Embed Size (px)
Citation preview
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
ADA-CENTER ANALYTICS, DATEN UND ANWENDUNGEN
inNUEvation – 2. Juli 2018 – Analytics Kompetenzzentrum am Fraunhofer IIS
Prof. Dr. Alexander Martin
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
ADA-Center Ziel und Zweck
ENTWICKLUNG VON DATA ANALYTICS-VERFAHREN
KI-PLATTFORM FÜR DIE INDUSTRIE
AUSTAUSCH ZWISCHEN INDUSTRIE UND WISSENSCHAFT
NACHWUCHSFÖRDERUNG
STRATEGISCHE INTERNATIONALE KOOPERATIONEN
Seite 2
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Lebenszyklen … von Materialien und Produkten
Seite 3
© Fraunhofer EZRT
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Lebenszyklen … von Daten
Seite 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 2
7
8
1
9
10
15
11 12 13 14
ERFASSEN, ÜBERTRAGEN & INTEGRIEREN
ANALYSIEREN & OPTIMIEREN INTERPRETIEREN & VERWERTEN
DATENLEBENSZYKLUS
DSKI SNKI
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Lebenszyklen … von datengetriebenen Geschäftsprozessen
Seite 5
UNTERNEHMEN
DATEN
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Verknüpfung der Zyklen Kernkompetenzen am Fraunhofer IIS und SCS
Seite 6
DATEN DATA SPACES & IOT SOLUTIONS
UNTERNEHMEN
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics als Kern im ADA-Center Verortung in Forschung und Wirtschaft
Seite 7
UNIVERSITÄTEN
national und international
UNTERNEHMEN
Industrie, Automotiv, Handel, …
ADA-CENTER
Fraunhofer IIS
Lab L.I.N.K.-
Halle Kreativ-
raum
Plattform für Unternehmen
Außeruniversitäre Forschungsinfrastruktur
Forschungs- und Industriekooperationen
Nachwuchsförderung
KI-Forschung
KI-Kompetenz-
netzwerk
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
ADA-Center KI-Forschungsfelder
Seite 8
Erklärbares Lernen
Sequenzbasiertes Lernen
Semantische Datenmodelle
Data Augmentation, Data Generation
Automatisches adaptives Lernen
Erfahrungs- basiertes Lernen
Prozess- bewusstes
Lernen
Lernen mit wenigen annotierten Daten
Distributed Computing Architecture
Mathematische Optimierung
Mathematische Optimierung
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Mathematische Optimierung Algorithmische Fortschritte
Seite 9
Speed-Up in der Lösungszeit für gemischt-ganzzahlige Optimierungsmodelle 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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Energieeffiziente Fahrplangestaltung
Seite 10
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Energieeffiziente Fahrplangestaltung für DB und VAG
Seite 11
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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Langzeitprognose von Ersatzteilbedarfen
Seite 12
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Langzeitprognose von Ersatzteilbedarfen bei BSH
Seite 13
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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Optimierung des Cash Managements
Seite 14
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Optimierung des Cash Managements bei einer Bank
Seite 15
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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Optimale Zuordnung von Servicetechnikern
Seite 16
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Optimale Zuordnung von Servicetechnikern
Seite 17
AUFGABE
Zuordnung von Service-Technikern zu Kunden Ausgewogene, gleiche Belastung der Techniker Minimierung der Kosten (Zeit, Geld)
DATA ANALYTICS ZEIGT
Eine optimale Zuordnung (Bild unten) ist um 7% kostengünstiger als die beste Einteilung in Gebiete (Bild oben)
Problem: Glaubwürdigkeit der Güte der Lösung
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Sportanalytics
Seite 18
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Projektbeispiel Sportanalytics
Seite 19
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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Anwendungsbeispiel Internet der Emotionen: Bildanalysesoftware SHORE®
Seite 20
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
Analytics-Anwendungsbeispiel Internet der Emotionen: Bildanalysesoftware SHORE®
Seite 21
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
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
ADA-Center Neue Formen der Kooperation
Seite 22
Joint-Labs Einzelprojekte ADA-Hub Young Talents
© Fraunhofer SCS
R 23 G 156 B 125
R 242 G 148 B 0
R 31 G 130 B 192
R 226 G 0 B 26
R 95 G 200 B 0
R 254 G 239 B 214
R 225 G 227 B 227
Diesen Kasten nicht löschen (ist für die Funktion der Folie wichtig)
ADA-Center #and you?
Seite 23
Prof. Dr. Alexander Martin
Telefon 0911 58061-9624
Sprechen Sie uns an!
FhG/SCS behält sich alle Rechte an der Präsentation vor. Die Urheberrechte an der Präsentation liegen vollständig bei FhG/SCS. Die Nutzung oder der Ausdruck der Präsentation ist ausschließlich für den internen Gebrauch gestattet. Jede darüber hinaus gehende Verwendung, insbesondere die Weitergabe – auch von Bestandteilen der Präsentation – an Dritte sowie die kommerzielle Nutzung und Verbreitung sind grundsätzlich nicht gestattet.
