Project
Federated data for food system predictions
Federale data en leren bieden een transformerend potentieel voor het voedselsysteem, waarbij gegevensuitwisseling, nauwkeurige voorspellingen en gegevensprivacy worden gefaciliteerd. Dit project pioniert hun toepassing in de agrifoodsector en legt daarmee een basis voor toekomstig werk. Ondanks budgetbeperkingen streeft het ernaar een raamwerk en een proof-of-concept te creëren voor de voorspelling van parameters in het voedselsysteem
Federatieve data en leren worden beschouwd als veelbelovende technologieën die het potentieel hebben om aanzienlijke voordelen te bieden voor de transformatie van het huidige voedselsysteem. Deze voordelen omvatten een verhoogde stimulans en capaciteit voor het delen van gegevens, verbeterde nauwkeurigheid bij het voorspellen van parameters van het voedselsysteem en een betere bescherming van de privacy van gegevens.
Federatieve data en leren hebben traditioneel toepassingen gevonden in de hightech- en gezondheidsindustrieën, terwijl hun gebruik in het agrifood domein relatief beperkt is gebleven. Dit project heeft als doel om de toepassing van deze technologie in de agrifoodsector te pionieren en een basis te leggen voor de implementatie ervan in dit vakgebied.
Vanwege budgetbeperkingen in 2023 zal onze prioriteit liggen bij het leggen van een sterke basis voor een mogelijk vervolgproject in 2024. Dit zal het creëren van een raamwerk omvatten om de implementatie van voorspellingen voor het voedselsysteem op basis van federatieve data te begeleiden, evenals een proof of concept. De concrete resultaten in 2023 zullen zijn:
Er zal een raamwerk worden opgezet om duidelijke richtlijnen te bieden voor de effectieve implementatie van methodologieën voor federatieve data en leren binnen het agrifood domein. Dit raamwerk heeft tot doel te dienen als een fundamentele pijler om de transformatie van het voedselsysteem te vergemakkelijken door middel van geavanceerde technologische integratie en samenwerkende op data gebaseerde benaderingen.
De eerste stap in de ontwikkeling van een ontologie binnen het WUR-domein om federatieve data en leren te faciliteren. De ontwikkeling van een ontologie binnen het WUR-domein is van groot belang om de integratie van methodologieën voor federatieve data en leren mogelijk te maken. Deze belangrijke stap legt de basis om verschillende soorten gegevens samen te brengen. Dit vormt op zijn beurt de basis voor een sterk systeem dat gegevens en leren combineert, klaar om te veranderen hoe we kennis gezamenlijk verzamelen en gebruiken.
Er zal een proof of concept worden gecreëerd waarbij een federatief leermiddel wordt gebouwd met behulp van beschikbare gegevensbronnen om een parameter met betrekking tot het voedselsysteem te voorspellen.