonisierung zur Erstellung belastbarer analysefähiger Datensätze
Überblick über Geospatial-AI-Toolchains, Change Detection und risikoorientierte Scoring-Modelle
Automatisierung geospatialer Analyseprozesse:
Einführung in automatisierte Workflows nach dem Prinzip "Monitor - Detect - Explain - Report - Act"
Nutzung von KI, LLMs und Agentic Workflows zur Analyseassistenz und Datenauswertung
Automatisierte Berichtserstellung, Qualitätsprüfungen und Ableitung von Handlungsempfehlungen
Human-in-the-Loop-Konzepte zur Validierung und Absicherung von Analyseergebnissen
Produktionsnahe Deployments und MLOps für Geospatial- und Climate-Analytics-Anwendungen
Anwendungsfelder, Governance und Compliance:
Analyse standort- und regionenspezifischer Klimarisiken wie Hitze, Überschwemmung, Feuer und Dürre
Anwendung auf Infrastruktur, Supply Chains, Finanzsektor, öffentliche Planung und Landwirtschaft
Methodentransparenz, Audit-Trails und dokumentierte Unsicherheiten für vertrauenswürdige Ergebnisse
Anschlussfähigkeit an Reporting-Standards wie TCFD, CSRD und ISSB
Datensicherheit, Modell-Governance und ethische Aspekte beim Einsatz von KI im Klimokontext