-
© Fraunhofer SCS
ADA-CENTER ANALYTICS, DATEN UND ANWENDUNGEN
Analytics Kompetenzzentrum am Fraunhofer IIS
Prof. Dr. Alexander Martin
-
© Fraunhofer SCS 2
ADA-CenterZiel und Zweck
ENTWICKLUNG VON DATA ANALYTICS-VERFAHREN
KI-PLATTFORM FÜR DIE INDUSTRIE
AUSTAUSCH ZWISCHEN INDUSTRIE UND WISSENSCHAFT
NACHWUCHSFÖRDERUNG
STRATEGISCHE INTERNATIONALE KOOPERATIONEN
-
© Fraunhofer SCS 3
Lebenszyklen… von Materialien und Produkten
© Fraunhofer EZRT
-
© Fraunhofer SCS 4
Daten werden strukturiert
Daten werden gespeichert
Daten werden übertragen
Sensoren verarbeiten die
Daten vor Sensoren zeichnen Daten auf
Daten werden gruppiert
Daten werden interpretiert
Anwendung erzeugt Daten
Daten werden
prognostiziert
Daten werden simuliert Daten werden
Input für Entscheidungs-
modelle
Umsetzung verändert die Anwendung
Modelle werden optimiert
Lösungen zeigen
Mehrwerte auf
Mehrwerte werden
interpretiert / umgesetzt
6 5 4 3
ANALYTICS ANWENDUNGENDATEN
2
7
8
1
9
10
15
11 12 13 14
Lebenszyklen… von Daten
-
© Fraunhofer SCS 5
Lebenszyklen… von datengetriebenen Geschäftsprozesse
UNTERNEHMEN
DATEN
-
© Fraunhofer SCS 6
Verknüpfung der ZyklenKernkompetenzen am Fraunhofer IIS und
SCS
DATENDATA SPACES &IOT SOLUTIONS
UNTERNEHMEN
-
© Fraunhofer SCS 7
Analytics als Kern im ADA-CenterVerortung in Forschung und
Wirtschaft
UNIVERSITÄTENnational und international
UNTERNEHMENIndustrie, Automotiv, Handel, …
ADA-CENTERFraunhofer IIS
LabL.I.N.K.-
HalleJOSEPHS
Kreativ-raum
Plattform für Unternehmen
Außeruniversitäre Forschungsinfrastruktur
Forschungs- und Industriekooperationen
Nachwuchsförderung
KI-Forschung
KI-Kompetenz-
netzwerk
-
© Fraunhofer SCS 8
ADA-CenterKI-Forschungsfelder
Automatisches adaptives Lernen
Sequenzbasiertes Lernen
Erfahrungsbasiertes Lernen
Lernen mit wenigen annotierten Daten
Erklärbares Lernen
Prozessbewusstes Lernen
Semantische Datenmodelle
Data Augmentation, Data Generation
Distributed Computing Architecture
Mathematische Optimierung
-
© Fraunhofer SCS 9
Mathematische OptimierungAlgorithmische Fortschritte
Speed-Up in der Lösungszeit für gemischt-ganzzahlige
Optimierungs-modelle durch verbesserte mathematische Verfahren von
1991 bis heute:
0
2
4
6
8
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Improvement/Version Overall Improvement
Spee
d-U
p-F
akto
r
SPEED-UP-FAKTOR:1,25 MILLIONEN!
