Wissensbasierte Systeme/ Expertensysteme. Teil 1

Größe: px
Ab Seite anzeigen:

Download "Wissensbasierte Systeme/ Expertensysteme. Teil 1"

Transkript

1 Wissensbasierte Systeme/ Expertensysteme Teil 1 BiTS, Sommersemester 2004 Dr. Stefan Kooths KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 1

2 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme) 3. Künstliche Intelligenz und Expertensysteme im Überblick 4. Wissensrepräsentation und Inferenz 5. Entwicklung von Expertensystemen 6. Wissensmanagement 7. Zusammenfassung und Ausblick KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 2

3 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme) 3. Künstliche Intelligenz und Expertensysteme im Überblick 4. Wissensrepräsentation und Inferenz 5. Entwicklung von Expertensystemen 6. Wissensmanagement 7. Zusammenfassung und Ausblick KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 3

4 Literatur Turban, E. / Aronson, J. E.: Decision Support Systems and Intelligent Systems, 6th Ed., Prentice Hall, Upper Saddle River Luger, G. F.: Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 4th Ed., Addison- Wesley, Upper Saddle River alternativ deutsche Übersetzung: Künstliche Intelligenz: Stragegien zur Lösung komplexer Probleme, 4. Aufl., Pearson Studium, München KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 4

5 Einordnung: WBS/ES EUS bzw. Business Intelligence Diplom: EUS Entscheidungslehre/ Simulation von Entscheidungen Wissensbasierte Systeme/Expertensysteme Künstliche Intelligenz Neuronale Netze BA/MA: BI Management Support Systems Knowledge-Based Systems Soft Computing Case Studies KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 5

6 Einordnung in Turban/Aronson 1 Part I: Decision Making and Computerized Support Part II: Decision Support Systems Part III: Collaboration, Communication, Enterprise Decision Support Systems, and Knowledge Management Part IV: Fundamentals of Intelligent Systems Part V: Advanced Intelligent Systems Part VI: Implementation, Integration, and Impacts KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 6

7 Einordnung in Turban/Aronson 2 Part I: Decision Making and Computerized Support Ch. 1 Management Support Systems: An Overview Ch. 2 Decision Making, Systems, Modeling and Support Literaturstudium Part II: Decision Support Systems Ch. 3 Decision Support Systems: An Overview Ch. 4 Data Warehousing, Access, Analysis, Mining, Vis. Ch. 5 Modeling and Analysis Ch. 6 Decision Support System Development Part III: Collaboration, Communication, Enterprise Decision Support Systems, and Knowledge Management Ch. 7 Collaborative Computing Technologies: GSS Ch. 8 Enterprise Decision Support Systems Ch. 9 Knowledge Management KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 7

8 Einordnung in Turban/Aronson 2 Part IV: Fundamentals of Intelligent Systems Ch. 10 Knowledge-Based Decision Support: AI and ES Ch. 11 Knowledge Acquisition and Validation Ch. 12 Knowledge Representation Ch. 13 Inference Techniques Ch. 14 Intelligent Systems Development Part V: Advanced Intelligent Systems Ch. 15 Neural Computing: The Basics Ch. 16 Neural Computing Applications, Advanced AIS Ch. 17 Intelligent Software Agents and Creativity Part VI: Implementation, Integration, and Impacts Ch. 18 Implementing and Integrating MSS Ch. 19 Impacts on Management Support Systems KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 8

9 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme) 3. Künstliche Intelligenz und Expertensysteme im Überblick 4. Wissensrepräsentation und Inferenz 5. Entwicklung von Expertensystemen 6. Wissensmanagement 7. Zusammenfassung und Ausblick KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 9

10 Einflussfaktoren auf Entscheidungssituation KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 10

11 Traditionelle Computerunterstützung Problemdefinition Klassifikation in Standardkategorien Konstruktion/Auswahl eines adäquaten mathematischen Modells Erzeugen und Bewerten von Lösungsalternativen Auswahl der besten Lösung Klassisches Operations Research (Management Science) KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 11

12 Decision Support Systeme semistrukturierte/unstrukturierte Entscheidungen oftmals unsichere Entscheidungssituation (man weiß mehr als nichts, aber nicht alles) Effektivität wichtiger als Effizienz effektiv = die richtigen Dinge tun (Zielerreichung) effizient = die Dinge richtig tun (Ressourceneinsatz) zusätzliche Literatur: Back, A.: Entscheidungsunterstützungssysteme; in: Handwörterbuch Unternehmensrechnung und Controlling, Stuttgart 2001, S [PDF auf Website] KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 12

13 MSS, DSS und MIS Quelle: A. Back (2001), S. 369 KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 13

14 Unterstützung durch DSS KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 14

15 Phasen des Entscheidungsprozesses 1 Intelligence Phase Problem-/Chancenidentifikation Problemklassifikation Problemzerlegung Verantwortungszuordnung Design Phase Alternativen- und Modellentwicklung (Wirkung von Entscheidungsvariablen) Formulierung von Entscheidungskriterien Modelle Normative Modelle und (Sub-) Optimierung (Rationalitätsannahme, keine Ungewissheit, vollständige Präferenzordnung) Deskriptive Modelle und Simulation (befriedigende Lösungen) Sicherheit, Risiko, Ungewissheit KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 15

16 Phasen des Entscheidungsprozesses 2 Choice Phase Suche (analytisch, blind, heuristisch), Bewertung (Zielkonflikte, Sensitivitätsanalysen, Wenn-Dann- Analysen, Zielanalysen (z. B. Break-even)), Empfehlung von Lösungen Implementation Phase Durchsetzung Unterstützung und Akzeptanz Erklärung KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 16

