Releaf
Kleine Aktionen. Eine geringere Stellfläche.

Ein Smartphone, ein Baum und fünf Orte, an die Dinge gehören.
Eine für diese Website in Blender gebaute Illustration. Sie erklärt die Idee; es sind keine Daten aus dem Projekt.
Originalbilder, Diagramme und Videos bleiben in ihrer Ausgangssprache.
Nachhaltigkeit wird zugänglicher, wenn der nächste Schritt konkret ist. Ich habe dabei geholfen, Releaf rund um die Dinge aufzubauen, die Menschen bereits haben, die Gewohnheiten, die sie ändern möchten, und eine Community, mit der sie diese Experimente teilen können. Unter der freundlichen Oberfläche ist die App eine Übung darin, maschinelles Lernen dort einzusetzen, wo es nützt, und es ehrlich darüber zu halten, was es weiß.
Von der Information zur täglichen Gewohnheit
Releaf vereint Möglichkeiten zur Wiederverwendung alltäglicher Materialien, eine Schätzung des CO₂, das der Tag einer Person verursacht hat, und eine Community, in der man teilt, was funktioniert hat. Ziel ist es, Umweltinformationen einen nützlichen Platz im Alltag zu geben: eine Idee zum Ausprobieren, eine Handlung zum Festhalten oder etwas, das man jemand anderem zeigen kann. Der Fortschritt wird als Baum dargestellt, der über elf Stufen wächst, und Belohnungen werden in Wassertropfen gezählt.
Ein Klassifikator, der auf dem Smartphone läuft
Der aktuelle Code der App erkennt Abfall mit dem Bildmodell EVA-02 Large, konvertiert nach Core ML. Ein Bild durchläuft drei Ausgabeköpfe zugleich: 30 Gegenstandsklassen, 15 Materialien und 4 Tonnen. Weil das Modell auf dem Gerät läuft, muss ein Foto das Smartphone nicht verlassen, um nützlich zu sein, und eine Vorhersage unter einer festgelegten Konfidenz wird markiert, statt als sicher dargestellt zu werden. Ist das Modell auf dem Gerät nicht verfügbar, kann die App auf denselben Klassifikator auf dem Server zurückgreifen.
Ein kleiner Graph statt eines großen Modells
Ein Name ist noch kein Rat. Releaf liefert einen Wissensgraphen mit 43 Knoten (30 Gegenstände, 8 Materialien und 5 Ziele) mit, die durch 118 Kanten verbunden sind; die Einbettungen hat ein Graph-Attention-Netzwerk gelernt. Entsorgungshinweise ergeben sich durch Nachschlagen entlang der Kanten des Graphen; „ähnliche Gegenstände“ sind eine Kosinus-Ähnlichkeit zwischen Einbettungen. Seit die Suche auf diesem Graphen läuft, ist die App für diese Funktion nicht mehr auf einen externen Sprachmodell-Dienst angewiesen.
CO₂-Erfassung, die Schätzen von Rechnen trennt
Die CO₂-Erfassung ist optional (Opt-in). Standort- und Bewegungsdaten werden auf dem Smartphone zu 15-Sekunden-Fenstern zusammengefasst, und nur diese Zusammenfassungen werden hochgeladen. Ein kalibrierter Klassifikator ermittelt das Verkehrsmittel und meldet „unbekannt“, wenn seine Konfidenz gering ist. Ein separater, überprüfbarer Schritt multipliziert dann die Strecke mit veröffentlichten Emissionsfaktoren. Der Klassifikator wurde an einem physikbasierten Mobilitätssimulator trainiert; seine nahezu perfekte Genauigkeit in der Simulation ist daher keine Aussage über echte Smartphones.
Bauen mit einem Team
Als Mitbegründer von Rematter Cooperation habe ich an der SwiftUI-App, am Django-Backend für Konten, Belohnungen, Erfolge und Benachrichtigungen sowie an den unterstützenden KI-Diensten gearbeitet. Wir sammelten 2.000 US-Dollar an Fördermitteln und erreichten eine Platzierung unter den ersten beiden Teams beim China High School Social Innovation Competition and Incubation Camp 2025. Releaf erreichte mehr als 5.000 Downloads.
