Die Planung von Ressourcen und Infrastrukturen ist heutzutage eminent. Am DAViS (Kompetenzzentrum für Datenanalyse, Visualisierung und Simulation) der Fachhochschule Graubünden wird Machine Learning dazu angewandt. Resultate werden beispielsweise in einer interaktiven geographischen Karte visualisiert und auf Nutzerfreundlichkeit getestet. Die Studierenden in Computational and Data Science werden für solche Analysen und andere Anwendungen vorbereitet. Die Fachhochschule Graubünden ist Hochschulpartnerin von ICT-Berufsbildung Schweiz.

In heutigen volatilen Tagen ist eine präzise Planung von Ressourcen und Infrastrukturen von grosser Wichtigkeit. Um die Planungen bestmöglich durchzuführen, wird vermehrt ein datengetriebener Ansatz gewählt. Dem stimmen auch grosse Unternehmen wie zum Beispiel Google zu. Ein bekanntes Anwendungsbeispiel ist die Berechnung der Zahl Pi auf 100 Billionen Stellen. In diesem Fall hat Google die Performance ihrer Cloud Computing Infrastruktur für die Berechnung von grossen Daten vorgestellt und hat mit dem Vorgehen den Rekord der Fachhochschule Graubünden von 62.8 Billionen Stellen geknackt (Iwao, 2022).

Folgend werden Beispiele aus der Forschungstätigkeit der FH Graubünden aufgezeigt.

Technologiegetriebene Personalallokation und -planung im Tourismus

Abbildung: Symbolbild von PAN XIAOZHEN auf Unsplash

Die Reinigung von vermieteten Feriendomizilen stellt das Immobilienmanagement im Tourismus vor grosse Herausforderungen. Die in der Schweiz zur Vermietung bereitgestellten 30'109 Immobilien müssen vor jeder neuen Ankunft (1.12 Mio. im Jahr 2019) während eines kurzen Zeitraums gereinigt werden. Für die Planung der Reinigung müssen Buchungs-, Personal-, Immobilien- und Geodaten berücksichtigt werden. Der aufwendige und fehleranfällige Planungsprozess findet häufig händisch statt und obliegt kurzfristigen Anpassungen. An der FH Graubünden haben wir eine künstliche Intelligenz zur Personalplanung und –allokation für das Immobilienmanagement im Tourismus entwickelt (Capol & Balestra, 2022; Capol et. al., 2022). Dies automatisiert die komplexe Ressourcenplanung und ermöglicht eine Vorhersage der benötigten Reinigungskapazitäten. Bei diesem System wurde speziell auf die Bedingungen von Bergregionen geachtet, wo die Ferienwohnungen sich über unterschiedliche Orte verteilen.

Mehr dazu unter fhgr.ch/pit

Raumplanung im Gesundheitswesen

Ressourcen- und Infrastruktur-Planung spielt auch eine grosse Wichtigkeit in der Raumplanung und im Gesundheitswesen. Zum Beispiel befassen sich Raumplaner*innen mit der Frage "Wo sollen neue Wohnungen gebaut werden?". Solch eine Fragestellung ist von grosser Wichtigkeit, um nachhaltig zu bauen, aber auch um Leerstand zu vermeiden (Seidler, 2020). Um diese Frage zu lösen, ziehen Raumplaner*innen eine Menge von Daten ein. Das Zentrum für Datenanalyse, Visualisierung und Simulation (DAViS) entwickelt mit dem Institut für Bauen im alpinen Raum (IBAR) der FH Graubünden eine datengetriebene Methode, welches den Raumplaner*innen bei deren Planung unterstützt.

In der datengetriebenen Methode werden Machine Learning Modelle eingesetzt, welche die Interaktionen von mehreren Parametern messen. Diese Resultate werden in einem interaktiven Tool auf einer geographischen Karte dargestellt.

