Fundierte Entscheidungen durch Wetterdaten

Größe: px
Ab Seite anzeigen:

Download "Fundierte Entscheidungen durch Wetterdaten"

Transkript

1 Gernot Fels, Global Marketing, Fujitsu Fundierte Entscheidungen durch Wetterdaten Showcase für die Analyse von Wetter- und Klimatrends FUJITSU

2 Prognosen für Wetter- und Klimatrends Wer benötigt zuverlässige und langfristige Aussagen zu Wetter- und Klimatrends? Erneuerbare Energieerzeugung (Solar, Wind) Betrieb von Kraftwerken Planer in Landwirtschaft (Überflutung, Schädlinge) Planung von Wintersportanlagen Gemeinden, Landkreise, Regierung Transport, Schifffahrt, Flugverkehr, Segeln Versicherungen Industrie, Handel, Dienste Historische Wetterdaten als Basis für Trendanalyse FUJITSU

3 Historische Wetterdaten für Trendanalyse European Centre for Medium-Range Weather Forecasts (ECMWF) Analyse der Wetterentwicklung Globale Wetterdaten seit 1979 Zeitliche Abfolge globaler Wetterkarten Nutzbar für Klimaforschung und lokale Trendanalysen Wettermodell ERA Interim ECMWF Re-Analysis; Interim (Höchste Auflösung) Modellauflösung Zeitintervall 6h Messzeiten: 0:00, 6:00, 12:00, 18:00 GMT Gitter in 0,25 (4 Gitterpunkte pro Grad) 128 meteorologische Indikatoren Zeitliche Abfolgen von Wetterkarten FUJITSU

4 Meteorologische Indikatoren 10 metre U wind component Large-scale snowfall Surface net thermal radiation Vertical integral of eastward cloud liquid water flux 10 metre V wind component Logarithm of surface roughness length for heat Surface net thermal radiation, clear sky Vertical integral of eastward geopotential flux 10 metre wind gust since previous post-processing Low cloud cover Surface pressure Vertical integral of eastward heat flux 2 metre dewpoint temperature Maximum temperature at 2 metres since previous post-processing Surface roughness Vertical integral of eastward kinetic energy flux 2 metre temperature Mean sea level pressure Surface sensible heat flux Vertical integral of eastward mass flux Albedo Mean wave direction Surface solar radiation downwards Vertical integral of eastward ozone flux Boundary layer dissipation Mean wave period Surface thermal radiation downwards Vertical integral of eastward total energy flux Boundary layer height Medium cloud cover Temperature of snow layer Vertical integral of eastward water vapour flux Charnock Minimum temperature at 2 metres since previous post-processing TOA incident solar radiation Vertical integral of energy conversion Clear sky surface photosynthetically active radiation Northward gravity wave surface stress Top net solar radiation Vertical integral of kinetic energy Convective available potential energy Northward turbulent surface stress Top net solar radiation, clear sky Vertical integral of mass of atmosphere Convective precipitation Photosynthetically active radiation at the surface Top net thermal radiation Vertical integral of mass tendency Convective snowfall Runoff Top net thermal radiation, clear sky Vertical integral of northward cloud frozen water flux Downward UV radiation at the surface Sea surface temperature Total cloud cover Vertical integral of northward cloud liquid water flux Eastward gravity wave surface stress Sea-ice cover Total column ice water Vertical integral of northward geopotential flux Eastward turbulent surface stress Significant height of combined wind waves and swell Total column liquid water Vertical integral of northward heat flux Evaporation Skin reservoir content Total column ozone Vertical integral of northward kinetic energy flux Forecast albedo Skin temperature Total column water Vertical integral of northward mass flux Forecast logarithm of surface roughness for heat Snow albedo Total column water vapour Vertical integral of northward ozone flux Forecast surface roughness Snow density Total precipitation Vertical integral of northward total energy flux Gravity wave dissipation Snow depth Vertical integral of cloud frozen water Vertical integral of northward water vapour flux High cloud cover Snow evaporation Vertical integral of cloud liquid water Vertical integral of ozone Ice temperature layer 1 Snowfall Vertical integral of divergence of cloud frozen water flux Vertical integral of potential+internal energy Ice temperature layer 2 Snowmelt Vertical integral of divergence of cloud liquid water flux Vertical integral of potential+internal+latent energy Ice temperature layer 3 Soil temperature level 1 Vertical integral of divergence of geopotential flux Vertical integral of temperature Ice temperature layer 4 Soil temperature level 2 Vertical integral of divergence of kinetic energy flux Vertical integral of thermal energy Instantaneous eastward turbulent surface stress Soil temperature level 3 Vertical integral of divergence of mass flux Vertical integral of total energy Instantaneous moisture flux Soil temperature level 4 Vertical integral of divergence of moisture flux Vertical integral of water vapour Instantaneous northward turbulent surface stress Sunshine duration Vertical integral of divergence of ozone flux Volumetric soil water layer 1 Instantaneous surface sensible heat flux Surface latent heat flux Vertical integral of divergence of thermal energy flux Volumetric soil water layer 2 Large-scale precipitation Surface net solar radiation Vertical integral of divergence of total energy flux Volumetric soil water layer 3 Large-scale precipitation fraction Surface net solar radiation, clear sky Vertical integral of eastward cloud frozen water flux Volumetric soil water layer FUJITSU