Von einem Foto zu einem nützlichen nächsten Schritt.
- 01
Ein Bild, drei Fragen
Der Klassifikator EVA-02 Large nimmt ein 448 × 448 großes Bild entgegen und beantwortet aus einer gemeinsamen Repräsentation drei Fragen: was der Gegenstand ist, woraus er besteht und in welche Tonne er gehört. Die Genauigkeit auf zurückgehaltenen Bildern lag je nach Evaluationsset zwischen etwa 90 % und 94 %; Lebensmittelabfälle und Glasflaschen waren die schwächsten Klassen. Für das Smartphone wurde das Modell mit 16-Bit-Genauigkeit nach Core ML exportiert.
- 02
Empfehlungen per Graph-Nachschlagen
Ein Graph-Attention-Netzwerk (GATv2) lernt für jeden der 43 Knoten eine 64-dimensionale Einbettung. Die App liefert den Graphen als einfache Daten mit; aus einer Vorhersage wird eine Empfehlung, indem Nachbarn nachgeschlagen und Ähnlichkeiten gesucht werden – beides funktioniert offline. Ähnlichkeitswerte ordnen Kandidaten; sie sind keine kalibrierten Wahrscheinlichkeiten dafür, dass eine Wiederverwendungsidee funktioniert.
- 03
Nützlich bei teilweisem Ausfall
Die unterstützenden Dienste teilen die Arbeit zwischen Gateway, Bildverarbeitung, Retrieval, Wissensgraph und Antwortschritt auf. Der Orchestrator kennzeichnet eine Antwort als unvollständig, wenn ein Dienst fehlt, und ein Fallback-Pfad hält eine einfachere Antwort verfügbar. Eine nicht verfügbare Funktion wird gemeldet, statt kaschiert zu werden.
Diese Details beschreiben den aktuellen Code der App und ihr unterstützendes KI-Repository, das Staging-Bereitschaft meldet. Sie sind unabhängig von den Downloadzahlen der veröffentlichten App, und nicht jede hier beschriebene Funktion ist als veröffentlicht bestätigt.
Das unterstützende KI-Repository ansehenDie ehrlichen Grenzen.
- Download-, Förder- und Wettbewerbszahlen stammen aus meinem Lebenslauf. Es sind keine Nutzungs- oder Bindungszahlen.
- CO₂-Werte sind Schätzungen aus Entfernung und veröffentlichten Emissionsfaktoren. Sie sind keine Messungen des tatsächlichen Fußabdrucks einer Person.
- Der Klassifikator für Verkehrsmittel wurde nur an simulierten Fahrten evaluiert. Seine Genauigkeit auf echten Geräten ist noch unbekannt.

Ein Feed kleiner, echter Taten.
Der Community-Bildschirm aus einer früheren Version: Wiederverwendungsideen, die Menschen geteilt haben, die die App nutzen. Derselbe Screenshot ist auf dem Smartphone zu sehen, das oben auf der Insel steht.
Echter Screenshot der App. Spätere Versionen ordnen die Tabs um Create, Impact und Community neu an.
Wo sich das verbindet.
CollegeAdvisorDieselbe Kombination aus SwiftUI-App und Python-Diensten und dieselbe Regel: lieber „unbekannt“ sagen als raten.
Den Kurs findenBeide werden an einem Physiksimulator trainiert und getestet, bevor man sich auf die reale Welt verlässt.
Wissenschaft verständlich machenExploreAid war ein erster Versuch, aus einem Projekt etwas zu machen, das Menschen nutzen könnten. Releaf ist das, was tatsächlich erschienen ist.Download- und Finanzierungszahlen sind in meinem Lebenslauf aufgeführt. Kohlenstoffschätzungen sind informativ; es handelt sich nicht um direkte Messungen der Umweltauswirkungen.