Skip to content

Risk Academy, geleitet vom Nexus Consortium · Kurskatalog · Risikowissenschaft und Methoden

Quantitative Risikoanalyse

KI und maschinelles Lernen für die Risikoanalyse

AI and machine learning for risk analysis, taught twice over: as the working methods of the field and as its frontier since 2024, with labs on the Academy's tools, open data and the Nexus Standards.

PflichtkursFrontier-Kurs

Die Disziplin

01Kernkurs · L2 Mittelstufe

KI und maschinelles Lernen für die Risikoanalyse: Grundlagen und Praxis

Dieser Bereich behandelt die Methoden des maschinellen Lernens, die Risikoanalysten heute einsetzen: Klassifikation und Regression von Risikoergebnissen, Emulatoren langsamer physikalischer Modelle, Anomalieerkennung und die Quantifizierung von Unsicherheit in Modellergebnissen.

KI und maschinelles Lernen für die Risikoanalyse: Grundlagen und Praxis

Stufe
L2 Mittelstufe
Lernzeit
etwa 24 Stunden (Planungsschätzung)
Status
Geplant
Voraussetzungen
Ein L1-Kurs im Bereich oder eine Eingangsprüfung
Warum jetzt

Wettermodelle auf Basis maschinellen Lernens (GraphCast, 2023; GenCast, 2024) erreichen oder übertreffen heute bei vielen Gütemaßen physikalische Ensembles, das ECMWF betreibt sein AIFS seit 2025 operationell, und KI-Hochwasservorhersage erreicht Einzugsgebiete ohne Pegel; Risikoanalysten müssen daher wissen, wann diesen Modellen zu trauen ist.

Science, Learning skillful medium-range global weather forecasting (Lam et al.),

Lernergebnisse

  1. Emulator und die weiteren Schlüsselbegriffe der Disziplin definieren und in einer schriftlichen Fallstudie korrekt verwenden
  2. Erläutern Sie überwachtes Lernen für Risikoergebnisse sowie Emulatoren und Surrogate physikalischer Modelle und Katastrophenmodelle anhand eines durchgerechneten Beispiels samt Quelle
  3. Wenden Sie die Methode der Disziplin auf einen dokumentierten Fall an und erläutern Sie jedes Ergebnis mit seiner Quelle
  4. Einen benannten Fall anhand der Quantifizierung von Unsicherheit im maschinellen Lernen analysieren und dabei Evidenz, Datum und Grenzen angeben

Module

  1. Überwachtes Lernen für Risikoergebnisse

    • Überwachtes Lernen für Risikoergebnisse
    • Emulatoren und Surrogatmodelle physikalischer Modelle und Katastrophenmodelle
    • Uncertainty quantification in machine learning
  2. Konforme Vorhersage und verteilungsfreie Abdeckung

    • Konforme Vorhersage und verteilungsfreie Abdeckung
    • Anomalieerkennung und Änderungserkennung
    • Georäumliche Basismodelle und Satelliten-Embeddings
  3. Kausale Inferenz und maschinelles Lernen

    • Kausale Inferenz und maschinelles Lernen
    • Validierung, Drift-Überwachung und Modellrisiko beim maschinellen Lernen
    • Fairness and bias in risk models
  4. Lab: die Methode der Disziplin

    • Ein gelerntes Modell liefert eine Punktvorhersage ohne jedes Versprechen. Wird ein Kalibrierungssatz zurückgehalten, werden dessen Residuen geordnet und ein Quantil entnommen, umgibt dies die Vorhersage mit einem Intervall, dessen Abdeckung ohne jede Annahme über das Modell gesichert ist; die Größe des Kalibrierungssatzes bestimmt, wie eng diese Garantie ausfällt.
    • Erarbeiten Sie die Methode an einem dokumentierten Fall und erläutern Sie jedes Ergebnis
    • Die Quellen und angegebenen Werte der Methode lesen