© Bob Bixby Version (cplex/gurobi)
-
© Fraunhofer SCS 10
Analytics-ProjektbeispielEnergieeffiziente
Fahrplangestaltung
-
© Fraunhofer SCS 11
Analytics-ProjektbeispielEnergieeffiziente Fahrplangestaltung
für DB und VAG
Untersuchung für den DB-Personenverkehr:22.000 Züge / Tag, 4 –
22 Uhr
Einsparung in der mittleren Spitzenlast (blaue Kurve): ca. 38
MW
Mögliche Stromkostenersparnis von ca. 5 Mio. € / Jahr
VORHER NACHHER
-
© Fraunhofer SCS 12
Analytics-ProjektbeispielLangzeitprognose von
Ersatzteilbedarfen
-
© Fraunhofer SCS 13
Analytics-ProjektbeispielLangzeitprognose von Ersatzteilbedarfen
bei BSH
AUSGANGSSITUATION Produzierendes Unternehmen in der
Hausgeräteindustrie Großes Spektrum an Ersatzteilen
(>500.000) und langer Lieferverpflichtung (>10 Jahre)
PROBLEMSTELLUNG Hohe Bestände und Kosten (Bestand,
Lager, Herstellung, Verschrottung) Subjektiver manueller
Planungsprozess
LÖSUNGSANSATZ Prognose von Ersatzteilbedarfen auf
Basis der Bedarfshistorie eines Artikels sowie Mustern in
ähnlichen Artikeln
Verfahren: Clustering, Regression
-
© Fraunhofer SCS 14
Analytics-ProjektbeispielOptimierung des Cash Managements
-
© Fraunhofer SCS 15
Analytics-ProjektbeispielOptimierung des Cash Managements bei
einer Bank
AUSGANGSSITUATION Bank betreibt mehrere hundert
Geldautomaten in einer Region Kunden erwarten 100%
Verfügbarkeit
PROBLEMSTELLUNG Hoher Aufwand in der Befüllung der
Geldautomaten Hohes gebundenes Kapital in den
Geldautomaten
LÖSUNGSANSATZ Prognose des Entnahmeverhaltens
und Ermittlung der optimalen Beschickung (Reihenfolge,
Menge)
Verfahren: Regression, Mixed Integer Programming
0
500
1000
1500
2000
2500
Tag 8 Tag 9 Tag 10 Tag 11 Tag 12 Tag 13 Tag 14
PREDICTIVE ANALYTICS
PRESCRIPTIVE ANALYTICS
Einsparungen 15% (unterer 5-stelliger
Betrag pro Tag)
-
© Fraunhofer SCS 16
Analytics-ProjektbeispielOptimale Zuordnung von
Servicetechnikern
-
© Fraunhofer SCS 17
AUFGABE Zuordnung von Service-Technikern zu
Kunden
Ausgewogene, gleiche Belastung der Techniker
Minimierung der Kosten (Zeit, Geld)
DATA ANALYTICS ZEIGT Eine optimale Zuordung (Bild unten)
ist um 7% kostengünstiger als die beste Einteilung in Gebiete
(Bild oben)
Problem: Glaubwürdigkeit der Güteder Lösung
Analytics-ProjektbeispielOptimale Zuordnung von
Servicetechnikern
-
© Fraunhofer SCS 18
Analytics-ProjektbeispielSportanalytics
-
© Fraunhofer SCS 19
Analytics-ProjektbeispielSportanalytics
Entwicklung von Trackingsystemen für den Sport
Frameworks zur Echtzeiterkennung von Aktionen
Analysen und Fusion von Tracking und IMU-Daten, z. B. für
Leichtathletik, Boxen und Ballsportarten
Performance-Analysen im Spiel und Training
Benchmarking von Trackingsystemen im Sport z. B. auch im Test-
und Anwendungszentrum L.I.N.K.
METHODE: KI & MACHINE LEARNING
METHODE: PROCESS MINING
Player
Team Optimum
Team Average
-
© Fraunhofer SCS 20
Analytics-AnwendungsbeispielInternet der Emotionen:
Bildanalysesoftware SHORE®
-
© Fraunhofer SCS 21
Analytics-AnwendungsbeispielInternet der Emotionen:
Bildanalysesoftware SHORE®
GESICHTSERKENNUNG UND -ANALYSE Echtzeiterkennung und -analyse
von
Gesichtern Einschätzung von Geschlecht und Alter Detektion vom
Emotionen anhand der
Mimik
VIELFÄLTIGE EINSATZMÖGLICHKEITEN Marktforschung und Retail
Analytics,
Kognitive Robotik, Medizintechnik, Fahrzeug- und
Automobilindustrie und vieles mehr
WEITERENTWICKLUNG UND METHODEN Erkennung subtilerer
Emotionen,
Schmerzen, Stress usw. Boosting, SVM, k-NN, Random Forests,
Regression, Induktive Logische Programmierung, Bayes’sches Netz,
Kalman Filter
-
© Fraunhofer SCS 22
ADA-CenterNeue Formen der Kooperation
Joint-LabsEinzelprojekte ADA-Hub Young Talents
-
© Fraunhofer SCS 23
ADA-Center#and you?
Prof. Dr. Alexander MartinTelefon 0911
[email protected]
Sprechen Sie uns an!