17 Idealeigenschaften und fähigkeiten eines DSS KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 17

18 Struktur und Komponenten eines DSS KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 18

19 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme) 3. Künstliche Intelligenz und Expertensysteme im Überblick 1. Künstliche Intelligenz 2. Expertensysteme im Überblick 4. Wissensrepräsentation und Inferenz 5. Entwicklung von Expertensystemen 6. Wissensmanagement 7. Zusammenfassung und Ausblick KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 19

20 3.1 Künstliche Intelligenz Konzepte und Definitionen Künstliche vs. Natürliche Intelligenz Kerntechnologien und Bereiche Wissensbasierte Entscheidungsunterstützung KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 20

21 Künstliche Intelligenz: Konzepte und Definitionen Zwei wesentliche Aspekte Was ist Intelligenz = Wie denken Menschen? Wie lässt sich intelligentes Verhalten maschinell darstellen? Zwei (von vielen) Definitionen AI is behavior by a machine that, if performed by a human being, would be considered intelligent AI is the study of how to make computers do things at which, at the moment, people are better KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 21

22 Eigenschaften von Intelligenz Lernen aus Erfahrung Umgang mit uneindeutigen/widersprüchlichen Daten (Schnelle) Reaktion auf neue Situationen gedankliche Durchdringung von Problemen Anwendung von Wissen zur Gestaltung der Umwelt Denken und Schlussfolgern Relevanzbewertung Vorbild für KI-Anwendungen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 22

23 Test auf Intelligenz Turing-Test nach Alan Turing (brit. Mathematiker) Computing machinery and intelligence (1950) aber: nicht Nachbau, sonder Nutzung von Intelligenz (WI-Sicht)! KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 23

24 Wissensverarbeitung numerisch/subsymbolisch vs. symbolisch algorithmisch vs. nicht-algorithmisch Nutzung von Heuristiken möglichst erfolgreich arbeitende Lösungsverfahren (keine Lösungsgarantie, keine zwingend perfekte Lösung) nicht beweisbar basieren auf Vermutungen, plausiblen Annahmen (Hypothesen), Analogien, Erfahrungen relativ schnelle, recht gute Lösungen für komplexe Probleme (bspw. bei kombinatorischer Explosion) KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 24

25 Wissensrepräsentation und Inferenz Wissensarten deklarativ: Know-what (Fakten, Regeln, Theorien) prozedural: Know-how (Anwendungswissen) Metawissen Wissensbasis Speicher für das gesamte, innerhalb eines WBS repräsentierte Wissen meist eng umgrenztes Wissensgebiet (sog. Domaine) Inferenz Nutzung bestehenden Wissens Anwendung von logischen oder heuristischen Verfahren zur Gewinnung neuen Wissens wichtige Verfahrensklasse: Mustererkennung KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 25

26 Grobkonzept von KI-Programmen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 26

27 Künstliche vs. Natürliche Intelligenz Kommerzielle Vorteile von KI unsterblich/permanent leicht zu kopieren/verteilen potenziell kostengünstiger, insbesondere bei hoher Nutzerzahl konsistent und genau (kann auch Nachteil sein, s.u.) dokumentierbar schneller besser als viele Menschen Nachteile von KI mangelnde Kreativität (zu konsistent, zu genau) kein Zugang zu natürlichen Sensoren kein allgemeines Hintergrundwissen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 27

28 Kerntechnologien der KI Softcomputing Neuronale Netze Fuzzy Logic Genetische Algorithmen Expertensysteme starke Problemlösungsmethoden Konstruktion, Simulation, Diagnose Agentbasierte Systeme (DAI = Distributed AI) kontextbezogen autonom flexibel sozial Kombination: Hybride Systeme KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 28

29 Wichtige Teilgebiete/Anwendungsbereiche der KI Automatisches Beweisen Spracherkennung (NLP = Natural Language Processing) Bildverstehen Robotik und Sensorik Intelligente Tutoren (ICAI = Intelligent Computer-Aided Instruction) Textzusammenfassungen Übersetzung... KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 29

30 Wissensbasierte Entscheidungsunterstützungssysteme Generell: alle nicht mathematisierbaren Aspekte des Entscheidungsprozesses (z. B. Variablenauswahl) MBMS: Aufbau, Speicherung, Verwaltung Umgang mit Unsicherheit, insbes. Ungewissheit User-Interface (z. B. via NLP) Nutzung spezieller Fähigkeiten lernfähiger, mustererkennender, fehlertoleranter Systeme KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 30

31 3.2 Expertensysteme im Überblick Wichtige Grundbegriffe Komponenten und Struktur Arbeitsweise Beispielanwendung Wichtige Anwendungsbereiche Vorteile Probleme und Grenzen Erfolgsfaktoren Typen von Expertensystemen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 31

32 Expertise umfassende, aufgabenbezogene Kenntnisse erworben durch Training, Lesen, Erfahrung Teilaspekte: Fakten über das Fachgebiet Theorien über das Fachgebiet allgemeine Regeln und Vorgehensweisen Heuristiken für spezielle Situationen globale Lösungsstrategien Metawissen erlaubt es, schnellere und bessere Entscheidungen zu treffen (Wissen, nicht Basisintelligenz ist entscheidend) Novize wird nur allmählich zum Experten KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 32

33 Experten erkennen, formulieren und hierarchisieren Probleme lösen Probleme schnell und korrekt erläutern ihre Lösung lernen aus (positiver und negativer) Erfahrung restrukturieren ihr Wissen Problem: implizites Wissen verstoßen gegen Regeln, falls notwendig wissen, was sie nicht wissen (Metawissen) KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 33

34 Wissenstransfer und Knowledge Engineering Experte Computersystem Anwender Wissensakquise Wissensingenieure Wissensrepräsentation Inferenztechniken Transfer zum Anwender (User Interface) Lösung Erklärung Knowledge Engineering KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 34

