präsentation

(K)ein Platz für Experimente?
Open Innovation / Open Access, 30. April, 2015
Prof. Dr. Stefanie Lindstaedt
www.know-center.at
© Know-Center GmbH
Erkenntnisgewinn durch Experimente …
' %&
%!
2
Design Labs @ TU Graz
' %&
%!
3
Learning Factory and FabLab @ TU Graz
'!
&%
' %&
%!
4
Product Innovation Projects @ TU Graz
'!
&%
' %&
%!
5
Big Data Lab @ Know-Center
' &%)
#( ' %&
%!
6
Stärken verbinden
!
$ ' %&
%!
7
COMET Kompetenzzentren: Know-Center
' %&
%!
8
Data-driven Business
•  Geschäftsvorgänge, die auf der automatisierten
Gewinnung, Interpretation und Verwertung großer
Informations- und Datenmengen (Big Data) beruhen.
•  Vier zentrale Schritte
(1) Geeignete Daten/IT Infrastruktur
(2) Demokratisiere Data innerhalb des
Unternehmens
(3) Ermögliche das Experimentieren mit Daten
(4) Unterstütze eine Daten-getrieben Kultur
' %&
%!
8
(5) Experimentiere mit
Geschäftsmodellen
… in Business & Science
' %&
%!
10
Open Science Data Value Chain?
' %&
%!
11
Erkenntnisgewinn durch Experimente mit Daten …
' %&
%!
12
SAVE THE DATE: i-KNOW Conference
Special Track on Science 2.0
October 21-23, 2015, Graz, Austria
© Know-Center GmbH
Big Data
“Data unprecedented in its scale and scope
in relation to a given phenomenon
which allows for the generation of new knowledge.”
[Oxford Internet Institute, 2014]
 Erhöhter Erkenntnisgewinn
' %&
%!
5
Big Data und Data-Driven Business
enables
Technologyy
(BIG) DATA
DataDriven
Business
drives
' %&
%!
15
Data-driven Science
•  Forschungsprozesse, die auf der automatisierten
Gewinnung, Interpretation und Verwertung großer
Informations- und Datenmengen (Big Data) beruhen.
•  Vier zentrale Schritte
(1) Geeignete Daten/IT Infrastruktur
(2) Demokratisiere Data über Communities hinweg
(3) Ermögliche das Experimentieren mit Daten
(4) Unterstütze eine Daten-getrieben Kultur
' %&
%!
8
Publikationen als Big Data
[[Price,
Price, 1963]
19
ERMÖGLICHE DAS
EXPERIMENTIEREN
MIT DATEN
© Know-Center GmbH • Research Center for Data-Driven Business and Big Data Analytics
18
Overview of a Research Domain based on Usage Data
[Kraker,
2013]
Extract Facts from Research Papers
•  Link research papers and the
facts therein to LOD
•  Extract information from
PDFs
•  Tables, figures, structure,
references, named entities
•  Integration of LOD concepts
into papers
' %&
%!
20
Make Facts available for Visual Analysis
Query Wizard and Vis Wizard: designed for IT-laymen
(#
*#
)#
' %&
%!
21
UNTERSTÜTZE EINE
DATEN-GETRIEBENE
KULTUR
© Know-Center GmbH • Research Center for Data-Driven Business and Big Data Analytics
22
42-Data
' %&
%!
23
42-Data
Create Data Centric Questions
$
' %&
%!
24
42-Data
Answering with Data and Insights
' %&
%!
25
Open Science Data Value Chain?
"(%
% %
' %&
%!
Research Processes (in TEL)
[Kraker &
Lindstaedt,
2011]
Know-Center GmbH – Das Zentrum
' %&
%!
29
Unser Angebot
“Austria’s hub for (Big) Data Analytics,
Management and Research“
Data-driven Business
for Austrian Industry
Big Data Laboratory
for Austrian Science and Industry
Qualification Program
for Data Analysts and Scientists
Software and Services
for Data Science and Open Science
3
Data-driven Business as a Cognitive
Computing Challenge
Knowledge
Discovery
Social
Computing
Knowledge
Visualization
ANALYTICS
FOCUS
HUMAN
FOCUS
Ubiquitous
Personal Computing
Cognitive Computing Systems interact naturally with
humans, learn from their experiences, generate and
evaluate evidence-based hypotheses
' %&
%!
