(K)ein Platz für Experimente? Open Innovation / Open Access, 30. April, 2015

Transkript

1 (K)ein Platz für Experimente? Open Innovation / Open Access, 30. April, 2015 Prof. Dr. Stefanie Lindstaedt Know-Center GmbH

2 Erkenntnisgewinn durch Experimente 2

3 Design TU Graz 3

4 Learning Factory and TU Graz 4

5 Product Innovation TU Graz 5

6 Big Data Know-Center 6

7 Stärken verbinden 7

8 COMET Kompetenzzentren: Know-Center 8

9 Data-driven Business Geschäftsvorgänge, die auf der automatisierten Gewinnung, Interpretation und Verwertung großer Informations- und Datenmengen (Big Data) beruhen. Vier zentrale Schritte (1) Geeignete Daten/IT Infrastruktur (2) Demokratisiere Data innerhalb des Unternehmens (3) Ermögliche das Experimentieren mit Daten (4) Unterstütze eine Daten-getrieben Kultur 8

10 (5)Experimentiere mit Geschäftsmodellen in Business & Science 10

11 Open Science Data Value Chain? 11

12 Erkenntnisgewinn durch Experimente mit Daten 12

13 SAVE THE DATE: i-know Conference Special Track on Science 2.0 October 21-23, 2015, Graz, Austria Know-Center GmbH

14 Big Data Data unprecedented in its scale and scope in relation to a given phenomenon which allows for the generation of new knowledge. [Oxford Internet Institute, 2014] Erhöhter Erkenntnisgewinn 5

15 Big Data und Data-Driven Business enables Technology (BIG) DATA Data- Driven Business drives 15

16 Data-driven Science Forschungsprozesse, die auf der automatisierten Gewinnung, Interpretation und Verwertung großer Informations- und Datenmengen (Big Data) beruhen. Vier zentrale Schritte (1) Geeignete Daten/IT Infrastruktur (2) Demokratisiere Data über Communities hinweg (3) Ermögliche das Experimentieren mit Daten (4) Unterstütze eine Daten-getrieben Kultur 8

17 Publikationen als Big Data [Price, 1963]

18 ERMÖGLICHE DAS EXPERIMENTIEREN MIT DATEN Know-Center GmbH Research Center for Data-Driven Business and Big Data Analytics 18

19 Overview of a Research Domain based on Usage Data [Kraker, 2013]

20 Extract Facts from Research Papers Link research papers and the facts therein to LOD Extract information from PDFs Tables, figures, structure, references, named entities Integration of LOD concepts into papers 20

21 Make Facts available for Visual Analysis Query Wizard and Vis Wizard: designed for IT-laymen 21

22 UNTERSTÜTZE EINE DATEN-GETRIEBENE KULTUR Know-Center GmbH Research Center for Data-Driven Business and Big Data Analytics 22

23 42-Data 23

24 42-Data Create Data Centric Questions 24

25 42-Data Answering with Data and Insights 25

26 Open Science Data Value Chain?

27

28 Research Processes (in TEL) [Kraker & Lindstaedt, 2011]

29 Know-Center GmbH Das Zentrum 29

30 Unser Angebot Austria s hub for (Big) Data Analytics, Management and Research Data-driven Business for Austrian Industry Big Data Laboratory for Austrian Science and Industry Qualification Program for Data Analysts and Scientists Software and Services for Data Science and Open Science 3

31 Data-driven Business as a Cognitive Computing Challenge Knowledge Discovery Social Computing ANALYTICS FOCUS HUMAN FOCUS Knowledge Visualization Ubiquitous Personal Computing Cognitive Computing Systems interact naturally with humans, learn from their experiences, generate and evaluate evidence-based hypotheses 31

32 Reflektieren Sie für Ihr Unternehmen! Welche Daten werden wo generiert? (intern/extern) Was passiert mit den Daten? Wer verwendet die Daten? Was sind Probleme und Hindernisse? Welchen Wert haben die Daten? Erfolgsgeschichten? 32

33 Big Data & Data-Driven Business BEISPIELE Know-Center GmbH Research Center for Data-Driven Business and Big Data Analytics 33

34 Sensor Stream Analyse In einer Studie sowie in einem Prototyp wurden gängige Daten und Datenanalyse Werkzeuge hinsichtlich ihrer Anwendbarkeit auf große Mengen von Sensordaten (Licht, Feuchtigkeit, Temperatur) evaluiert. Unter Verwendung von Algorithmen wie Drift Detection, Regression, Event Detection und Prediction kann so zum Beispiel die Anwesenheit von Menschen im Raum sowie deren Verhalten über den Tag ermittelt werden. Dies bildet eine Grundlage für Optimierungen und Kostenreduktion in der Gebäudeautomatisierung. 34

35 Modellierung von Straßennetzen Unter der Zuhilfenahme von Big Data Technologien konnte das Volumen und die Komplexität von Straßenkartendaten aus OpenStreetMap deutlich reduziert werden. So wird das Straßennetzwerk als Graph modelliert, bei dem Kreuzungen als Knoten und Straßen als Kanten abgebildet werden. Daraus kann ein Verbindungsgraph erstellt werden, auf welchem der PageRank Algorithmus angewendet wird, um die potentielle Wichtigkeit einzelner Straßen zu berechnen. Dieser Ansatz erzielt ähnliche Ergebnisse wie andere deutlich komplexere Algorithmen. 35