Labs mit Werkzeugen der Academy

Methode

Instrument

  • VerteilungsanpassungEin Fakultätsinstrument auf der Fakultätsseite, ausgeführt mit den Daten des digitalen Zwillings der Fakultät
  • WiederkehrperiodeEin Fakultätsinstrument auf der Fakultätsseite, ausgeführt mit den Daten des digitalen Zwillings der Fakultät

Zwillingsbaukasten

Kartenebene

Foundry-Raum

Bewertung

  • 40%

    Lab-Protokoll

    Erarbeiten Sie die Methode der Disziplin an einem dokumentierten Fall und erläutern Sie jedes Ergebnis mit Quelle und Datum

  • 40%

    Fallmemo

    Wenden Sie die Methoden der Disziplin auf einen benannten Ort oder eine benannte Organisation an und legen Sie Evidenz und Grenzen dar

  • 20%

    Prüfung der Schlüsselbegriffe

    Kurze Antworten zu den Schlüsselbegriffen, bewertet anhand der Definitionen

Durchführung

  • Online im eigenen Tempo, mit den Labs im Browser
  • Kohortenstudium über sechs bis acht Wochen, mit einer wöchentlichen Lab-Besprechung
  • Gemeinsam mit einer Partnerinstitution angeboten, innerhalb ihrer eigenen Kurse

Partner dieses Kurses werden

  • Ein Modul mitunterrichten und einen aktuellen Fall aus Ihrer Arbeit einbringen
  • Eine Kohorte für Ihre Lernenden ausrichten, mit eigenem Zeitplan und eigener Begutachtung
  • Ein Lab beitragen: einen Datensatz, den Ihre Institution offen veröffentlicht, oder ein Modell
  • Den Kursinhalt und seine Quellen vor der Eröffnung begutachten
  • Den Kurs übersetzen und seine Fälle an Ihre Region anpassen

Im LMS der Academy

Course on the learning platform
Intermediate, 4 sections
Kohortengruppe
A community group for each cohort of learners
Leistung
Recorded on completion of the assessed work
Quellen 3
  1. Vovk, Gammerman und Shafer, Algorithmic Learning in a Random World, 2005
  2. Angelopoulos and Bates, Conformal prediction: a gentle introduction, Foundations and Trends in Machine Learning, 2023
  3. Guo, Pleiss, Sun und Weinberger, On calibration of modern neural networks, ICML, 2017

02Frontier-Kurs · L3 Fortgeschritten

KI und maschinelles Lernen für die Risikoanalyse: Frontier-Methoden

Die Methoden, Daten, Werkzeuge und Studien, die KI und maschinelles Lernen für die Risikoanalyse verändert haben, vermittelt durch ihre Reproduktion mit offenen Daten.

KI und maschinelles Lernen für die Risikoanalyse: Frontier-Methoden

Stufe
L3 Fortgeschritten
Lernzeit
etwa 28 Stunden (Planungsschätzung)
Status
Geplant
Voraussetzungen
KI und maschinelles Lernen für die Risikoanalyse: Grundlagen und Praxis; praktische Kenntnisse einer Skriptsprache (Python oder R) für die Labore
Warum jetzt

Wettermodelle auf Basis maschinellen Lernens (GraphCast, 2023; GenCast, 2024) erreichen oder übertreffen heute bei vielen Gütemaßen physikalische Ensembles, das ECMWF betreibt sein AIFS seit 2025 operationell, und KI-Hochwasservorhersage erreicht Einzugsgebiete ohne Pegel; Risikoanalysten müssen daher wissen, wann diesen Modellen zu trauen ist.