31
Reflektieren Sie für Ihr Unternehmen!
Welche Daten
werden wo
generiert?
(intern/extern)
Was passiert
mit den Daten?
Wer verwendet
die Daten?
Was sind
Probleme und
Hindernisse?
Welchen Wert
haben die
Daten?
Erfolgsgeschichten?
' %&
%!
32
Big Data & Data-Driven Business
BEISPIELE
© Know-Center GmbH • Research Center for Data-Driven Business and Big Data Analytics
33
Sensor Stream Analyse
In einer Studie sowie in einem Prototyp wurden
gängige Daten und Datenanalyse Werkzeuge
hinsichtlich ihrer Anwendbarkeit auf große
Mengen von Sensordaten (Licht, Feuchtigkeit,
Temperatur) evaluiert. Unter Verwendung von
Algorithmen wie „Drift Detection“,
„Regression“, „Event Detection“ und
„Prediction“ kann so zum Beispiel die
Anwesenheit von Menschen im Raum
sowie deren Verhalten über den Tag ermittelt
werden. Dies bildet eine Grundlage für
Optimierungen und Kostenreduktion in der
Gebäudeautomatisierung.
' %&
%!
34
Modellierung von Straßennetzen
Unter der Zuhilfenahme von Big Data Technologien konnte
das Volumen und die Komplexität von Straßenkartendaten
aus OpenStreetMap deutlich reduziert werden. So wird das
Straßennetzwerk als Graph modelliert, bei dem Kreuzungen
als Knoten und Straßen als Kanten abgebildet werden.
Daraus kann ein Verbindungsgraph erstellt werden, auf
welchem der PageRank Algorithmus angewendet wird, um
die potentielle Wichtigkeit einzelner Straßen zu berechnen.
Dieser Ansatz erzielt ähnliche Ergebnisse wie andere
deutlich komplexere Algorithmen.
' %&
%!
35
Erkenntnisse aus Mobilfunkdaten
Zwecks Datenschutz werden Mobilfunkdaten
anonymisiert und mit Zufallsereignissen versehen.
Solche Ereignisse sind das Senden von SMS, Anrufe
oder Datenverbindungen. Unter Verwendung diverser
Algorithmen, wie des am Know-Center speziell
entwickelten “Recursive Look-Ahead Supersonic
Filter”, können die Daten gefiltert werden und
ermöglichen weitergehende neue Erkenntnisse. So
können beispielsweise die tatsächlichen
Zugabfahrtszeiten auf Korrektheit evaluiert werden.
Nur so kann zum Beispiel die richtige Verwendung,
Wirkung und Abrechnung öffentlicher Fördergelder
sichergestellt werden.
' %&
%!
36
Skalierbare Empfehlungssysteme
Die wachsende Menge an Daten, Systemen und Interaktionen bedarf der
Bereitstellung zielgerichteter, kontextabhängiger und relevanter Information. Hierfür
werden Recommender (Empfehlungssysteme) verwendet, welche Vorschläge wie
z.B. für Produkte, Texte & Dokumente, Begriffe, Experten und Personen
berechnen. Die Grundlage bilden üblicherweise Benutzer-Interaktionen mit
Systemen wie z.B. Klicks & Views von Produkten, Webseiten, Dateien oder
sonstiger Informationen (kollaborativer Ansatz) in Kombination mit inhaltlichen
Ähnlichkeiten von z.B. Produktbeschreibungen oder Kundenanfragen
(inhaltsbasierter Ansatz). Diese riesige Datenmenge muss mit multiplen
Algorithmen in Echtzeit kundenspezifisch verarbeitet werden. Hier bieten wir
flexible, skalierbare Dienste auf Basis des eigens entwickelten Recommender
Frameworks.
' %&
%!
37
Big Data
Analytics
Recommendations – Analyses – Visualizations
Human
Intelligent
Algorithms
Uncertainity – Changes
Text
Sensor Data
Data
ata
Social Data
Analytics
Actionable
Knowledge
Activity Traces
Linked Data
Scientist in
the Loop
Computer
Models – Interfaces – Representations
' %&
%!