35 KI und BWL Wissensrepräsentation Wissenserwerb Inferenz-Steuerung Selbstdokumentation Was wissen, wie lernen, denken und argumentieren Ökonomen? KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 35

36 Konventionelle DV und ES im Vergleich KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 36

37 Struktur von Expertensystemen Wesensmerkmal: Trennung von Wissensbasis und Inferenzmaschine KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 37

38 Entwicklungs- und Einsatzmodus Komponenten Beteiligte KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 38

39 Nutzertypen und Einsatzarten Nutzer ist Nichtexperte ES als Berater Nutzer ist Lernender ES als Trainer Nutzer ist ES-Entwickler ES als Partner Nutzer ist Experte ES als Kollege/Assistent KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 39

40 Lebenszyklus von Expertensystemen Entwicklung problemspezifische Wissensakquise (deklarativ, prozedural) und Entscheidung über Repräsentationsmethode Inferenzmaschine, Blackboard, Erklärungskomponente, Schnittstellen, Integration Evtl. Nutzung von ES-Shells (Bsp.: MYCIN/EMYCIN, D3) Einsatz Interaktiver Dialog zwischen ES und Nutzer ES erfragt Fakten und wendet Regeln an Nutzer kann Erklärungen anfordern Verbesserung Rapid Prototyping Entwicklungszyklen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 40

41 Beispielanwendungen EXSYS d3 (Uni Würzburg) KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 41

42 D3: Fakteneingabe KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 42

43 D3: Erklärungskomponente KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 43

44 D3: Diagnoseergebnis KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 44

45 Wichtige Anwendungsbereiche Hauptgebiete Diagnose Konstruktion Simulation KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 45

46 Vorteile 1 erhöhte Produktivität (quantitativ, qualitativ) Beschleunigung von Entscheidungsprozessen Reduktion von Ausfallzeiten Sicherung knappen Expertenwissens größere Flexibilität erleichterter Zugang zu komplexen Systemen (intelligente Handbücher) Ersatz für aufwändigere Kontrollhardware Einsatz in gefährlichen Umgebungen Entlastung von Routinetätigkeiten, Wissenzugang für Helpdesks KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 46

47 Vorteile 2 Umgang mit unsicherem, unvollständigem Wissen ES als Trainer (Mehrfachnutzung von Wissen) Zuverlässigkeit (keine Ermüdung) raum- und zeitunabhängiger Wissenszugang, insbesondere über webbasierte Ansätze (Basisverbreiterung) können durch Integration andere Informationssysteme intelligent machen KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 47

48 Probleme und Grenzen mangelnde Verfügbarkeit von Wissen schwierige Wissensextraktion und -formalisierung Fähigkeit und Bereitschaft menschlicher Experten schwierige Bewertung der eigenen Expertise Kommunikationsprobleme zwischen Experte und Wissensingenieur Rolle der Nutzer Überforderung mangelndes Vertrauen eng umrissene Problembereiche (kein Weltwissen) keine Garantie für (korrekte) Lösungen Hauptproblem: ES-Management KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 48

49 Erfolgsfaktoren (Idealbedingungen) Wissensniveau ist genügend hoch und über mind. einen kooperativen Experten verfügbar eng umgrenzter, relevanter, nichttrivialer Problembereich keine rein quantitative Lösung möglich leistungsfähige ES-Shell für Rapid Prototyping bedienungsfreundliches User Interface (insbesondere beim Einsatz mit Novizen) Verfügbarkeit von kompetenten Entwicklern Berücksichtigung von Nutzer-Motivation ES-Einsatz als Managementaufgabe KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 49

50 Typen von Expertensystemen Abgrenzung: ES vs. WBS Technologien regelbasiert fallbasiert modellbasiert framebasiert hybrid Entwicklung eigene Vollentwicklung Shells (leere Wissensbasis) Fertigprodukte KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 50

51 Chapter Highlights 1 The primary objective of AI is to build computer systems that perform tasks that can be characterized as intelligent. The major characteristics of AI are symbolic processing, use of heuristics instead of algorithms, and application of inference techniques. AI has several major advantages over people: It is permanent, it can be easily duplicated and disseminated, it can be less expensive than human intelligence, it is consistent and thorough, and it can be documented. Natural (human) intelligence has advantages over AI: It is creative, it uses sensory experiences directly, and it reasons from a wide context of experiences. Knowledge rather than data or information is the key concept of AI. In conventional computing, we tell the computer how to solve the problem. In AI, we tell the computer what the problem is and give it the knowledge needed to solve similar problems and the necessary procedures to use the knowledge. Major application areas of AI include expert systems, natural language processing, speech understanding, intelligent robotics, computer vision, fuzzy logic, intelligent agents, intelligent computer-aided instruction, and neural computing. Expert systems, the most applied AI technology, attempt to imitate the work of experts. They apply expertise to problem solving. For an expert system to be effective, it must be applied to a narrow domain of knowledge and include qualitative factors. Natural language processing is an attempt to allow users to communicate with computers in a natural language. Currently, conversation is done via the keyboard and monitor; in the future, it will be carried out by voice. KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 51

52 Chapter Highlights 2 An intelligent robot is one that can respond to changes in its environment. Most of today s robots do not have that capability. Computers can be used as tutors. If AI supports them, they can dramatically improve training and teaching. The various AI technologies can be integrated among themselves and with other computer-based technologies. Expert systems imitate the reasoning process of experts for solving difficult problems. The power of an ES is derived from the specific knowledge it possesses, not from the particular knowledge representation and inference schemes it uses. Expertise is task-specific knowledge acquired from training, reading, and experience. Experts can make fast and good decisions regarding complex situations. A few experts possess most of the knowledge in organizations. Expert system technology attempts to transfer knowledge from experts and documented sources to the computer and make it available for use by non-experts. Expert systems involve knowledge processing, whereas other CBIS process data or information. An inference engine provides the reasoning capability in expert systems. A distinction is made between a development environment (building an ES) and a consultation environment (using an ES). The major components of an ES are the knowledge acquisition subsystem, knowledge base, inference engine, blackboard, user interface, and explanation subsystem. KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 52