Univariate Darstellungen (siehe Abbildung 1) erlauben es, Erkenntnisse über Muster wie zum Beispiel die Verteilung der Bevölkerung zu erzielen. Mehrere solche Darstellungen werden für einen gesamten Überblick benötigt. Dies haben wir am Beispiel von acht Gemeinden und mehreren kleinen Figuren aufgezeigt (Staudt et al., 2022). Solche Darstellungen erlauben nur eine einzelne Ansicht und nicht das Zusammenspiel von mehreren Merkmalen.

Abbildung 1: Verteilung der Bevölkerung in Zürich

Um das Zusammenspiel von Komponenten in die Analyse der Raumplanung mit einzubinden, haben wir Clusteranalysen eingesetzt.  Ein Beispiel einer solcher Clusteranalyse ist in Figur 2 dargestellt. Jede Farbe stellt eine andere Eigenschaft für das Raster dar. Diese Farben erlauben es dann die Raster in einer Region und über Regionen hinweg Vergleiche vorzunehmen. Somit können mithilfe der Clusteranalysen Regionen mit ähnlichen Eigenschaften bestimmt werden. Dies hilft uns Regionen auszuwählen, welche mehr Entwicklungspotential haben. Zusätzlich kann aus Ergebnissen von anderen Regionen gelernt werden und diese können in die Entwicklung eingeflossen werden. (Staudt et al., 2022).

Abbildung 2: Clusteranalyse

Die Resultate werden in einem interaktiven Dashboard zur Verfügung gestellt.  Um die Nutzerfreundlichkeit des entwickelten Tools zu verbessern, werden wir auf User Experience Tests (UX) mithilfe von "Eye Tracking" Studien zurückgreifen.

Mehr dazu unter fhgr.ch/eva-siedlungsentwicklung

Die Studierenden des Bachelorstudiums Computational and Data Science werden für solche Analysen und andere Anwendungen vorbereitet.

Drei Studiengänge in einem - für eine Karriere in Tech-, Life-Science und Engineering

Mit dem Bachelorstudium Computational and Data Science der FH Graubünden können gleich drei Fachrichtungen studiert werden. Im Laufe des Studiums entscheiden die Studierenden, ob und in welchem Bereich Sie sich spezialisieren möchten. Studierende werden zur gefragten Fachperson in den Bereichen:

• Angewandte Informatik
• Data Science und Künstliche Intelligenz
• Computersimulation

Während dem Studium werden spannende Aufgabenstellungen in Tech-, Life-Science und Engineering gelöst. Dies bereitet die Studierenden auf ihre Karriere vor. Durch ein persönliches Studium mit kleinen Klassengrössen wird eine bestmögliche Ausbildung erreicht. Ein Fachpraktikum, Praxisprojekt und die Bachelorarbeit erlaubt es den Studierenden ein eigenes Projekt von A bis Z in  durchzuführen.

Mehr dazu unter fhgr.ch/cds oder direkt per WhatsApp beraten lassen

Autoren

Prof. Corsin Capol, Director of Studies Computational and Data Science

Dr. Yves Staudt, Dozent für Applied Data Science

Quellen

Capol, C.; Balestra, S. (2022, July 10-13). Time Series Forecasting in the Field of Property Management in Tourism Regions, 42nd International Symposium on Forecasting, Oxford, England.

Capol, C., Balestra, S., Staudt, Y., & Jacobson, C. (2022). Scheduling Application for Cleaning Staff in Tourism: Constraint-Based Solution in the Field of Property Management in Tourism Regions. Working Paper of the University of Applied Sciences of the Grisons.

Iwao, E. H. (2022). Even more pi in the sky: Calculating 100 trillion digits of pi on Google Cloud. Google Cloud. https://cloud.google.com/blog/products/compute/calculating-100-trillion-digits-of-pi-on-google-cloud

Seidler, C. (2020). Viele leerstehende Wohnungen - eine ungesunde Stadtentwicklung. Wissensplatz University of Applied Sicences Chur.

Staudt, Y., Burch, M., van Schie, A., & Rölke, H. (2022). Visual Similarity Analysis of Geospatial Properties for Swiss Municipalities. 15th International Symposium on Visual Information Communication and Interaction (VINCI’22), August 16â•fi18, 2022, Chur, Switzerland, 1.