Science, Learning skillful medium-range global weather forecasting (Lam et al.),

Lernergebnisse

  1. Erläutern Sie, was sich seit 2024 bei KI und maschinellem Lernen für die Risikoanalyse geändert hat, und nennen Sie die Studien, Daten oder Regeln hinter jeder Änderung
  2. Reproduce ML for hazards on open data and state the uncertainty of the result
  3. Bewerten Sie eine Studie von 2024 bis 2026: ihre Fragestellung, Daten, Methode, Grenzen und was sie für die Praxis verändert
  4. Entwerfen Sie eine Analyse, die eine Frontier-Methode mit den Instrumenten der Fakultät kombiniert, und begründen Sie jede Wahl

Module

  1. ML for hazards

    • Graph and transformer weather models
    • Probabilistische ML-Ensembles
    • Hochwasservorhersage in unbeobachteten Einzugsgebieten
  2. Unsicherheit

    • Konforme Vorhersage
    • Kalibrierung und strikt eigentliche Bewertungsregeln
    • Distribution shift and extremes
  3. Governance von ML im Risikobereich

    • NIST AI RMF für Risikomodelle
    • Dokumentation: Modellkarten und Datenblätter
    • Validierung anhand physikalischer Basislinien
  4. Reproduktions-Lab

    • Erweitern Sie die Methode der Disziplin um eine Frontier-Methode und vergleichen Sie die Ergebnisse
    • Die Unsicherheit und die Grenzen des Ergebnisses angeben
    • Peer-Review anhand einer gemeinsamen Checkliste

Labs mit Werkzeugen der Academy

Methode

Instrument

  • VerteilungsanpassungEin Fakultätsinstrument auf der Fakultätsseite, ausgeführt mit den Daten des digitalen Zwillings der Fakultät
  • WiederkehrperiodeEin Fakultätsinstrument auf der Fakultätsseite, ausgeführt mit den Daten des digitalen Zwillings der Fakultät
  • Monte CarloA faculty instrument on the faculty page, run on the faculty's digital twin data

Zwillingsbaukasten

Kartenebene

Forschungszentrum

  • ForschungszentrumDie heutigen offenen Daten und Publikationen in den Fächern der Fakultät, gefiltert auf diese Disziplin

Foundry-Raum

Bewertung

  • 50%

    Reproduktion einer Methode

    Reproduzieren Sie eine Frontier-Methode mit offenen Daten und geben Sie die Unsicherheit des Ergebnisses an

  • 30%

    Studienbewertung

    Eine kritische Bewertung einer Studie von 2024 bis 2026: Fragestellung, Daten, Methode, Grenzen, was sie verändert

  • 20%

    Peer-Review

    Prüfen Sie die Reproduktionen zweier anderer Lernender anhand einer gemeinsamen Checkliste

Durchführung

  • Online im eigenen Tempo, mit den Labs im Browser
  • Kohortenstudium über sechs bis acht Wochen, mit einer wöchentlichen Lab-Besprechung
  • Gemeinsam mit einer Partnerinstitution angeboten, innerhalb ihrer eigenen Kurse

Partner dieses Kurses werden

  • Ein Modul mitunterrichten und einen aktuellen Fall aus Ihrer Arbeit einbringen
  • Eine Kohorte für Ihre Lernenden ausrichten, mit eigenem Zeitplan und eigener Begutachtung
  • Ein Lab beitragen: einen Datensatz, den Ihre Institution offen veröffentlicht, oder ein Modell
  • Den Kursinhalt und seine Quellen vor der Eröffnung begutachten
  • Den Kurs übersetzen und seine Fälle an Ihre Region anpassen

Im LMS der Academy

Course on the learning platform
Expert, 4 sections
Kohortengruppe
A community group for each cohort of learners
Leistung
Recorded on completion of the assessed work
Quellen 8
  1. Science, Learning skillful medium-range global weather forecasting (Lam et al.), 2023
  2. Nature, Probabilistic weather forecasting with machine learning (Price et al.), 2024
  3. Nature, Global prediction of extreme floods in ungauged watersheds (Nearing et al.), 2024
  4. arXiv, A gentle introduction to conformal prediction (Angelopoulos and Bates), 2021
  5. NIST, AI Risk Management Framework, 2023
  6. Vovk, Gammerman und Shafer, Algorithmic Learning in a Random World, 2005
  7. Angelopoulos and Bates, Conformal prediction: a gentle introduction, Foundations and Trends in Machine Learning, 2023
  8. Guo, Pleiss, Sun und Weinberger, On calibration of modern neural networks, ICML, 2017

03Programmkurse

Programme courses and the standards

Wie die Zuordnung zu den Nexus Standards zu lesen ist

The Academy proposes how each discipline teaches toward the Nexus Standards; the mapping is open for public review. Bodies and standards are named so learners can find and apply their published work; the Academy teaches their use and links to the publisher, and no affiliation is implied.