53 Chapter Highlights 3 The knowledge engineer captures the knowledge from the expert and programs it into the computer. Although the major user of the ES is a non-expert, other users (such as students, ES builders, and even experts) may use ES. Knowledge can be declarative (facts) or procedural. When expert systems are constructed, they are improved repeatedly in an iterative manner, using a process called rapid prototyping. The 10 generic categories of ES are interpretation, prediction, diagnosis, design, planning, monitoring, debugging, repair, instruction, and control. Expert systems can provide many benefits. The most important are improvement in productivity or quality, preservation of scarce expertise, enhancing other systems, coping with incomplete information, and providing training. Many ES failures are caused by non-technical problems such as lack of managerial support and poor end-user training. Although there are several technical limitations to the use of expert systems, some of them will disappear with improved technology. Expert systems, like human experts, can make mistakes. Some make a distinction between expert systems, where most of the knowledge comes from experts, and knowledge systems, where the majority of the knowledge comes from documented sources. Some ES are available as ready-made systems; they render advice for standard situations. A trend is developing to disseminate such advice on the Internet, intranets, and extranets. Some expert systems provide advice in a real-time mode. ES and AI provide support to the Internet and intranets as well. KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 1 53

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

Mehr

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health)

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) 1 Utilitarian Perspectives on Inequality 2 Inequalities matter most in terms of their impact onthelivesthatpeopleseektoliveandthethings,

Mehr

Wie agil kann Business Analyse sein?

Wie agil kann Business Analyse sein? Wie agil kann Business Analyse sein? Chapter Meeting Michael Leber 2012-01-24 ANECON Software Design und Beratung G.m.b.H. Alser Str. 4/Hof 1 A-1090 Wien Tel.: +43 1 409 58 90 www.anecon.com office@anecon.com

Mehr

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme

Mehr

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities

Mehr

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

SARA 1. Project Meeting

SARA 1. Project Meeting SARA 1. Project Meeting Energy Concepts, BMS and Monitoring Integration of Simulation Assisted Control Systems for Innovative Energy Devices Prof. Dr. Ursula Eicker Dr. Jürgen Schumacher Dirk Pietruschka,

Mehr

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap

Mehr

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 Reinhard Bernsteiner MCiT Management, Communication & IT MCI MANAGEMENT CENTER INNSBRUCK Universitätsstraße 15 www.mci.edu

Mehr

Customer-specific software for autonomous driving and driver assistance (ADAS)

Customer-specific software for autonomous driving and driver assistance (ADAS) This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs

Mehr

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

Instruktionen Mozilla Thunderbird Seite 1

Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Dieses Handbuch wird für Benutzer geschrieben, die bereits ein E-Mail-Konto zusammenbauen lassen im Mozilla Thunderbird und wird

Mehr

Group and Session Management for Collaborative Applications

Group and Session Management for Collaborative Applications Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences

Mehr

Prof. Dr. Margit Scholl, Mr. RD Guldner Mr. Coskun, Mr. Yigitbas. Mr. Niemczik, Mr. Koppatz (SuDiLe GbR)

Prof. Dr. Margit Scholl, Mr. RD Guldner Mr. Coskun, Mr. Yigitbas. Mr. Niemczik, Mr. Koppatz (SuDiLe GbR) Prof. Dr. Margit Scholl, Mr. RD Guldner Mr. Coskun, Mr. Yigitbas in cooperation with Mr. Niemczik, Mr. Koppatz (SuDiLe GbR) Our idea: Fachbereich Wirtschaft, Verwaltung und Recht Simple strategies of lifelong

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Praktikum Entwicklung von Mediensystemen mit ios

Praktikum Entwicklung von Mediensystemen mit ios Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp

Mehr

Ihr Partner für wirtschaftliche Automation. Your partner for profitable automation

Ihr Partner für wirtschaftliche Automation. Your partner for profitable automation Ihr Partner für wirtschaftliche Automation Your partner for profitable automation philosophie Die Philosophie der EGS Automatisierungstechnik GmbH ist geprägt von langjährigen, partnerschaftlichen Geschäftsbeziehungen

Mehr

Eliminating waste in software projects: Effective knowledge management by using web based collaboration technology Diplom.de

Eliminating waste in software projects: Effective knowledge management by using web based collaboration technology Diplom.de Frederik Dahlke Eliminating waste in software projects: Effective knowledge management by using web based collaboration technology The enterprise 2.0 concept applied to lean software development Diplom.de

Mehr

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich?