5 GRIB für historische und künftige Wetterdaten GRIdded Binary Komprimiertes Binärformat Von World Meteorological Organization (WMO) festgelegter Standard Zur Speicherung von Wetterdaten Basierend auf rechteckigem Gitter Geographische Koordinaten als Gitterpunkte FUJITSU

6 Herausforderungen und Ziele Herausforderungen Zeitreihen globaler Wetterkarten ermöglichen keine sofortige Einsicht bzgl. eines bestimmten Ortes Schwierige und langwierige Auswertung (bspw. zum Abschätzen von Windwahrscheinlichkeiten) Späte Entscheidungen Ziele Zeitreihen für bestimmten Ort abrufen Durchstich für relevante Gitterpunkte über relevanten Zeitraum hinweg Datentransformation erforderlich Über welche Dateimengen und Datenvolumina sprechen wir denn? FUJITSU

7 Dateimengen und Datenvolumen 1 GRIB Datei pro Messung 4 Dateien pro Tag Eingabedateien (zeitbezogen) über 35 Jahre 360 Längengrade 4 Gitterpunkte pro Längengrad 180 Breitengrade 4 Gitterpunkte pro Breitengrad 1 Gitterpunkt hinzufügen (Nord- und Südpol) 360 x 4 x (180 x 4 +1) = Gitterpunkte Ausgabedateien (ortsbezogen) 128 meteorologische Indikatoren, je 4 Bytes 25 TB historische Wetterdaten Welches Lösungskonzept hilft hier? FUJITSU

8 Client Verteilte Parallelverarbeitung Konzept Daten und I/O auf Rechnerknoten in Cluster verteilen Lokale Speicher in Serversystemen Verarbeitung zu Daten verlagern Shared nothing Architektur Datenreplikation auf mehrere Server Nutzen Hohe Leistung, schnelle Resultate Unbegrenzte Skalierbarkeit Fehlertoleranz Kosteneffizienz (Standard-Server mit OSS) Beispiele Master JobTracker NameNode Slaves TaskTracker DataNode TaskTracker DataNode TaskTracker DataNode DFS FUJITSU

9 wird den Anforderungen gerecht ECMWF-Daten als Eingabe ECMWF-Daten in HDFS laden MR zur Invertierung der Daten Von Zeitreihen weltweiter Wetterkarten In Gitterpunkt-basierte Zeitreihen von Wetterdaten Java Apps Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnisse visualisieren Inkrementeller Update mittels kurzer MR-Jobs Wetterhistorie importieren Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnis visualisieren Zeitreihen invertieren FUJITSU

10 Browser-Zugriff auf visualisierte Ergebnisse Zeit Windgeschwindigkeit Windhäufigkeit & Richtung Ort Temperatur Windgeschwindigkeit & Richtung Luftdruck Monatsauswahl Langfristige Betrachtung FUJITSU

11 Beispiel: Windpark-Planung Zeitraum: 14 Jahre ( ) 4 Snapshots pro Tag Eingabedateien (zeitbezogen) von ECMWF Datensätze Gitterpunkte = Ausgabedateien (ortsbezogen) FUJITSU

12 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel FUJITSU

13 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel MapReduce 30 min für Import in HDFS 141 min zur Verarbeitung HDFS-Dateien lesen Datentransformation In neue HDFS-Dateien schreiben ~120 x schneller als Script-Ansatz 8 Slave Nodes (2-socket, 6C/12T) Server nicht vollständig genutzt Verbesserungspotenzial durch Eliminieren anderer Last Geschwindigkeitsvorteil durch Parallelisierung FUJITSU

14 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel MapReduce 30 min für Import in HDFS 141 min zur Verarbeitung HDFS-Dateien lesen Datentransformation In neue HDFS-Dateien schreiben ~120 x schneller als Script-Ansatz 8 Slave Nodes (2-socket, 6C/12T) Server nicht vollständig genutzt Verbesserungspotenzial durch Eliminieren anderer Last Weitere Möglichkeiten zur Beschleunigung? FUJITSU