36 Erkenntnisse aus Mobilfunkdaten Zwecks Datenschutz werden Mobilfunkdaten anonymisiert und mit Zufallsereignissen versehen. Solche Ereignisse sind das Senden von SMS, Anrufe oder Datenverbindungen. Unter Verwendung diverser Algorithmen, wie des am Know-Center speziell entwickelten Recursive Look-Ahead Supersonic Filter, können die Daten gefiltert werden und ermöglichen weitergehende neue Erkenntnisse. So können beispielsweise die tatsächlichen Zugabfahrtszeiten auf Korrektheit evaluiert werden. Nur so kann zum Beispiel die richtige Verwendung, Wirkung und Abrechnung öffentlicher Fördergelder sichergestellt werden. 36

37 Skalierbare Empfehlungssysteme Die wachsende Menge an Daten, Systemen und Interaktionen bedarf der Bereitstellung zielgerichteter, kontextabhängiger und relevanter Information. Hierfür werden Recommender (Empfehlungssysteme) verwendet, welche Vorschläge wie z.b. für Produkte, Texte & Dokumente, Begriffe, Experten und Personen berechnen. Die Grundlage bilden üblicherweise Benutzer-Interaktionen mit Systemen wie z.b. Klicks & Views von Produkten, Webseiten, Dateien oder sonstiger Informationen (kollaborativer Ansatz) in Kombination mit inhaltlichen Ähnlichkeiten von z.b. Produktbeschreibungen oder Kundenanfragen (inhaltsbasierter Ansatz). Diese riesige Datenmenge muss mit multiplen Algorithmen in Echtzeit kundenspezifisch verarbeitet werden. Hier bieten wir flexible, skalierbare Dienste auf Basis des eigens entwickelten Recommender Frameworks. 37

38 Big Data Analytics Recommendations Analyses Visualizations Human Intelligent Algorithms Text Uncertainity Changes Data Social Data Sensor Data Activity Traces Analytics Actionable Knowledge Linked Data Scientist in the Loop Computer Models Interfaces Representations 38

39 Industry 4.0 Smart Production & Services BEISPIELE Know-Center GmbH Research Center for Data-Driven Business and Big Data Analytics 39

40 Mobile Informationsbereitstellung MitarbeiterInnen werden durch die Verbindung von aktuellen (mobilen) Technologien mit proaktiver, kontextabhängiger und relevanter Informationsbereitstellung unterstützt. Der Trend geht ganz in Richtung No-Search. Durch das automatische Erfassen der aktuellen Arbeitsumgebung bzw. der aktuellen Aufgabe, kann die Qualität der bereitgestellten Informationen weiter erhöht werden. Die Definition guter Suchbegriffe wird erleichtert oder sogar überflüssig. Fotos, Videos oder sonstiges Fachwissen kann nicht nur schnell erstellt, sondern auch einfach geteilt und mit Orten verknüpft werden. 40

41 Sprachgesteuerte Kommissionierung Durch die Verwendung günstiger, ausgereifter und frei verfügbarer Hardware wie Smartphones können Routineaufgaben teilautomatisiert oder zumindest effektiv unterstützt werden. So kann beispielsweise die Sprachsteuerung auch offline für industrielle Zwecke wie Lagerhaltung und Kommissionierung angewandt werden. Dies verkürzt Arbeitswege, erleichtert den Alltag und ermöglicht neue Anwendungen. 41

42 Visual Analytics Der Mensch ist nach wie vor das Maß aller Dinge bei der Erfassung zusammenhängender Inhalte und visueller Auffälligkeiten. Durch die Aufbereitung riesiger textueller Inhalte und deren visuell sinnvoller Darstellung, können Auffälligkeiten, mögliche Fehlerursachen und Anomalien semi-automatisch berechnet werden und eine weitere Suche durch den Menschen erleichtert werden. 42

43 Kontext-Sensitive Informationsbereitstellung Bestehende Anlagen können mittels günstiger Sensoren intelligenter werden. Beispielsweise können ortsbasierte Informationen zu Maschinen, Arbeitsprozessen, Wartung und Richtlinien punktgenau zur Verfügung gestellt werden. Die Auswahl des Mediums kann ebenfalls entsprechend automatisch erfolgen (Tablet, Ambient Display, Lautsprecher). Weitere Anwendungsszenarien sind Fluchtwegeplanung, Raumüberwachung und vieles mehr. 43

44 Scientific Track Record: Analytics Focus Analyzing and visualizing 1.2 million news articles Indexing and Searching 150 GB of text documents Aligning articles of the two largest German Encyclopediae Extracting entities and facts from 10TB of scientific documents Event visitor modelling for 50 billion records totalling 8TB data Traffic model validation on cell phone data 600 billion records totalling 50TB Know-Center Data Infrastructure reaches 2PB storage and 1024 cores More than ten years of experience in managing, processing, analyzing data Good data scientists understand, in a deep way, that the heavy lifting of cleanup and preparation isn t something that gets in the way of solving the problem: it is the problem. (D.J. Pati, LinkedIn) Analyzing and understanding complex, heterogeneous, unstructured data Data unprecedented in its scale and scope in relation to a given phenomenon which allows for the generation of new knowledge. (Oxford Internet Institute)

45 Scientific Track Record: Human Focus Computer-supported (cooperative) working and learning Work-Integrated Learning Performer Support AVL, Knapp, M+R, Siemens Knowledge Evolution Expert Search AVL Reflective Learning Self Awareness Error Prevention Embedding IT-tools in work processes ensures timely productivity growth Research shows that there are two essential pre-conditions for IT to affect labor productivity: IT investments and managerial innovations. A lag between IT investments and organizational adjustments has meant that productivity improvements have taken a while to show up. The same preconditions that explain the impact of IT in enabling historical productivity growth currently exist for big data. (McKinsey & Company 2011) Networked SMEs (2016)