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich? KURZANLEITUNG Firmware-Upgrade: Wie geht das eigentlich? Die Firmware ist eine Software, die auf der IP-Kamera installiert ist und alle Funktionen des Gerätes steuert. Nach dem Firmware-Update stehen Ihnen

Mehr

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer Knowledge Management Wissensmanagement 0. Produktionsfaktoren 1. Data Information Knowledge 2. Knowledge representation Wissensdarstellung 3. Interfaces to artificial intelligence 4. Knowledge management

Mehr

TMF projects on IT infrastructure for clinical research

TMF projects on IT infrastructure for clinical research Welcome! TMF projects on IT infrastructure for clinical research R. Speer Telematikplattform für Medizinische Forschungsnetze (TMF) e.v. Berlin Telematikplattform für Medizinische Forschungsnetze (TMF)

Mehr

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2 ReadMe zur Installation der BRICKware for Windows, Version 6.1.2 Seiten 2-4 ReadMe on Installing BRICKware for Windows, Version 6.1.2 Pages 5/6 BRICKware for Windows ReadMe 1 1 BRICKware for Windows, Version

Mehr

H. Enke, Sprecher des AK Forschungsdaten der WGL

H. Enke, Sprecher des AK Forschungsdaten der WGL https://escience.aip.de/ak-forschungsdaten H. Enke, Sprecher des AK Forschungsdaten der WGL 20.01.2015 / Forschungsdaten - DataCite Workshop 1 AK Forschungsdaten der WGL 2009 gegründet - Arbeit für die

Mehr

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH What is a GEVER??? Office Strategy OXBA How we used SharePoint Geschäft Verwaltung Case Management Manage Dossiers Create and Manage Activities

Mehr

Beschwerdemanagement / Complaint Management

Beschwerdemanagement / Complaint Management Beschwerdemanagement / Complaint Management Structure: 1. Basics 2. Requirements for the implementation 3. Strategic possibilities 4. Direct Complaint Management processes 5. Indirect Complaint Management

Mehr

Skills Resource Planning

Skills Resource Planning Skills Resource Planning Data Assessment Solutions GmbH Jena, 1.6.2015 Was wir machen Software Consulting Operations Management Skills- und Ressourcen-Management Data Analytics Daten- und Prozessintegration

Mehr

Software development with continuous integration

Software development with continuous integration Software development with continuous integration (FESG/MPIfR) ettl@fs.wettzell.de (FESG) neidhardt@fs.wettzell.de 1 A critical view on scientific software Tendency to become complex and unstructured Highly

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Mechatronische Systeme Information Technology Master of Science (M.Sc.) Fachbereich Elektrotechnik und Informationstechnik

Mechatronische Systeme Information Technology Master of Science (M.Sc.) Fachbereich Elektrotechnik und Informationstechnik Mechatronische Systeme Information Technology Master of Science (M.Sc.) Fachbereich Elektrotechnik und Informationstechnik 1 Master FH LuH Februar 2007 Mechatronische Systeme Beginn WS 2006/2007 Konzept

Mehr

Die Renaissance von Unified Communication in der Cloud. Daniel Jonathan Valik UC, Cloud and Collaboration

Die Renaissance von Unified Communication in der Cloud. Daniel Jonathan Valik UC, Cloud and Collaboration Die Renaissance von Unified Communication in der Cloud Daniel Jonathan Valik UC, Cloud and Collaboration AGENDA Das Program der nächsten Minuten... 1 2 3 4 Was sind die derzeitigen Megatrends? Unified

Mehr

Model-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine

Model-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine Model-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine 5. Braunschweiger Symposium 20./21. Februar 2008 Dipl.-Ing. T. Mauk Dr. phil. nat. D. Kraft

Mehr

Klausur Verteilte Systeme

Klausur Verteilte Systeme Klausur Verteilte Systeme SS 2005 by Prof. Walter Kriha Klausur Verteilte Systeme: SS 2005 by Prof. Walter Kriha Note Bitte ausfüllen (Fill in please): Vorname: Nachname: Matrikelnummer: Studiengang: Table

Mehr

Ways and methods to secure customer satisfaction at the example of a building subcontractor

Ways and methods to secure customer satisfaction at the example of a building subcontractor Abstract The thesis on hand deals with customer satisfaction at the example of a building subcontractor. Due to the problems in the building branch, it is nowadays necessary to act customer oriented. Customer

Mehr

Students intentions to use wikis in higher education

Students intentions to use wikis in higher education Students intentions to use wikis in higher education Christian Kummer WI2013, 27.02.2013 Motivation Problem Web 2.0 changed the way that students search for, obtain, and share information Uncertainty about

Mehr

Product Lifecycle Manager

Product Lifecycle Manager Product Lifecycle Manager ATLAS9000 GmbH Landauer Str. - 1 D-68766 Hockenheim +49(0)6205 / 202730 Product Lifecycle Management ATLAS PLM is powerful, economical and based on standard technologies. Directory

Mehr

Gestaltung von Computersimulationen

Gestaltung von Computersimulationen Gestaltung von Computersimulationen Prof. Dr. Günter Daniel Rey Professur E-Learning und Neue Medien 7. Gestaltung von Computersimulationen 1 Überblick Computersimulationen Probleme beim Lernen mit Simulationen

Mehr

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center

Mehr

Understanding and Improving Collaboration in Distributed Software Development

Understanding and Improving Collaboration in Distributed Software Development Diss. ETH No. 22473 Understanding and Improving Collaboration in Distributed Software Development A thesis submitted to attain the degree of DOCTOR OF SCIENCES of ETH ZURICH (Dr. sc. ETH Zurich) presented

Mehr

Titelbild1 ANSYS. Customer Portal LogIn

Titelbild1 ANSYS. Customer Portal LogIn Titelbild1 ANSYS Customer Portal LogIn 1 Neuanmeldung Neuanmeldung: Bitte Not yet a member anklicken Adressen-Check Adressdaten eintragen Customer No. ist hier bereits erforderlich HERE - Button Hier nochmal

Mehr

Einführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10.

Einführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. Einführung in die Robotik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. 2012 Was ist ein Roboter? Was ist ein Roboter? Jeder hat

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe Sicherheit dank Durchblick Thomas Fleischmann Sales Engineer, Central Europe Threat Landscape Immer wieder neue Schlagzeilen Cybercrime ist profitabel Wachsende Branche 2013: 9 Zero Day Vulnerabilities

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

eurex rundschreiben 094/10

eurex rundschreiben 094/10 eurex rundschreiben 094/10 Datum: Frankfurt, 21. Mai 2010 Empfänger: Alle Handelsteilnehmer der Eurex Deutschland und Eurex Zürich sowie Vendoren Autorisiert von: Jürg Spillmann Weitere Informationen zur

Mehr

Distributed testing. Demo Video

Distributed testing. Demo Video distributed testing Das intunify Team An der Entwicklung der Testsystem-Software arbeiten wir als Team von Software-Spezialisten und Designern der soft2tec GmbH in Kooperation mit der Universität Osnabrück.

Mehr

Chair of Information Management Wissenschaftsdisskussion

Chair of Information Management Wissenschaftsdisskussion Chair of Information Management Wissenschaftsdisskussion 3. Wirtschaftsinformatik Doktorandenkolloquium Südost-Niedersachsen 2008 10. - 11. März 2008, St.Andreasberg Institute of Information Systems Chair

Mehr

Field Librarianship in den USA

Field Librarianship in den USA Field Librarianship in den USA Bestandsaufnahme und Zukunftsperspektiven Vorschau subject librarians field librarians in den USA embedded librarians das amerikanische Hochschulwesen Zukunftsperspektiven

Mehr

A Practical Approach for Reliable Pre-Project Effort Estimation

A Practical Approach for Reliable Pre-Project Effort Estimation A Practical Approach for Reliable Pre-Project Effort Estimation Carl Friedrich Kreß 1, Oliver Hummel 2, Mahmudul Huq 1 1 Cost Xpert AG, Augsburg, Germany {Carl.Friedrich.Kress,Mahmudul.Huq}@CostXpert.de

Mehr

A central repository for gridded data in the MeteoSwiss Data Warehouse

A central repository for gridded data in the MeteoSwiss Data Warehouse A central repository for gridded data in the MeteoSwiss Data Warehouse, Zürich M2: Data Rescue management, quality and homogenization September 16th, 2010 Data Coordination, MeteoSwiss 1 Agenda Short introduction

Mehr

Einführung in die Robotik Steuerungsarchitekturen. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.

Einführung in die Robotik Steuerungsarchitekturen. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm. Einführung in die Robotik Steuerungsarchitekturen Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 29. 01. 2013 Steuerungsarchitekturen - Deliberative

Mehr

Security Patterns. Benny Clauss. Sicherheit in der Softwareentwicklung WS 07/08

Security Patterns. Benny Clauss. Sicherheit in der Softwareentwicklung WS 07/08 Security Patterns Benny Clauss Sicherheit in der Softwareentwicklung WS 07/08 Gliederung Pattern Was ist das? Warum Security Pattern? Security Pattern Aufbau Security Pattern Alternative Beispiel Patternsysteme

Mehr

DIGICOMP OPEN TUESDAY AKTUELLE STANDARDS UND TRENDS IN DER AGILEN SOFTWARE ENTWICKLUNG. Michael Palotas 7. April 2015 1 GRIDFUSION

DIGICOMP OPEN TUESDAY AKTUELLE STANDARDS UND TRENDS IN DER AGILEN SOFTWARE ENTWICKLUNG. Michael Palotas 7. April 2015 1 GRIDFUSION DIGICOMP OPEN TUESDAY AKTUELLE STANDARDS UND TRENDS IN DER AGILEN SOFTWARE ENTWICKLUNG Michael Palotas 7. April 2015 1 GRIDFUSION IHR REFERENT Gridfusion Software Solutions Kontakt: Michael Palotas Gerbiweg

Mehr

Praktikum Entwicklung Mediensysteme (für Master)

Praktikum Entwicklung Mediensysteme (für Master) Praktikum Entwicklung Mediensysteme (für Master) Organisatorisches Today Schedule Organizational Stuff Introduction to Android Exercise 1 2 Schedule Phase 1 Individual Phase: Introduction to basics about

Mehr

The poetry of school.

The poetry of school. International Week 2015 The poetry of school. The pedagogy of transfers and transitions at the Lower Austrian University College of Teacher Education(PH NÖ) Andreas Bieringer In M. Bernard s class, school

Mehr

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes. Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance

Mehr

on Software Development Design

on Software Development Design Werner Mellis A Systematic on Software Development Design Folie 1 von 22 How to describe software development? dimensions of software development organizational division of labor coordination process formalization

Mehr

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt Organisatorisches Datenorientierte Systemanalyse Unit1: Intro and Basics Gerhard Wohlgenannt Inhalt: Datenorientierte Systemanalyse Umfang: 5 units XX.10.2013 XX.11.2013 09:00-13:30 Uhr Room XXX Infos,

Mehr

Prozesse als strategischer Treiber einer SOA - Ein Bericht aus der Praxis

Prozesse als strategischer Treiber einer SOA - Ein Bericht aus der Praxis E-Gov Fokus Geschäftsprozesse und SOA 31. August 2007 Prozesse als strategischer Treiber einer SOA - Ein Bericht aus der Praxis Der Vortrag zeigt anhand von Fallbeispielen auf, wie sich SOA durch die Kombination

Mehr

CMMI for Embedded Systems Development

CMMI for Embedded Systems Development CMMI for Embedded Systems Development O.Univ.-Prof. Dipl.-Ing. Dr. Wolfgang Pree Software Engineering Gruppe Leiter des Fachbereichs Informatik cs.uni-salzburg.at Inhalt Projekt-Kontext CMMI FIT-IT-Projekt

Mehr

MatchPoint. Wirtschaftlichkeit von SharePoint Plattformen optimieren

MatchPoint. Wirtschaftlichkeit von SharePoint Plattformen optimieren MatchPoint Wirtschaftlichkeit von SharePoint Plattformen optimieren MatchPoint at a Glance Build Solutions in Less Time Provide a Better User Experience Maintain Your Platform at Lower Cost 2 MatchPoint

Mehr

Employment and Salary Verification in the Internet (PA-PA-US)

Employment and Salary Verification in the Internet (PA-PA-US) Employment and Salary Verification in the Internet (PA-PA-US) HELP.PYUS Release 4.6C Employment and Salary Verification in the Internet (PA-PA-US SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten.