15 In-Memory Plattform als Option Für einzelne Benutzer ist Hadoop-Plattform ausreichend Abruf und Visualisierung im Sekundenbereich Antwortzeiten werden länger Mehr Benutzer, mehr Abfragen Komplexe Abfragen, bspw. welche Orte in Region kommen am ehesten für bestimmte Pläne in Frage Lösung: IMDG Abruf und Visualisierung beschleunigen Vordefinierte Abfragen speicherresident Schnelle Datentransformation Wetterhistorie importieren Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnis visualisieren Zeitreihen invertieren In-Memory Plattform wird mit jedem Komplexitätsgrad fertig FUJITSU

16 Datentransformation Nur 1x oder öfter? Abhängig vom Einsatzfall kein einmaliger Vorgang Erneute Invertierung der Wetterkarten bei neuen Fragestellungen Ableitung aus meteorologischen Indikatoren in globalen Wetterkarten Beispiel: Max. Windgeschwindigkeit Spitzengeschwindigkeiten einer durchziehenden Wetterfront treten nur kurz an einer Stelle auf Fallen oft durch 6 h Raster Ermittlung der Front auf Wetterkarte zeitlich davor und dahinter In-Memory Plattform Enormer Zeitgewinn bei wiederholter Datentransformation FUJITSU

17 Sprechen wir hier von einem Big Data-Projekt? Volume Variety Versatility Velocity Value 1 Datenquelle Strukturierte Daten Datenerzeugung nicht in hoher Frequenz Analyse nicht immer zeitkritisch 25 TB x 2 ein beachtliches Volumen Konventionelle Konzepte helfen nicht Big Data-Technologien lösen Kundenproblem Erschwinglich Skalierbar mit Datenwachstum Gewünschte Bearbeitungszeit einstellbar In der Tat kein alltägliches Big Data-Projekt, aber ein sehr interessantes FUJITSU

18 Data in motion Data at rest Wie passt das in unsere Big Data Infrastruktur? Data Sources Analytics Platform Access IMDB DB / DW Distributed Parallel Processing IMDB NoSQL Apps Services Queries. IMDG Un- / Semi-/ Polystructured data CEP IMDG DB / DW IMDG Visualization Reporting Notification Various data Consolidated data Distilled essence Applied knowledge Extract, Collect Clean, Transform Analyze, Visualize Decide, Act FUJITSU

19 Data in motion Data at rest Wie passt das in unsere Big Data Infrastruktur? Data Sources Analytics Platform Access IMDB IMDB Apps Services Queries. DB / DW NoSQL IMDG Un- / Semi-/ Polystructured data CEP IMDG DB / DW Visualization Reporting Notification Various data Consolidated data Distilled essence Applied knowledge Extract, Collect Clean, Transform Analyze, Visualize Decide, Act FUJITSU

20 Wie kann helfen? Komplette Analyse-Plattform Infrastruktur und Services Beratung, Design, Einführung, Betrieb, Wartung Applikationen zu Transformation, Analyse und Visualisierung Integrierte Systeme für schnellen Einsatz Lokations-basierte Zeitreihen als Web-Service in Cloud Expertise in Wettervorhersagen Alles aus einer Hand: Einfach, schnell und ohne Risiko FUJITSU

21 Zusammenfassung Big Data einer der Megatrends von heute Vielversprechender Kundennutzen Spannende Einsatzfälle in allen Branchen Wissen über künftiges Wetter und Klima wertvoll für viele Zielgruppen Historische Daten verfügbar Transformation erforderlich zwecks gewünschter Einsicht und Trenderkennung Durchgängige Lösungen von Fujitsu Integrierte Systeme für schnellen Einsatz Ergänzende Dienstleistungen Möchten Sie in die Zukunft schauen? Dann sprechen Sie einfach mit Fujitsu FUJITSU

22 FUJITSU

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Einführung in Hadoop

Einführung in Hadoop Einführung in Hadoop Inhalt / Lern-Ziele Übersicht: Basis-Architektur von Hadoop Einführung in HDFS Einführung in MapReduce Ausblick: Hadoop Ökosystem Optimierungen Versionen 10.02.2012 Prof. Dr. Christian

Mehr

Simulation von kleinräumigen Windfeldern in alpinem Gelände

Simulation von kleinräumigen Windfeldern in alpinem Gelände imulation von kleinräumigen Windfeldern in alpinem Gelände Inhalt Einleitung CFD imulation lokaler Windfelder Modellgleichungen Problem der offenen Randbedingungen Turbulenzmodell Datenquellen für imulation

Mehr

Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow

Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow T. Fetzer Institut für Wasser- und Umweltsystemmodellierung Universität Stuttgart January

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering

Mehr

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Brownbag am Freitag, den 26.07.2013 Daniel Bäurer inovex GmbH Systems Engineer Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und

