Refine
Document Type
- Working Paper (2)
- Bachelor Thesis (1)
Language
- German (3)
Has Fulltext
- yes (3)
Is part of the Bibliography
- no (3)
Keywords
- Computer Vision (1)
- Digitalisierung (1)
- Geodateninfrastruktur (1)
- Künstliche Intelligenz (1)
- Tabellenerkennung (1)
Institute
Verwaltungsrecht
(2020)
In diesem Arbeitspapier, das an der Fakultät für Kommunikation und Umwelt der Hochschule Rhein-Waal entstanden ist, werden die juristischen Grundlagen und aktuellen Fälle der Rechtsprechung erörtert und mit genauen Quellenangaben versehen.
Die Mediengrundrechte sollen es ermöglichen, dass jeder seine Meinung frei äußern kann, ohne dafür belangt werden zu können. Dies schützt z.B. die Presse vor Zensur durch den Staat. Wo jedoch die Meinungsfreiheit aufhört und ab wann z.B. Satire diese Freiheiten überschreitet, ist nicht immer ganz eindeutig und für den Laien kaum zu beurteilen. Die Entscheidungen des Bundesverfassungsgerichts z.B. zeigen, dass das Einordnen von Aussagen nicht so leicht ist, wie es vorerst scheint.
Künstliche Intelligenz in Form von neuronalen Netzen wird in der öffentlichen Verwaltung bislang wenig eingesetzt. Im Zuge der Digitalisierung im Bereich der öffentlichen Verwaltung müssen bestehende Datensätze, welche nicht- oder schwer maschinenlesbar sind, über offene Schnittstellen und Datenstandards bereitgestellt werden. Schätzungsweise 80 % der erfassten Daten sind in der öffentlichen Verwaltung nicht- oder schwer maschinenlesbar. In dieser Arbeit soll geprüft werden, ob ein künstliches neuronales Netz, welches auf der ImageNet Datenbank basiert und durch weitere Beispiele trainiert worden ist, bestehende (nicht-maschinenlesbare) Datensätze in Tabellenform aus dem Bereich der Geoinformatik erkennen und in einer passenden Datei mit offenem Datenstandard (teil-)automatisiert speichern kann, um diese für den Einsatz in einer offenen urbanen Datenplattform vorzubereiten. Zudem werden Optimierungsvorschläge für eine Verbesserung des neuronalen Netzes genannt und umgesetzt. Im Laufe der Arbeit ergibt sich, dass das trainierte Modell für den praktischen Einsatz nicht ausreichend genau funktioniert, aber eine gute Basis für weitere Optimierungen liefert, etwa durch eine Vergrößerung des Trainingsdatensatzes, welche die Anforderung einer Steigerung der Rechenleistung voraussetzt.