Mehr

Dynamische Programmiersprachen. David Schneider david.schneider@hhu.de STUPS - 25.12.02.50

Dynamische Programmiersprachen. David Schneider david.schneider@hhu.de STUPS - 25.12.02.50 Dynamische Programmiersprachen David Schneider david.schneider@hhu.de STUPS - 25.12.02.50 Organisatorisches Aufbau: Vorlesung 2 SWS Übung Kurzreferat Projekt Prüfung Übung wöchentliches Aufgabenblatt in

Mehr

(Prüfungs-)Aufgaben zum Thema Scheduling

(Prüfungs-)Aufgaben zum Thema Scheduling (Prüfungs-)Aufgaben zum Thema Scheduling 1) Geben Sie die beiden wichtigsten Kriterien bei der Wahl der Größe des Quantums beim Round-Robin-Scheduling an. 2) In welchen Situationen und von welchen (Betriebssystem-)Routinen

Mehr

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person?

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person? Reading tasks passend zu: Open World 1 Unit 4 (student s book) Through a telescope (p. 26/27): -Renia s exchange trip: richtig falsch unkar? richtig falsch unklar: Renia hat sprachliche Verständnisprobleme.

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Introduction to the diploma and master seminar in FSS 2010. Prof. Dr. Armin Heinzl. Sven Scheibmayr

Introduction to the diploma and master seminar in FSS 2010. Prof. Dr. Armin Heinzl. Sven Scheibmayr Contemporary Aspects in Information Systems Introduction to the diploma and master seminar in FSS 2010 Chair of Business Administration and Information Systems Prof. Dr. Armin Heinzl Sven Scheibmayr Objective

Mehr

Algorithms for graph visualization

Algorithms for graph visualization Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum

Mehr

Security Planning Basics

Security Planning Basics Einführung in die Wirtschaftsinformatik VO WS 2009/2010 Security Planning Basics Gerald.Quirchmayr@univie.ac.at Textbook used as basis for these slides and recommended as reading: Whitman, M. E. & Mattord,

Mehr

DIE SPEZIALISTEN FÜR ANSPRUCHSVOLLE KABELKONFEKTION UND BAUGRUPPEN SPECIALISTS IN SOPHISTICATED CABLE ASSEMBLIES AND MODULES

DIE SPEZIALISTEN FÜR ANSPRUCHSVOLLE KABELKONFEKTION UND BAUGRUPPEN SPECIALISTS IN SOPHISTICATED CABLE ASSEMBLIES AND MODULES DIE SPEZIALISTEN FÜR ANSPRUCHSVOLLE KABELKONFEKTION UND BAUGRUPPEN SPECIALISTS IN SOPHISTICATED CABLE ASSEMBLIES AND MODULES IMMER DAS RICHTIGE WERKZEUG Wer gute Arbeit leisten möchte, braucht immer die

Mehr

IoT Scopes and Criticisms

IoT Scopes and Criticisms IoT Scopes and Criticisms Rajkumar K Kulandaivelu S 1 What is IoT? Interconnection of multiple devices over internet medium 2 IoT Scope IoT brings lots of scope for development of applications that are

Mehr

Kongsberg Automotive GmbH Vehicle Industry supplier

Kongsberg Automotive GmbH Vehicle Industry supplier Kongsberg Automotive GmbH Vehicle Industry supplier Kongsberg Automotive has its HQ in Hallbergmoos, 40 locations worldwide and more than 10.000 employees. We provide world class products to the global

Mehr

Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content

Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content FuturistGerd.com Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content @gleonhard 1 2 4 8 16 32 Eine Welt der Screens. Immer-an. Immer billiger.

Mehr

Beschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem

Beschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem SFS Innovationsfachtagung Logistik 2015, Das Zelt Zürich Beschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem Dr. David Bosshart l 1102 GDI Mittwoch, 15. April 2015

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

Funktionale Sicherheit ISO 26262 Schwerpunkt Requirements Engineering,

Funktionale Sicherheit ISO 26262 Schwerpunkt Requirements Engineering, Funktionale Sicherheit ISO 26262 Schwerpunkt Requirements Engineering, Manfred Broy Lehrstuhl für Software & Systems Engineering Technische Universität München Institut für Informatik ISO 26262 Functional

Mehr

Modul Strategic Management (PGM-07)

Modul Strategic Management (PGM-07) Modul Strategic Management (PGM-07) Beschreibung u. Ziele des Moduls Dieses Modul stellt als eine der wesentlichen Formen wirtschaftlichen Denkens und Handelns den strategischen Ansatz vor. Es gibt einen

Mehr

IPEK. Institut für Produktentwicklung. Institut für Produktentwicklung Universität Karlsruhe (TH) Prof. A. Albers

IPEK. Institut für Produktentwicklung. Institut für Produktentwicklung Universität Karlsruhe (TH) Prof. A. Albers Bead Optimization with respect to acoustical behavior - o.prof.dr.-ing.dr.h.c.a.albers Institute of Product Development University of Karlsruhe (TH) 2007 Alle Rechte beim Karlsruhe. Jede Institute of Product

Mehr

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com)

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Inhalt Content Citrix-Anmeldung Login to Citrix Was bedeutet PIN und Token (bei Anmeldungen aus dem Internet)? What does PIN and Token

Mehr

Total Security Intelligence. Die nächste Generation von Log Management and SIEM. Markus Auer Sales Director Q1 Labs.