38
Industry 4.0 – Smart Production & Services
BEISPIELE
© Know-Center GmbH • Research Center for Data-Driven Business and Big Data Analytics
39
Mobile Informationsbereitstellung
MitarbeiterInnen werden durch die Verbindung von aktuellen
(mobilen) Technologien mit proaktiver, kontextabhängiger und
relevanter Informationsbereitstellung unterstützt. Der Trend
geht ganz in Richtung „No-Search“. Durch das automatische
Erfassen der aktuellen Arbeitsumgebung bzw. der aktuellen
Aufgabe, kann die Qualität der bereitgestellten Informationen
weiter erhöht werden. Die Definition „guter“ Suchbegriffe wird
erleichtert oder sogar überflüssig. Fotos, Videos oder
sonstiges Fachwissen kann nicht nur schnell erstellt, sondern
auch einfach geteilt und mit Orten verknüpft werden.
' %&
%!
40
Sprachgesteuerte Kommissionierung
D u r c h d i e Ve r w e n d u n g g ü n s t i g e r,
ausgereifter und frei verfügbarer Hardware
wie Smartphones können Routineaufgaben
teilautomatisiert oder zumindest effektiv
unterstützt werden. So kann beispielsweise
die Sprachsteuerung auch offline für
industrielle Zwecke wie Lagerhaltung und
Kommissionierung angewandt werden.
Dies verkürzt Arbeitswege, erleichtert den
Alltag und ermöglicht neue Anwendungen.
' %&
%!
41
Visual Analytics
Der Mensch ist nach wie vor das Maß aller
D i n g e b e i d e r E r f a s s u n g
zusammenhängender Inhalte und visueller
Auffälligkeiten. Durch die Aufbereitung
riesiger textueller Inhalte und deren visuell
sinnvoller Darstellung, können Auffälligkeiten,
mögliche Fehlerursachen und Anomalien
semi-automatisch berechnet werden und eine
weitere Suche durch den Menschen
erleichtert werden.
' %&
%!
42
Kontext-Sensitive Informationsbereitstellung
Bestehende Anlagen können mittels günstiger
Sensoren intelligenter werden. Beispielsweise
können ortsbasierte Informationen zu
Maschinen, Arbeitsprozessen, Wartung und
Richtlinien punktgenau zur Verfügung gestellt
werden. Die Auswahl des Mediums kann
ebenfalls entsprechend automatisch erfolgen
(Tablet, Ambient Display, Lautsprecher).
Weitere Anwendungsszenarien sind
Fluchtwegeplanung, Raumüberwachung und
vieles mehr.
' %&
%!
43
Scientific Track Record: Analytics Focus
2003
2006
2009
2012
2013
Analyzing and visualizing
1.2 million news articles
Indexing and Searching
150 GB of text documents
Aligning 350.000 articles of the
two largest German Encyclopediae
More than ten years of experience
in managing, processing, analyzing
data
“Good data scientists understand, in a
deep way, that the heavy lifting of
cleanup and preparation isn’t
something that gets in the way of
solving the problem: it is the problem.“
(D.J. Pati, LinkedIn)
Extracting entities and facts from
10TB of scientific documents
Event visitor modelling for
50 billion records totalling 8TB data
2014
Traffic model validation on cell phone
data 600 billion records totalling 50TB
2015
Know-Center Data Infrastructure
reaches 2PB storage and 1024 cores
Analyzing and understanding
complex, heterogeneous,
unstructured data
“Data unprecedented in its scale and
scope in relation to a given
phenomenon which allows for the
generation of new knowledge.”
(Oxford Internet Institute)
Scientific Track Record: Human Focus
2010
2012
2014
2015
Performer
Support
AVL, Knapp,
M+R, Siemens
Expert
Search
AVL
Reflective Learning
2008
Knowledge Evolution
2006
Work-Integrated Learning
2004
Self Awareness
Error Prevention
Embedding IT-tools in work processes
ensures timely productivity growth
“Research shows that there are two
essential pre-conditions for IT to affect labor
productivity: IT investments and managerial
innovations.
A lag between IT investments and organizational adjustments has meant that productivity improvements have taken a while to
show up. The same preconditions that
explain the impact of IT in enabling historical productivity growth currently exist for
big data.“
(McKinsey & Company 2011)
Networked SMEs
2002
“Computer-supported (cooperative)
working and learning”
(2016)

Download Report