04Live-Karte

Vernetzte Aktivitäten in Südafrika

Nachtlicht und Bevölkerungsdichte, der Fußabdruck elektrifizierter, vernetzter Aktivität, über Südafrika.

Die interaktive Karte benötigt JavaScript; die Ebenenliste und die Quellen finden Sie unten.

Ebenen 2

Vernetzte Aktivität

Über diese Ebene
Evidenz
Beobachtet
Quelle
VIIRS Black Marble (VNP46A2) (NASA LAADS DAAC)
Anbieter
NASA LAADS DAAC
Lizenz
Offene NASA-Daten
Jahrgang
täglich; Satellitenstrahldichte, korrigiert um Mondlicht und Atmosphäre
Neuester Stand bei der Erstellung
2026-10-12
Beschluss
Raster von etwa 500 m
Unsicherheit
Nächtliche Satellitenstrahldichte für das angezeigte Datum; Lichter sind ein Näherungswert für Stromverbrauch und Ausfälle, keine Messung von Versorgung oder Zugang.
Erreicht über
gibs.earthdata.nasa.gov, erst nachdem Sie die Live-Karte zugelassen haben
Über diese Ebene
Evidenz
Geschätzt
Quelle
Gridded Population of the World v4.11 (NASA SEDAC (CIESIN, Columbia University))
Anbieter
NASA SEDAC (CIESIN, Columbia University)
Lizenz
CC BY 4.0
Jahrgang
static product; Census-based estimate, static (2020)
Beschluss
Raster von etwa 1 km
Unsicherheit
Zensusbasierte Schätzung der Einwohner je Quadratkilometer im Jahr 2020, als Kontext zur Exposition dargestellt; keine Zählung der von einer Gefahr betroffenen Menschen.
Erreicht über
gibs.earthdata.nasa.gov, erst nachdem Sie die Live-Karte zugelassen haben
Über diese Ebene
Evidenz
Beobachtet
Quelle
VIIRS NOAA-20 korrigierte Reflektanz (NASA LANCE)
Anbieter
NASA LANCE
Lizenz
Offene NASA-Daten
Jahrgang
täglich; Satellitenbild
Neuester Stand bei der Erstellung
2026-10-14
Beschluss
Raster von etwa 250 m
Unsicherheit
Satellitenbild. Satelliten- oder Modellraster, wie vom Anbieter veröffentlicht. Wolken, Streifenlücken und Abrufunsicherheit hinterlassen Lücken und Rauschen; die Werte sind Indikatoren, keine Messungen an einem Ort.
Erreicht über
gibs.earthdata.nasa.gov, erst nachdem Sie die Live-Karte zugelassen haben

Zuletzt verfügbar

NASA GIBS / EOSDIS · ASTER GDEM (METI, NASA) · Blue Marble (NASA) · © OpenStreetMap-Mitwirkende (ODbL) · Natural Earth

Die neuesten NASA-Bilder werden geladen.

Zum Verschieben ziehen. Zum Zoomen Strg oder ⌘ gedrückt halten und scrollen, die Zwei-Finger-Geste oder die Schaltflächen verwenden; für die Werte unter dem Zeiger darüberfahren; Zurücksetzen kehrt zur Region zurück.

Vernetzte Aktivität, bezogen auf Südafrika.Satelliten- und Modellprodukte, wie sie die NASA veröffentlicht, jeweils mit eigenem Datum. Sie sind Indikatoren, keine Bewertungen eines Ortes.

Daten: NASA GIBS · ASTER GDEM · Blue Marble · © OpenStreetMap contributors · Natural Earth · NASA EONET

Quellen und Lizenzen

  • Wir danken für die Nutzung von Bildmaterial der Dienste des Global Imagery Browse Services (GIBS) der NASA, Teil des Earth Science Data and Information System (ESDIS) der NASA. Farben nach der veröffentlichten Farbskala neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Offene NASA-Daten
  • Wir danken für die Nutzung von Bildmaterial der Dienste des Global Imagery Browse Services (GIBS) der NASA, Teil des Earth Science Data and Information System (ESDIS) der NASA. Farben nach der veröffentlichten Farbskala neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Offene NASA-Daten
  • VIIRS-Black-Marble-Nachtlichter, NASA Goddard Space Flight Center; verbreitet vom NASA Level-1 and Atmosphere Archive and Distribution System (LAADS DAAC); Bildmaterial über NASA GIBS. Farben nach der veröffentlichten Farbskala neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Offene NASA-Daten
  • Center for International Earth Science Information Network (CIESIN), Columbia University. 2018. Gridded Population of the World, Version 4 (GPWv4): Population Density, Revision 11. NASA Socioeconomic Data and Applications Center (SEDAC). Licensed under CC BY 4.0. Colours redrawn from the published colour map; values averaged into H3 cells where shown (modified). doi:10.7927/H49C6VHW. CC BY 4.0
  • VIIRS-Produkte in Beinahe-Echtzeit (Überflutung, Landoberflächentemperatur, Schneebedeckung, korrigierte Reflexion), NASA LANCE; Bildmaterial über NASA GIBS. Farben nach der veröffentlichten Farbskala neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Offene NASA-Daten
  • ASTER GDEM ist ein Produkt von METI und NASA (ASTER Global Digital Elevation Model V003, NASA LP DAAC); Bildmaterial über NASA GIBS. Farben nach der veröffentlichten Farbskala neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Zitierweise: NASA/METI/AIST/Japan Spacesystems and U.S./Japan ASTER Science Team (2019). ASTER Global Digital Elevation Model V003. doi:10.5067/ASTER/ASTGTM.003. Offene NASA-Daten
  • Erstellt mit Natural Earth. Freie Vektor- und Rasterkartendaten @ naturalearthdata.com. Gemeinfrei
  • © OpenStreetMap contributors (ODbL), via NASA GIBS (coastlines, boundaries, roads and place names). Colours redrawn from the published colour map; values averaged into H3 cells where shown (modified). ODbL
  • Blue Marble, NASA Earth Observatory; Bilddaten über NASA GIBS. Farben nach der veröffentlichten Farbkarte neu gezeichnet; Werte, wo dargestellt, in H3-Zellen gemittelt (verändert). Offene NASA-Daten
  • Kontext auf Globus und flacher Karte: Küstenlinien, Grenzen, Straßen und Ortsnamen aus den Referenzebenen von NASA GIBS (OpenStreetMap-Daten, ODbL, © OpenStreetMap contributors); Blue-Marble-Bilddaten als optionale Basis; 3D-Gelände und Höhenanzeige aus dem Höhenfarbindex des ASTER GDEM (Klassen von 5 m bis 200 m, zur besseren Lesbarkeit überhöht). Grenzen werden wie veröffentlicht dargestellt und beziehen keine Position zu einem Gebiet.
  • Globe: MapLibre GL JS 6.18.0, BSD-3-Clause, © MapLibre contributors.
  • Live-Ereignisse: NASA Earth Observatory Natural Event Tracker (EONET). Die Ereignisse sind indikativ und behalten ihre ursprünglichen Quellenlinks.
  • NASA GIBS: Wir danken für die Nutzung von Bildmaterial der Dienste des Global Imagery Browse Services (GIBS) der NASA, Teil des Earth Science Data and Information System (ESDIS) der NASA.
  • Optionale Ebenen (3 Quellen in der Ebenenliste: live, Prognose, beobachtet und Kontext) zeigen bei Aktivierung ihre Anbieternennung auf der Karte und hier; Prognosen sind Modellausgaben und abgeleitete Indizes sind Schätzungen.

Ebenen und Daten

  • Nachtlichter, täglich: VIIRS Black Marble (VNP46A2), NASA LAADS DAAC · 12. Okt. 2026
  • Population density, 2020: Population: CIESIN, Columbia University, Gridded Population of the World v4.11 (2018), NASA SEDAC, CC BY 4.0 · static
  • Echtfarbe: VIIRS NOAA-20 korrigierte Reflektanz, NASA LANCE · 13. Okt. 2026

Open the faculty's digital twin builder Map tools

05Wie das Lernen abläuft

Wie Lernen abläuft, als Prozess zum Durchspielen

8 steps · 4 stages · 2 gates · 16 processes

Wählen Sie ein Szenario und drücken Sie auf Abspielen: Kurs, Lernpfad, Praxis, Fakultät, Zellen und Aufzeichnung.

Risk Academy

Course, catalogue to completion

A free course pairs one discipline's methods with a real place, open data and standards, with module checks, assessed work and a completion record.

Scenarios Course · Practice · Record

  1. 01 Open

    1. 01

      Choose a course

      Start · the learner

      Find the course in the catalogue, by faculty, level, kind or the standard it teaches.

    2. 02

      Entry check

      Gate · the course

      The prerequisites say what to study first; an entry review stands in for them.

  2. 02 Study

    1. 03

      Erkenntnisse

      Step · the learner

      Read and work through the lessons, self-paced or with a cohort.

    2. 04

      Labs on the twin

      Exercise · the learner, on the faculty twin

      Run the discipline's method and the faculty instruments on the twin of a real place.

  3. 03 Assess

    1. 05

      Module checks

      Gate · the course

      Each module ends with a short check against its outcomes.

    2. 06

      Assessed work

      Decision · reviewers and peers

      A lab record, a case memo and a key terms check, with peer review where the course asks for it.

  4. 04 Record

    1. 07

      Abschlussnachweis

      Record · the Academy

      The record names the course, its version and the date; it is the learner's to share.

    2. 08

      Next course

      Outcome · the learner

      The record stacks into the discipline and pathway achievements, and the next course opens.

How learning works · Courses An outline of how the work is designed to run; it does not report the status of any decision or record.

06Mitwirken

An der Arbeit mitwirken

Beginnen Sie bei Ihrer Rolle.

Zugänge

  • Pfad

    Nationale Institutionen

    Ministerien, Statistikämter und Behörden: eine nationale Anlaufstelle und Sektion sowie ein Sitz in den Arbeitsgruppen. Nationale Sektionen

  • Pfad

    Sektoren und Berufe

    Betreiber, Aufsichtsbehörden, Banken, Versicherer und Berufsverbände, deren Arbeit systemische Risiken berührt. Für Organisationen

  • Pfad

    Lernen

    Kurse und Praxis, mit einem Nachweis über jeden abgeschlossenen Kurs. Kostenlos lernen. Offenes Lernen

  • Pfad

    Normen

    Methoden- und Datenstandards gemeinsam mit den Arbeitsgruppen entwerfen, prüfen und annehmen. Arbeitsgruppen

  • Pfad

    Gemeinschaften und Forschung

    Universitäten, Zivilgesellschaft und einzelne Fachleute: Projekte, Daten und Begutachtung. An die Academy schreiben

Offene Aufrufe

Offener AufrufSuchtEndet
Gründungsaufruf an Fachleute für die Arbeitsgruppen CALL-FOUNDING-EXPERTSFachperson, Herausgeber, Vorsitz2026-12-15
Offene Nominierung für die drei Sitze unabhängiger Fachleute im Global Standards Council CALL-GSC-INDcouncil-member2026-12-01
Nominierungen vorläufiger regionaler Mitglieder (gilt nur, wenn die Übergangsbestimmung beschlossen wird) CALL-GSC-REGcouncil-member2026-12-15
Begutachtung der Entwürfe für den Risikokern der Welle 1 (C1, C2, C3, C4, C8, C10, C11) CALL-REVIEW-WAVE1Mitwirkende2027-01-31
Fachleute für die Kernstandards der Risikowissenschaft: Unsicherheit und Evidenzbewertung, Skalen, strukturierte Expertenurteile, Tolerierbarkeit, Extreme und zusammengesetzte Ereignisse, katastrophale und existenzielle Risiken, Ethik und Gerechtigkeit, Einheiten und Messung (NRS-C17 bis NRS-C24) CALL-CORE-SCIENCEFachperson, Herausgeber, Vorsitz2027-01-31
Unabhängige Gutachter für die Familien des Gefahrenatlas, drei aus mindestens zwei Regionen je Familie (NHS2-R19), vorrangige Familien zuerst CALL-ATLAS-REVIEWFachkundige2027-03-31
Mitglieder des vorläufigen Frontier Safety Review Panel und Red-Team-Gutachter (Biosicherheit und Biosecurity, KI-Sicherheit und -Schutz, Sicherheit kritischer Infrastrukturen); Bewerbungen werden vertraulich behandelt CALL-FRONTIER-SAFETY-REVIEWFachkundige2026-11-30
Fachleute für Ontologie, Metrologie, Softwareverifikation und Konformitätsbewertung für das Anforderungsregister, die maschinelle Darstellung von NHS-2, die Konformitätstestsuiten und das Konformitätsbewertungsprogramm CALL-CONFORMANCE-ONTOLOGYFachperson, Herausgeber2027-01-31

Aufrufe nach Ablauf der Frist werden automatisch ausgeblendet. Alle Aufrufe, Vorschläge und Wege: offene Bereiche und Aufrufe.

Zellen

A cell is a small team with a clear mission, a host and a record of what it does. Choose the type that fits.

Form a cellAll cell types

  • Cell type

    Community emergency response team (CERT)

    Local preparedness and first response. Open

  • Cell type

    Research cell

    Methods, models, papers and datasets. Open

  • Cell type

    Data and observation cell

    Sensors, gauges, monitoring and open data. Open

  • Cell type

    Standards cell

    Drafts, reviews and adopts a standard with the standards working groups. Open

  • Cell type

    Policy and advisory cell

    Briefs, consultations and policy proposals. Open

  • Cell type

    Learning cell

    Course teams, cohorts and peer study. Open

  • Cell type

    Engineering and digital cell

    Tools, twins and infrastructure work. Open

  • Cell type

    Field and operations cell

    Projects on the ground, early warning and anticipatory action. Open

  • Cell type

    Finance and risk transfer cell

    Parametric design and risk-finance readiness. Open

  • Cell type

    Sector cell

    Health, food, water and the other sector cells. Open

  • Cell type

    Review and assurance cell

    Peer review panels and verification. Open

  • Cell type

    Youth, campus or chapter cell

    University, student and national chapter teams. Open

A cell acts within its host's rules and never replaces an authority. A CERT works alongside the local emergency services, follows their direction and is not an emergency service.

How a cell forms

  1. Die Zelle zusammenstellen

    Bringen Sie drei bis sieben Personen mit sich ergänzenden Kompetenzen zusammen: Daten, Feldpraxis, Politik und Kommunikation.

  2. Choose a type

    Pick the kind of cell that fits the work, from the gallery below. A cell can add a second focus later. See the types

  3. Registrieren

    Name the cell, its members, area and region, and who hosts it. You receive a reference and a contact. Form a cell

  4. Gemeinsam lernen

    Folgen Sie gemeinsamen Lernpfaden an der Risk Academy, mit Praxis und einem Nachweis über jeden abgeschlossenen Kurs. Gefahren und Resilienz

  5. Leiten und berichten

    Hold regular sessions. Publish what the cell learns through Reports. Bring findings to the working groups. Working groups

Der Index

What a national team or a local community can do on The Global Risks Index (NXS-GRX) today.

  • NXS-GRX

    Das Profil Ihres Landes

    Offene Risikoprofile für 195 Länder, mit Quellen und Lizenzen zu jedem Wert. Den Index öffnen

  • NXS-GRX

    Korrigieren oder antworten

    Korrigieren Sie einen Wert oder antworten Sie für Ihr Land. Die Änderung wird mit ihrer Wirkung protokolliert. Den Index öffnen

  • NXS-GRX

    Daten anbieten

    Bieten Sie einen Datensatz an. Er durchläuft das Lizenz-Gate und wird Ihnen zugeschrieben. Den Index öffnen

  • NXS-GRX

    Die offenen Daten nutzen

    Ebenen, Profile und Kacheln über die offene API. Den Index öffnen

07Fragen

Fragen, Antworten und Schlüsselbegriffe

Ist der Kurs kostenlos?

Ja. Alle Kurse und Lernmaterialien der Risk Academy, geleitet vom Nexus Consortium, sind kostenfrei, im eigenen Tempo oder in einer Kohorte. Die reguläre Teilnahme ist gebührenfrei. Bezahlte Arbeit, Praktika und Fellowships sind gesonderte Vereinbarungen.

Was bringt mir der Abschluss eines Kurses?

Ein Abschlussnachweis: der Kurs, seine Version, das Datum und der Gegenstand der Prüfung, standardmäßig privat und von Ihnen geteilt. Nachweise bauen sich zu Leistungsnachweisen für Disziplin, Abteilung und Programm auf. Ein Nachweis gibt an, was studiert und geprüft wurde, und bescheinigt keine Kompetenz. Er ist weder eine Zulassung noch ein Berufstitel noch ein Beschäftigungsstatus.

Woher stammen die Daten und die Orte?

Jede Fakultät lehrt an einem Zwilling eines realen Ortes, der aus offenen Daten aufgebaut ist. Jede Ebene nennt Anbieter, Lizenz und Datum, und jedes Ergebnis der Academy nennt seine Quelle. Karten und Zahlen sind Indikatoren für die Lehre, niemals eine Bewertung eines Ortes.

Wie kann ich über den Kurs hinaus mitwirken?

Bilden Sie eine Kompetenzzelle aus drei bis sieben Personen, bearbeiten Sie einen gemeinsamen Lernpfad, übernehmen Sie eine betreute Aufgabe in den nationalen Arbeitsgruppen oder bringen Sie eine Kohorte aus Ihrer Institution mit. Für Organisationen.

Schlüsselbegriffe

Emulator
A fast statistical or machine-learning model trained to reproduce the outputs of a slower physical or catastrophe model.
Konforme Vorhersage
Eine Methode, die jedes Modell umschließt, um Vorhersagemengen mit einer angegebenen Abdeckung unter Austauschbarkeit zu liefern.
Verteilungsverschiebung
Eine Abweichung zwischen den Daten, mit denen ein Modell trainiert wurde, und den Daten, auf die es angewendet wird, wodurch seine Genauigkeit ungültig werden kann.
Kalibrierter Klassifikator
Ein Klassifikator, dessen vorhergesagte Wahrscheinlichkeiten mit den beobachteten Häufigkeiten übereinstimmen.

BerichteBeitragen

Evidenz von dieser Seite aus beitragen.

Reports is the Consortium's quarterly publication, written by six desks. This page sits with the Academy Capability desk. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work. Sent to the wrong desk, it is forwarded, not refused.

Academy Capability desk

Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.

Risk Academy

Study AI and machine learning for risk analysis with us, or teach it

Jeder Kurs ist kostenlos und offen. Institutionen und Fachleute können mitunterrichten, eine Kohorte ausrichten, ein Lab beitragen oder einen Kurs vor seiner Eröffnung begutachten.

Den Kurskatalog durchsuchenPartner der Academy werden