Mehr

Oracle Big Data Technologien Ein Überblick

Oracle Big Data Technologien Ein Überblick Oracle Big Data Technologien Ein Überblick Ralf Lange Global ISV & OEM Sales NoSQL: Eine kurze Geschichte Internet-Boom: Erste Ansätze selbstgebauter "Datenbanken" Google stellt "MapReduce"

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Hadoop-as-a-Service (HDaaS)

Hadoop-as-a-Service (HDaaS) Hadoop-as-a-Service (HDaaS) Flexible und skalierbare Referenzarchitektur Arnold Müller freier IT Mitarbeiter und Geschäftsführer Lena Frank Systems Engineer @ EMC Marius Lohr Systems Engineer @ EMC Fallbeispiel:

Mehr

GPU-basierte Beschleunigung von MapReduce am Beispiel von OpenCL und Hadoop

GPU-basierte Beschleunigung von MapReduce am Beispiel von OpenCL und Hadoop am Beispiel von OpenCL und Masterseminar Hochschule für Technik, Wirtschaft und Kultur Leipzig Leipzig, 02.11.2011 Gliederung 1 Grundlagen 2 3 Gliederung 1 Grundlagen 2 3 Was ist? Clustersystem zur verteilten

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

SaaS-Referenzarchitektur. iico-2013-berlin

SaaS-Referenzarchitektur. iico-2013-berlin SaaS-Referenzarchitektur iico-2013-berlin Referent Ertan Özdil Founder / CEO / Shareholder weclapp die Anforderungen 1.000.000 registrierte User 3.000 gleichzeitig aktive user Höchste Performance Hohe

Mehr

Wonderware 2014. InTouch 11.0 Wonderware InTouch 2014

Wonderware 2014. InTouch 11.0 Wonderware InTouch 2014 März 2014 2014 Invensys. All Rights Reserved. The names, logos, and taglines identifying the products and services of Invensys are proprietary marks of Invensys or its subsidiaries. All third party trademarks

Mehr

Mobile Backend in der

Mobile Backend in der Mobile Backend in der Cloud Azure Mobile Services / Websites / Active Directory / Kontext Auth Back-Office Mobile Users Push Data Website DevOps Social Networks Logic Others TFS online Windows Azure Mobile

Mehr

Spark, Impala und Hadoop in der Kreditrisikoberechnung

Spark, Impala und Hadoop in der Kreditrisikoberechnung Spark, Impala und Hadoop in der Kreditrisikoberechnung Big Data In-Memory-Technologien für mittelgroße Datenmengen TDWI München, 22. Juni 2015 Joschka Kupilas, Data Scientist, Adastra GmbH 2 Inhalt Vorwort

Mehr

MapReduce in der Praxis

MapReduce in der Praxis MapReduce in der Praxis Rolf Daniel Seminar Multicore Programmierung 09.12.2010 1 / 53 Agenda Einleitung 1 Einleitung 2 3 Disco Hadoop BOOM 4 2 / 53 1 Einleitung 2 3 Disco Hadoop BOOM 4 3 / 53 Motivation

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Hadoop. Simon Prewo. Simon Prewo

Hadoop. Simon Prewo. Simon Prewo Hadoop Simon Prewo Simon Prewo 1 Warum Hadoop? SQL: DB2, Oracle Hadoop? Innerhalb der letzten zwei Jahre hat sich die Datenmenge ca. verzehnfacht Die Klassiker wie DB2, Oracle usw. sind anders konzeptioniert

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Wir befinden uns inmitten einer Zeit des Wandels.

Wir befinden uns inmitten einer Zeit des Wandels. Wir befinden uns inmitten einer Zeit des Wandels. Geräte Apps Ein Wandel, der von mehreren Trends getrieben wird Big Data Cloud Geräte Mitarbeiter in die Lage versetzen, von überall zu arbeiten Apps Modernisieren

Mehr

Big Data. Hype oder Chance? Sebastian Kraubs

Big Data. Hype oder Chance? Sebastian Kraubs Big Data Hype oder Chance? Sebastian Kraubs Heute reden alle über Big Data Quellen: http://blogs.sybase.com/sybaseiq/2011/09/big-data-big-opportunity/ und McKinsey Studie 2011 Anwendungen Daten Technologien

Mehr

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH BROCKMANN CONSULT Gegr. 1999, Geesthacht bei Hamburg 28 Mitarbeiter davon

Mehr

e2watch Energiekosten und Umwelt: Alles im grünen Bereich.

e2watch Energiekosten und Umwelt: Alles im grünen Bereich. e2watch Energiekosten und Umwelt: Alles im grünen Bereich. Hintergründe - Stadt Aachen Motivation und Anforderung Die Energiekosten der kommunalen Liegenschaften der Stadt Aachen liegen bei ca. 11 Mio

Mehr

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory /

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory / Mobile Backend in Cloud Azure Mobile Services / Websites / Active Directory / Einführung Wachstum / Marktanalyse Quelle: Gartner 2012 2500 Mobile Internet Benutzer Desktop Internet Benutzer Internet Benutzer

Mehr

Big Data - Chancen für die Energiewirtschaft

Big Data - Chancen für die Energiewirtschaft Big Data - Chancen für die Energiewirtschaft Dr. Roger Knorr - Leader Business Development Big Data (Email: Roger.Knorr@de.ibm.com, Mobil: 0160 885 1584) Agenda Big Data und die Energiewende Big Data -

Mehr

Dateisysteme und Datenverwaltung in der Cloud

Dateisysteme und Datenverwaltung in der Cloud Dateisysteme und Datenverwaltung in der Cloud Sebastian Fischer Master-Seminar Cloud Computing - WS 2013/14 Institut für Telematik, Universität zu Lübeck Dateisysteme und Datenverwaltung in der Cloud 1

Mehr

SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2)

SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2) SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2) Karl Verfondern Research Center Jülich, Germany 2 nd European Summer School on Hydrogen Safety Belfast, July 30 August 8, 2007 Types of Cryogen Release

Mehr

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2.

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2. Cloud Computing Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013 1. Definition

Mehr

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Big Data Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Agenda Was ist Big Data? Parallele Programmierung Map/Reduce Der Big Data Zoo 2 3Vs oder: Was ist Big Data? Deutsche Telekom:

Mehr

Das SCAPE Projekt: Langzeitarchivierung und Skalierbarkeit Teil 1: Überblick über das SCAPE Projekt

Das SCAPE Projekt: Langzeitarchivierung und Skalierbarkeit Teil 1: Überblick über das SCAPE Projekt Das SCAPE Projekt: Langzeitarchivierung und Skalierbarkeit Teil 1: Überblick über das SCAPE Projekt Dr. Sven Schlarb Österreichische Nationalbibliothek SCAPE ½ Informationstag 05. Mai 2014, Österreichische

Mehr

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität

Mehr

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server als multidimensionale Rasterdatendrehscheibe bei MeteoSchweiz Estelle Grüter, Meteoschweiz. Estelle.Grueter@meteoswiss.ch

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 Hadoop & MapReduce. Dr. Kathrin Spreyer Big Data Engineer

Einführung in Hadoop & MapReduce. Dr. Kathrin Spreyer Big Data Engineer Einführung in Hadoop & MapReduce Dr. Kathrin Spreyer Big Data Engineer München, 19.06.2013 Agenda Einleitung 1. HDFS 2. MapReduce 3. APIs 4. Hive & Pig 5. Mahout Tools aus Hadoop-Ökosystem 6. HBase 2 Worum

Mehr

BigTable. 11.12.2012 Else

BigTable. 11.12.2012 Else BigTable 11.12.2012 Else Einführung Distributed Storage System im Einsatz bei Google (2006) speichert strukturierte Daten petabyte-scale, > 1000 Nodes nicht relational, NoSQL setzt auf GFS auf 11.12.2012

Mehr

Complex Hosting. Whitepaper. Autor.: Monika Olschewski. Version: 1.0 Erstellt am: 14.07.2010. ADACOR Hosting GmbH

Complex Hosting. Whitepaper. Autor.: Monika Olschewski. Version: 1.0 Erstellt am: 14.07.2010. ADACOR Hosting GmbH Complex Hosting Autor.: Monika Olschewski Whitepaper Version: 1.0 Erstellt am: 14.07.2010 ADACOR Hosting GmbH Kaiserleistrasse 51 63067 Offenbach am Main info@adacor.com www.adacor.com Complex Hosting

Mehr

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze Grid Analytics Informationsanforderungen und plattformen für Ihre Netze GAT / WAT IT Forum 2014 September 2014 Fichtner-Gruppe Gegründet 1922 und seither in Familienbesitz Deutschlands größtes unabhängiges

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Convection Initiation over Complex Terrain: Lessons Learned from TRACT, VERTIKATOR, PRINCE, COPS and CSIP

Convection Initiation over Complex Terrain: Lessons Learned from TRACT, VERTIKATOR, PRINCE, COPS and CSIP CSIP - COPS Workshop, Madingley Hall, Cambridge, UK 26-28 October 2009 Convection Initiation over Complex Terrain: Lessons Learned from TRACT, VERTIKATOR, PRINCE, COPS and CSIP compiled by Ulrich Corsmeier

Mehr

Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie

Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie Michael Monsberger AIT Austrian Institute of Technology Themenüberblick (2 Panels) Geothermie Oberflächennahe

Mehr

Mehr Mobilität. Digitale Generation. Vielzahl an Geräten. Schnelllebigkeit. Arbeit und Freizeit verschwimmen. Daten Explosion

Mehr Mobilität. Digitale Generation. Vielzahl an Geräten. Schnelllebigkeit. Arbeit und Freizeit verschwimmen. Daten Explosion Arbeit und Freizeit verschwimmen Mehr Mobilität Digitale Generation Vielzahl an Geräten Daten Explosion Wandel in der IT Schnelllebigkeit Überblick App Services Computing Daten-Dienste Netzwerk Automatisiert

Mehr

Seite - 2 / AirMail/ViewFax how2do (Deutsch) Copyright Wyklicky Udo 2009 / Phone +49 160 9187 4510 / skipper.udo@gmx.net

Seite - 2 / AirMail/ViewFax how2do (Deutsch) Copyright Wyklicky Udo 2009 / Phone +49 160 9187 4510 / skipper.udo@gmx.net Anleitung in Deutscher Sprache AirMail / ViewFax ist ein kostenloser Grib-Betrachter und eine komfortable Software zum Download von Wetterfax. Der Wetterabruf kann direkt aus dem Programm heraus durchgeführt

Mehr

Oracle Big Data Technologien Ein Überblick

Oracle Big Data Technologien Ein Überblick Oracle Big Data Technologien Ein Überblick Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden Neue Beziehungen finden...

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN

whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN CLOUD-ENTWICKLUNG: BESTE METHODEN 1 Cloud-basierte Lösungen sind auf dem IT-Markt immer weiter verbreitet und werden von immer mehr

Mehr

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" HANS-JOACHIM EDERT

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN? HANS-JOACHIM EDERT WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. HANS-JOACHIM EDERT EBINAR@LUNCHTIME

Mehr

Managed Cloud Services

Managed Cloud Services Managed Cloud Services Autor.: Monika Olschewski Whitepaper Version: 1.0 Erstellt am: 14.07.2010 ADACOR Hosting GmbH Kaiserleistrasse 51 63067 Offenbach am Main info@adacor.com www.adacor.com Cloud Services

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

Mehr

IT-Symposium 2005. Oracle Grid Control. Grenzenloses Monitoring. Page 1. www.decus.de 1

IT-Symposium 2005. Oracle Grid Control. Grenzenloses Monitoring. Page 1. www.decus.de 1 Oracle Grid Control Grenzenloses Monitoring Page 1 www.decus.de 1 Ralf Durben Business Unit Datenbank ORACLE Deutschland GmbH Grid Control - Architektur HTTP/S HTTP/S HTML Konsole Überall nutzbar NET HTTP/S

Mehr

Big Data 10.000 ft. 20. Februar 2014 IHK Darmstadt DR. ROBERTO RAO, AXXESSIO GMBH

Big Data 10.000 ft. 20. Februar 2014 IHK Darmstadt DR. ROBERTO RAO, AXXESSIO GMBH Big Data 10.000 ft 20. Februar 2014 IHK Darmstadt DR. ROBERTO RAO, AXXESSIO GMBH Inhalte Big Data Was ist das? Anwendungsfälle für Big Data Big Data Architektur Big Data Anbieter Was passiert in Zukunft

Mehr

BIG DATA HYPE ODER CHANCE

BIG DATA HYPE ODER CHANCE BIG DATA HYPE ODER CHANCE 1 Fuchs Dominik 16.05.2014 Fahrplan 2 Begriff Big Data Die 3 V s Fallbeispiel Google Was? Wie? Womit? Fazit & Ausblick in die Zukunft Der Begriff Big Data 3 Datenmengen, die zu

Mehr

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen DATA WAREHOUSE Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen Alfred Schlaucher, Detlef Schroeder DATA WAREHOUSE Themen Big Data Buzz Word oder eine neue Dimension

Mehr

Big Data im Bereich Information Security

Big Data im Bereich Information Security Der IT-Sicherheitsverband. TeleTrusT-interner Workshop Bochum, 27./28.06.2013 Big Data im Bereich Information Security Axel Daum RSA The Security Division of EMC Agenda Ausgangslage Die Angreifer kommen

Mehr

Pavlo Baron. Big Data. für IT-Entscheider. Riesige Datenmengen. und moderne Technologien. gewinnbringend nutzen HANSER

Pavlo Baron. Big Data. für IT-Entscheider. Riesige Datenmengen. und moderne Technologien. gewinnbringend nutzen HANSER Pavlo Baron Big Data für IT-Entscheider Riesige Datenmengen und moderne Technologien gewinnbringend nutzen HANSER Inhalt Vorwort XI 1 Management Summary 1 2 Was? 7 2.1 Mein klassisches Business ist konkurrenzlos,

Mehr

Eine Datendrehscheibe für Raster-Massendaten

Eine Datendrehscheibe für Raster-Massendaten Eine Datendrehscheibe für Raster-Massendaten Markus von Brevern toposoft GmbH Kandelfeldstraße 82 52074 Aachen mvb@toposoft.de Abstract: Vorgestellt wird eine vollautomatische Datendrehscheibe für Raster-

Mehr

Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim

Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim Tobias Neef Cloud-Computing Seminar Hochschule Mannheim WS0910 1/23 Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim Tobias Neef Fakultät für Informatik Hochschule Mannheim tobnee@gmail.com

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz For the factories of the 21 st century Building Technologies / Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz siemens.com/dcim Datencenter die Fabriken

Mehr

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer Big in Azure Ein Beispiel mit HD Insight Ralf Stemmer Agenda owas ist Big? Was ist HD Insight? owelche Probleme kann man damit lösen? odemo Was ist Big? Was ist HD Insight? Datenexplosion - Rasanter Zuwachs

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Storage-Trends am LRZ. Dr. Christoph Biardzki

Storage-Trends am LRZ. Dr. Christoph Biardzki Storage-Trends am LRZ Dr. Christoph Biardzki 1 Über das Leibniz-Rechenzentrum (LRZ) Seit 50 Jahren Rechenzentrum der Bayerischen Akademie der Wissenschaften IT-Dienstleister für Münchner Universitäten

Mehr

Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud

Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud Die Cloud, die alles anders macht. Die 6 Grundzüge der Swisscom Cloud Viele Clouds, viele Trends, viele Technologien Kommunikation Private Apps Prozesse Austausch Speicher Big Data Business Virtual Datacenter

Mehr

Sammeln, sortieren, sichern Klimadaten für unsere Zukunft. Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten

Sammeln, sortieren, sichern Klimadaten für unsere Zukunft. Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten Sammeln, sortieren, sichern Klimadaten für unsere Zukunft Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten Wir sammeln Wetterdaten für bessere Voraussagen und genauere

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center PROFI UND NUTANIX Portfolioerweiterung im Software Defined Data Center IDC geht davon aus, dass Software-basierter Speicher letztendlich eine wichtige Rolle in jedem Data Center spielen wird entweder als

Mehr

Lehrgebiet Informationssysteme

Lehrgebiet Informationssysteme Lehrgebiet AG Datenbanken und (Prof. Michel, Prof. Härder) AG Heterogene (Prof. Deßloch) http://wwwlgis.informatik.uni-kl.de/ Was sind? Computergestützte Programmsysteme, die Informationen erfassen, dauerhaft

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Neue Ansätze der Softwarequalitätssicherung

Neue Ansätze der Softwarequalitätssicherung Neue Ansätze der Softwarequalitätssicherung Googles MapReduce-Framework für verteilte Berechnungen am Beispiel von Apache Hadoop Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik

Mehr

Mobility im Unternehmenseinsatz. Timo Deiner, Senior Presales Expert Mobility, SAP Deutschland Communication World 2012, 10.

Mobility im Unternehmenseinsatz. Timo Deiner, Senior Presales Expert Mobility, SAP Deutschland Communication World 2012, 10. Mobility im Unternehmenseinsatz Timo Deiner, Senior Presales Expert Mobility, SAP Deutschland Communication World 2012, 10.Oktober 2012 Woran denken Sie, wenn Sie mobile Apps hören? Persönliche productivity

Mehr

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache. Apache Hadoop Distribute your data and your application Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache The Apache Software Foundation Community und

Mehr

Ceph. Distributed Storage Julian mino Klinck GPN15-05.06.2015

Ceph. Distributed Storage Julian mino Klinck GPN15-05.06.2015 Distributed Storage Julian mino Klinck GPN15-05.06.2015 Julian mino! Interessen: Netzwerke # Karlsruhe Hardware $ gpn15@lab10.de Cocktails " twitter.com/julianklinck Hacking Musik- und Lichttechnik 2 Julian

Mehr

ITSM (BOX & CONSULTING) Christian Hager, MSc

ITSM (BOX & CONSULTING) Christian Hager, MSc ITSM (BOX & CONSULTING) Christian Hager, MSc INHALT Ausgangssituation ITSM Consulting ITSM Box Zentrales Anforderungsmanagement Beispielhafter Zeitplan Nutzen von ITSM Projekten mit R-IT Zusammenfassung

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

Open Source als de-facto Standard bei Swisscom Cloud Services

Open Source als de-facto Standard bei Swisscom Cloud Services Open Source als de-facto Standard bei Swisscom Cloud Services Dr. Marcus Brunner Head of Standardization Strategy and Innovation Swisscom marcus.brunner@swisscom.com Viele Clouds, viele Trends, viele Technologien

Mehr

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing

Eine kurze Einführung in die Technologiegrundlage. Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Eine kurze Einführung in die Technologiegrundlage www.finish-project.eu Future Internet Technologies and Funding for Agri-Food, Logistics, Transport and Manufacturing Was ist FIWARE? Future Internet Ware

Mehr

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Big Data & High-Performance Analytics: Anwendungsszenarien

Big Data & High-Performance Analytics: Anwendungsszenarien Big Data & High-Performance Analytics: Anwendungsszenarien Dr. Thomas Keil, Program Manager Business Analytics Frankfurt 26.4.2012 McKinsey-Studie zeigt Big Value Quelle: McKinsey Global Institute, May

Mehr

Seminarvortrag. Cloud Computing. Christophe Sokol 26.01.2012

Seminarvortrag. Cloud Computing. Christophe Sokol <sokol@inf.fu-berlin.de> 26.01.2012 Seminarvortrag Cloud Computing Christophe Sokol 26.01.2012 Ablauf des Vortrags Hintergrund: Der Plat_Forms-Wettbewerb Was ist Cloud Computing? Aufgaben lösen in der Cloud 3 / 23

Mehr

on Azure mit HDInsight & Script Ac2ons

on Azure mit HDInsight & Script Ac2ons Willkommen beim #GAB 2015! on Azure mit HDInsight & Script Ac2ons Lokale Sponsoren: HansPeter Grahsl Netconomy Entwickler & Berater FH CAMPUS 02 Twi9er: @hpgrahsl Überblick Inhalte Was ist HDInsight? Wozu

Mehr

Solar Air Conditioning -

Solar Air Conditioning - Bavarian Center of Applied Energy Research Solar Air Conditioning - Research and Development Activities at the ZAE Bayern Astrid Hublitz ZAE Bayern, Munich, Germany Division: Technology for Energy Systems

Mehr

Komponenten des Big Data Lab Konzepte und Technologien zum Bearbeiten von Big Data Use Cases

Komponenten des Big Data Lab Konzepte und Technologien zum Bearbeiten von Big Data Use Cases Komponenten des Big Data Lab Konzepte und Technologien zum Bearbeiten von Big Data Use Cases Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. Fachbereich: Die richtigen Fragen SAS BIG DATA

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Was ist Windows Azure? (Stand Juni 2012)

Was ist Windows Azure? (Stand Juni 2012) Was ist Windows Azure? (Stand Juni 2012) Windows Azure Microsofts Cloud Plattform zu Erstellung, Betrieb und Skalierung eigener Cloud-basierter Anwendungen Cloud Services Laufzeitumgebung, Speicher, Datenbank,

Mehr

Netzwerk Technologien in LabVIEW

Netzwerk Technologien in LabVIEW Netzwerk Technologien in LabVIEW von Dirk Wieprecht NI Germany Hier sind wir: Agenda Agenda Bedeutung des Ethernet für die Messtechnik Ethernet-basierende Technologien in LabVIEW Low Level- TCP/IP Objekt

Mehr

Big Data für die Internet Sicherheit

Big Data für die Internet Sicherheit Big Data für die Internet Sicherheit Ralph Kemperdick Hans Wieser Microsoft 1 Mobile-first Data-driven Cloud-first 2 2 3 Messenger Wi nd ow s Liv e 4 5 Anwendung: Das Microsoft Cybercrime Center 6 Betrug

Mehr

Big Data in Marketing und IT

Big Data in Marketing und IT Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University Big Data

Mehr

fjjla Wärmeübertragung im Naturumlaufverdampfer beim Sieden von binären Gemischen ZÜRICH geboren am 7. September 1951

fjjla Wärmeübertragung im Naturumlaufverdampfer beim Sieden von binären Gemischen ZÜRICH geboren am 7. September 1951 fjjla Diss. ETH Nr. 8504 Wärmeübertragung im Naturumlaufverdampfer beim Sieden von binären Gemischen ABHANDLUNG zur Erlangung des Titels eines Doktors der technischen Wissenschaften der EIDGENÖSSISCHEN

Mehr

SOA im Zeitalter von Industrie 4.0

SOA im Zeitalter von Industrie 4.0 Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING

Mehr

Smart Cities wie Informationen das städtische Leben nachhaltig verbessern können

Smart Cities wie Informationen das städtische Leben nachhaltig verbessern können Smart Cities wie Informationen das städtische Leben nachhaltig verbessern können Gavin Dupré Big Data Business Development Manager ORACLE Deutschland B.V. & Co. KG Dataport Hausmesse, 28.04.2015 Was macht

Mehr