Wie ich auf dem Extremwetterkongress erfahren habe, habe nicht nur ich ein „Regenbogen-Projekt“, sondern auch der Deutsche Wetterdienst mit dem neuen integrierten Warnsystem „RainBow“ (Risikobasierte, anwendungsorientierte, individualisierbare Bereitstellung optimierter Warninformationen).
Bei mir geht es allerdings nicht darum, das meteorologische Warnsystem zu revolutionieren, sondern darum, die komplette Kette von der Erfassung der meteorologischen Daten, über die Speicherung der Wetterdaten an zentraler Stelle und deren anschließenden Verknüpfung und Analyse bis hin zur Verteilung an alle erdenklichen Empfänger inklusive den auf die Empfänger (Menschen wie Maschinen) zugeschnittenen Handlungsanweisungen in verschiedene eigenständige Produkte zu packen. Heraus kommt mit unterschiedlichen Logos für die fertigen Produkte zum Schluss ein ganzer farbiger Regenbogen, der dann alle möglichen Anwendungsfälle abdeckt.
meteoCORE wird dabei der erste und gleichzeitig wichtigste Baustein sein. Während man schon eine Vielzahl qualitativ hochwertiger Wetterdaten von öffentlichen Stellen bekommt (Messwerte, Radar, Modellprognosen, etc.) ist die Verarbeitung der großen Datenmengen für viele tatsächlich noch ein reelles Problem. Was nützen einem Petabytes an Wetterdaten, wenn man sie nicht vernünftig in Zugriff hat, sie nicht miteinander verknüpfen kann oder schlicht dieser Schritt zu lange dauert, weil es Abhängigkeit zu anderen Datenflüssen gibt? Was nutzen einem die besten Wetterinformationen, wenn man sie nicht millionenfach binnen kürzester Zeit verteilt bekommt? Oder man die Daten nur in einer Web-Anwendung dem Nutzer an zentraler Stelle anzeigen kann? Für die Zukunft im Wettergeschäft wird Schnelligkeit eine große Rolle spielen und Anwendungen in denen menschliche Nutzer mit viel Erfahrung noch manuell Daten anschauen und bewerten müssen, eher weniger eine Rolle spielen. Um diese Schnelligkeit zu gewährleisten braucht es den richtigen zukunftsfähigen Tech-Stack.
Genau das wird meteoCORE bieten, mit einem Kern, der jedwede Art von Wetterdaten für eine bestimmte Region, einen bestimmten Ort und eine bestimmte Zeit sofort parat hat und somit auch für Mustererkennung und Deep Learning bereit steht.