Total Security Intelligence. Die nächste Generation von Log Management and SIEM. Markus Auer Sales Director Q1 Labs. Total Security Intelligence Die nächste Generation von Log Management and SIEM Markus Auer Sales Director Q1 Labs IBM Deutschland 1 2012 IBM Corporation Gezielte Angriffe auf Unternehmen und Regierungen

Mehr

CHAMPIONS Communication and Dissemination

CHAMPIONS Communication and Dissemination CHAMPIONS Communication and Dissemination Europa Programm Center Im Freistaat Thüringen In Trägerschaft des TIAW e. V. 1 CENTRAL EUROPE PROGRAMME CENTRAL EUROPE PROGRAMME -ist als größtes Aufbauprogramm

Mehr

3. BvD Transfer Pricing Day BEPS und die Auswirkungen auf das operationale Verrechnungspreis-Management

3. BvD Transfer Pricing Day BEPS und die Auswirkungen auf das operationale Verrechnungspreis-Management 3. BvD Transfer Pricing Day BEPS und die Auswirkungen auf das operationale Verrechnungspreis-Management Agenda Einführung Operationales Verrechnungspreis- Management Was bedeutet BEPS für Unternehmen?

Mehr

Introducing PAThWay. Structured and methodical performance engineering. Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt

Introducing PAThWay. Structured and methodical performance engineering. Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt Introducing PAThWay Structured and methodical performance engineering Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt Technical University of Munich Overview Tuning Challenges

Mehr

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds 3rd JUQUEEN Porting and Tuning Workshop Jülich, 2-4 February 2015 Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds Tobias Schruff, Roy M. Frings,

Mehr

Waldwissen.net (Forest-knowledge.net)

Waldwissen.net (Forest-knowledge.net) Waldwissen.net (Forest-knowledge.net) Conference of Directors of State Forest Research Institutes, Vienna, July 5-6th 2004 project idea Establish an internet-based, scientifically sound, comprehensive

Mehr

Visual Analytics. Seminar. [Guo, 2006] [Wong, 2006] [Keim, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006]

Visual Analytics. Seminar. [Guo, 2006] [Wong, 2006] [Keim, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006] Seminar Visual Analytics [Guo, 2006] [Keim, 2006] [Wong, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006] Visual Analytics - Definitions Visual analytics is the science of analytical reasoning facilitated

Mehr

The Single Point Entry Computer for the Dry End

The Single Point Entry Computer for the Dry End The Single Point Entry Computer for the Dry End The master computer system was developed to optimize the production process of a corrugator. All entries are made at the master computer thus error sources

Mehr

Kurzinformation Brief information

Kurzinformation Brief information AGU Planungsgesellschaft mbh Sm@rtLib V4.1 Kurzinformation Brief information Beispielprojekt Example project Sm@rtLib V4.1 Inhaltsverzeichnis Contents 1 Einleitung / Introduction... 3 1.1 Download aus

Mehr

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc.

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc. Role Play I: Ms Minor Role Card Conversation between Ms Boss, CEO of BIGBOSS Inc. and Ms Minor, accountant at BIGBOSS Inc. Ms Boss: Guten Morgen, Frau Minor! Guten Morgen, Herr Boss! Frau Minor, bald steht

Mehr

SOA Service Oriented Architecture

SOA Service Oriented Architecture SOA Service Oriented Architecture (c) Till Hänisch 2006, BA Heidenheim [IBM] [WS] Wir haben: Prog ramm Proxy Proxy K2 K1 Plattformunabhängiger RPC Wir haben: Prog ramm Proxy Proxy K2 K1 Plattformunabhängiger

Mehr

Anforderungen, KEFs und Nutzen der Software- Prozessverbesserung

Anforderungen, KEFs und Nutzen der Software- Prozessverbesserung Process flow Remarks Role Documents, data, tool input, output Important: Involve as many PZU as possible PZO Start Use appropriate templates for the process documentation Define purpose and scope Define

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

ZK2000SF ACCESS CONTROL ZUTRITTSKONTROLLE

ZK2000SF ACCESS CONTROL ZUTRITTSKONTROLLE ZUTRITTSKONTROLLE ACCESS CONTROL SMPX.xx SMPX.xG ZK2000SF Kommunikation über ISDN oder TCP/IP Intelligenter ler Individuelle Rechteverwaltung Verwaltung von 150.000 Personen Communication via ISDN or TCP/IP

Mehr

XV1100K(C)/XV1100SK(C)

XV1100K(C)/XV1100SK(C) Lexware Financial Office Premium Handwerk XV1100K(C)/XV1100SK(C) All rights reserverd. Any reprinting or unauthorized use wihout the written permission of Lexware Financial Office Premium Handwerk Corporation,

Mehr

Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision

Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision Zielsetzung: System Verwendung von Cloud-Systemen für das Hosting von online Spielen (IaaS) Reservieren/Buchen von Resources

Mehr

Kybernetik Einführung

Kybernetik Einführung Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948

Mehr

«Zukunft Bildung Schweiz»

«Zukunft Bildung Schweiz» «Zukunft Bildung Schweiz» Von der Selektion zur Integration Welche Art von Schule wirkt sich positiv auf eine «gute» zukünftige Gesellschaft aus? Eine Schwedische Perspektive. Bern 16-17.06.2011 Referent:

Mehr

Cloud Computing ein Risiko beim Schutz der Privatsphäre??

Cloud Computing ein Risiko beim Schutz der Privatsphäre?? Cloud Computing ein Risiko beim Schutz der Privatsphäre?? Prof. Johann-Christoph Freytag, Ph.D. Datenbanken und Informationssysteme (DBIS) Humboldt-Universität zu Berlin Xinnovations 2012 Berlin, September

Mehr

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr