AIV A. 2 Künstliche Intelligenz - Denkbares in der Produktion
|
|
- Nicole Hofmann
- vor 5 Jahren
- Abrufe
Transkript
1
2 AIV A 2
3 Künstliche Intelligenz Denkbares in der Produktion Dr. Marcel von der Haar
4 Buzzword Künstliche Intelligenz?
5 01 Künstliche Intelligenz Definition & Schwache vs. Starke KI Künstliche Intelligenz (KI, EN: artificial intelligence, AI) ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem Maschinellen Lernen befasst Der Begriff ist insofern nicht eindeutig abgrenzbar, als es bereits an einer genauen Definition von Intelligenz mangelt. Starke KI as Generalisierte Intelligenz, die die ganze Bandbreite menschlichen Denkens abdeckt. Schwache KI narrow AI Lernfähiges System, das konkrete Anwendungsprobleme / Spezialfälle menschlichen Denkens automatisieren soll und mit Unsicherheiten / Wahrscheinlichkeiten umgehen können soll. 5
6 01 Künstliche Intelligenz KI, Big Data, etc. Küstliche Intelligenz Maschinelles Lernen Deep Learning Neuronale Netze Big Data 6
7 01 Künstliche Intelligenz Geschichte: Data Science und KI in der Produktion Statistische Prozess Kontrolle (SPC) Design of Experiments (DOE) Multiple Lineare Regression (MLR) Multivariate SPC PLS* & NN* Softsensoren Nachholen und Wiederentdecken (z.b. Entscheidungsbäume) Was ist neu? Bessere Datenintegration Rechenleistung Open Source 20 s 50 s 70 s 90 s 10 s - Heute Nichtlineare Modelle Gesamtheit der Daten kann zusammen analysiert werden! 7 *PLS: Partial Least Squares, NN: Neural Network
8 01 Künstliche Intelligenz Maschinelles Lernen - Modellansatz Anwendungen Klassifizierung Regression Clustering Dichteabschätzung Archiv Modell Dimensionsreduktion Aktuell Vorhersage Industrie aktuelle Daten / Annahmen Vorhersage Einzel-/Großhandel Preisdaten Verkaufte Einheiten Produktion Sales-Vorhersagen Materialbedarf Logistik Abfahrtsplanung Energiebedarf Öl- und Gas Produktionsvorhersage Energiebedarf 8
9 01 Künstliche Intelligenz Spezialfall: Deep Learning Recurrent Neural Networks Convolutional Neural Networks RNN for Machine Translation. Image Source: 9
10 Übersicht: Use Cases
11 02 Übersicht: Use Cases Forschung & Entwicklung 11
12 02 Übersicht: Use Cases Forschung & Entwicklung 12
13 CDO Data Science COMPASS Den richtigen Kunden zur richtigen Zeit adressieren Sales data Machine Learning model Sales opportunities 13
14 CDO Data Science Komplexität: OPTIMALe VerPACKungsc hargen Ein datengetriebener Ansatz identifiziert den idealen trade-off zwischen Packungskosten und Haltekosten Zentralisierte Verpackung, getrennte Länder-Chargen Beträchtliche Rüstkosten bei Chargenwechsel Große Chargen können zu hohen Haltekosten sowie Überschreitung des Haltbarkeitsdauer führen Cost Risk of expiry Totale Kosten Haltekosten Orderkosten Re-order quantity 14
15 Use Cases in der Produktion
16 Durchsatzmaximierung Superabsorber Ermöglichung kosteneffizienter online-analytik durch den Einsatz automatisch generierter Softsensoren. Komplexität Qualitätsmerkmale (Vernetzungsgrad, Wasseraufnahme) nur zeitaufwändig im Labor bestimmbar. 1 Identifikation relevante Messwerte 2 Vollautomatische Modellbildung mittels KNNs 3 Anbindung des Modells an die Prozessteuerung Reduktion relativer Produktionskosten Maximierung des Ausstoßes durch dichteres Heranfahren an die erlaubten Spezifikationsgrenzen.
17 CDO Data Science HARDWARE FOR EXPERIMENTS POWER-UP A Design of Experiments approach helps to optimize yield in bioprocessing DATA SCIENCE APPROACH Deep well plates AMBR Lab scale bioreactor Generate experimental design Run experiments and collect Data Build and optimize models POTENTIAL BENEFITS Yield increase by ~ 80% Faster time to market by 3-4 months
18 Agent Prozesskontrolle Status Action Umgebung Modellfreie, Vollautomatische Optimierung von Model Predictive Control
19 03 Use Cases in der Produktion Neue Services ermöglichen Automatisierte Prozessentwicklung Personalintensive Dienstleistungen können nur für Premium- bzw. Großkunden angeboten werden Machine Learning ermöglicht die Automatisierung einiger dieser Dienstleistungen (z.b. Prozessentwicklung als CMO für Kleinaufträge) Besserer Service für ein breiteres Kundensprektrum 19
20 Lessons Learned: Fallstricke und Limitierungen
21 04 Lessons Learned Fallstricke und Limitierungen Wo sind die Daten? Was sind DAS für Daten? Was alle denken Programmieren Realität Fragen Sind ausreichend historische Daten vorhanden? Können Daten aus unterschiedlichen Quellen harmonisiert und verknüpft Trainingsdaten werden? requirieren Existieren & prozessieren ersatzweise externe Datenquellen? 21
22 04 Lessons Learned Fallstricke und Limitierungen Generalisierung & Overfitting II 22
23
24 02 Übersicht: Use Cases Supply Chain & Site Management Vollautomatisches Aufstocken Minimierung von Restbeständen Minimierung von Out-of-Stock Ereignissen Input: Marke, Preis, Onlineplatzierung, Bestandssituation, Wetter, etc. (>100) Replenishment und Price Optimization bei OTTO. 24
25 03 Use Cases in der Produktion Optimierung der Produktion Problem Produktion unterliegt stetigem Optimierungsdruck. Input Daten Produktionsdaten (Temperatur, Drücke, Flussraten) (PIMS, DCS) Labordaten (LIMS, Excel) Output Daten Umsatz, Konversion, Selektivität, Lösung Einbeziehung tausende Inputparameter mit möglichen nicht-linearen Interaktionen generiert zusätzliche Erkenntnisse. Einsetzbar in Batch- sowie Conti-Prozessen. Meist Voraussetzung: Verbindung von Prozess- und Labordaten. Vorteile Identifizierung wichtiger Parameter und Prozessbedingungen Reduzierte Batchzeiten Erhöhung von Umsatz oder Ausbeute Verhindern von off-spec Situationen 25
26 03 Use Cases in der Produktion Katalysator-Lebenszeit-Vorhersage und Ausbeute-Optimierung Problem Die Lebenszeit eines teuren Katalysators hat einen großen Einfluss auf das Produktionsvolumen. Aufgrund komplexer Logistik müssen Austauschzeiten Wochen im Voraus bekannt sein. Lösung Installation eines Prozessinformations-Management-Systems (PIMS) Analyse der Einflussfaktoren bzgl. Lebenszeit und Ausbeute. Vorhersage des Zeitpunkts, an dem das Produkt off-spec ist. Eingangsdaten Produktionsdaten, Qualitätsdaten (LIMS), Produktionsplanungsdaten Ausgangsdaten Lebenszeit-Vorhersage, Einflussfaktoren Vorteile Erhöhte Produktivität (Lebenszeit und Ausbeute) Bessere Planbarkeit der Katalysatortauschs 26
27 03 Use Cases in der Produktion Alarmmanagement Problem Häufige Fehlalarme belasten Anlagenfahrer und erhöhen das Risiko eines ignorierten relevanten Alarm. Lösung Analyse der Prozess und Alarmdaten und engeres definieren von Alarm-Richtwerten ohne Sicherheitsverlust. Vorteile Reduktion von Fehlalarmen Erhöhte Sicherheit Eingangsdaten Prozessdaten, Aktuelle Alarm- Richtwerte Mehr Freiraum für andere Aufgaben Ausgangsdaten Optimierte Alarm-Richtwerte 27
28 CDO Data Science Problem: IMPURITY DETECTION In silico Methoden identifizierten Verunreinigungen, die für Qualitätsprobleme verantwortlich waren In silico Simulation von Spektren für unterschiedliche, potentielle Verunreinigungen Welche Verunreinigung verursacht das Problem In silico Ansatz: Transmission? Transmission Transmissionsspektrum gemessen erwartet Wellenlänge Problematische Verunreinigung identifiziert! LC transmission Transmissionsspektrum spectrum measured gemessen simulated simuliert Transmissionsspektrum gemessen simuliert Wave length 28
29 03 Use Cases in der Produktion Design of Experiments (DoE) & Surrogate-based Optimization (SBO) Problem Für viele Produktionsanlagen sind historische Daten (noch)nicht verfügbar. Trotzdem kann großes Potential zur Prozessoptimierung vorhanden sein. Lösung DoE- und SBO-Techniken können auch mit kleinen Experimentsets nützliche Information liefern. Vorteile Daten-basierte Entscheidungsfindung ohne historische Daten. 29
30 03 Use Cases in der Produktion Weitere Produktions-Relevante Beispiele Automatische, kontinuierliche Vorhersage von Qualitätsparametern von Rohmaterialien von Fouling (z.b. Wärmeaustauscher) Reduktion von Messzeiten und Kosten Textanalysen von Overall Equipment Effectiveness (OEE) Kommentaren sowie Schichtbucheinträgen 30
31 04 Lessons Learned Fallstricke und Limitierungen Generalisierung & Overfitting I
SKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrEnergieeffizienz und Prozessoptimierung mit intelligenter Datenanalyse
Energieeffizienz und Prozessoptimierung mit intelligenter Datenanalyse Prof. Dr.-Ing. Andreas Schwung Fachhochschule Südwestfalen, Folie 1 Fachgebiet Automatisierungstechnik Daten im industriellen Kontext
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrAnalytics Der Weg zu datengetriebenen Geschäftsprozessen
Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1 Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität
MehrKünstliche Intelligenz Einsatzszenarien
Künstliche Intelligenz Einsatzszenarien Recommendation Engines Kunden neue Produkte anbieten bevor sie wissen, dass sie sie brauchen. Durch Advanced Analytics kann mehr Umsatz pro Auftrag durch Cross-
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrMachine Learning Das neue 42?
Machine Learning Das neue 42? Fabian Buchert Solution Architect SAS DACH Analytics actual trend topics Citizen Data Scientist Machine Learning Text Analytics Artificial Intelligence Image Recognition Open
MehrEFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
MehrPROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT. Tanja Krüger,
PROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT Tanja Krüger, 04.05.2017 STECKBRIEF RESOLTO Gründung 2003 Geschäftsführende Gesellschafterin: Fokus: Mitarbeiter: Skalierung: Tanja Krüger Advanced
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrAuszug aus CxO Survey Investment Priorities 2017 ASG
How would you rate the following economic challenges for your company? Major challenge Minor challenge Which economic issue is more challenging, equally as challenging, or less challenging today compared
MehrNOA NAMUR Open Architecture
NOA NAMUR Open Architecture Erweiterung der bestehenden Ansätze als Grundlage für die effiziente und flexible Umsetzung von Industrie 4.0 in der Prozessindustrie Additiv zu bisherigen Strukturen Offen
MehrKünstliche Intelligenz: Periodensystem der Elemente. Arbeitskreis Artificial Intelligence
Künstliche Intelligenz: Periodensystem der Elemente Arbeitskreis Artificial Intelligence Künstliche Intelligenz: 28 Elemente Künstliche Intelligenz: 28 Elemente - 8 Fragen Was genau leistet das Element?
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrWENN DER KUNDENSERVICE-DESKTOP MITDENKT
ITYX GROUP KI-BASIERTE SERVICE DESK SOFTWARE WENN DER KUNDENSERVICE-DESKTOP MITDENKT KI im Kontext: Einleitung Nutzen von KI bei der Vorgangsbearbeitung (Case Management) ThinkOwl UI Klärung offener Fragen
MehrWelche Verantwortung trägt ein CDO?
Big-Data and Data Science Day 25. Juli Hochschule der Medien Stuttgart Welche Verantwortung trägt ein? Holger Stelz Director Marketing & Business Development 1 UNISERV GmbH, Pforzheim 3 Beispiele - Uniserv
MehrKünstliche Intelligenz als Wachstumsmotor
als Wachstumsmotor im Logistikbereich! Optimale Auslastung von Transportkapazitäten Selbstorganisierende Lageroptimierung Automatisierung der Wertschöpfungskette Flexible und kostengünstige Produktions-
MehrIHRE DATEN SIND GOLD WERT!
IHRE DATEN SIND GOLD WERT! DATENQUALITÄT ALS GRUNDLAGE FÜR AUSSAGEKRÄFTIGE RESULTATE EPA LEP ANWENDERKONFERENZ / 19. NOVEMBER 2015 / JÜRG DIETRICH Statistik Predictive Analytics Data Mining Big Data Data
MehrAI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter.
AI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter. AIM KOMPETENZEN & PORTFLIO Artificial Intelligence / Machine Learning Agile & DevOps Beratung Atlassian
MehrBusiness Transformation Next Best Action
www.pwc.de Business Transformation Next Best Action Vielzahl neuer Herausforderungen: Durch Next Best Action werden vorhandene Informationen mehrwertbringend eingesetzt Status quo Vielzahl an verfügbaren
MehrSolarthermische Kraftwerke: Machine Learning im CSP-Speicher-Management zur Optimierung von Dispatch-Strategien
Solarthermische Kraftwerke: Machine Learning im CSP-Speicher-Management zur Optimierung von Dispatch-Strategien Dr. Tobias Hirsch (tobias.hirsch@dlr.de) Ana Carolina do Amaral Burghi DLR Institut für Solarforschung,
MehrData Science Marktforschung
Data Science Marktforschung Webinar 12. Juli 2018 Wie Data Science die Marktforschung verändert Christopher Harms, Consultant Research & Development Klassische Marktforschungsprojekte sind fokussiert auf
MehrKünstliche Intelligenz wie automatisierte Entscheidungen die Geschäftsprozesse revolutionieren
Künstliche Intelligenz wie automatisierte Entscheidungen die Geschäftsprozesse revolutionieren Prof. Dr. Michael Feindt Professor für Physik, KIT Gründer und Chief Scientist, Blue Yonder GmbH Getränkehandel
MehrChancen und Risiken intelligenter Datennutzung für den Mittelstand. Dr. Meike Wocken
Chancen und Risiken intelligenter Datennutzung für den Mittelstand Dr. Meike Wocken Datengenerierung Entwicklung Fertigung Montage Vertrieb Qualitätsmgmt. 120 100 80 60 40 20 0 0 5 10 15 20 25 Wartung
MehrPlant Data Services Frei verwendbar Siemens AG 2016 siemens.de/plant-data-services
Plant Data Services Frei verwendbar Siemens AG 26 siemens.de/plant-data-services Wir alle fragen uns Schöpft meine Anlage ihr volles Potenzial aus? Kennen wir das volle Potenzial unserer installierten
MehrAlles digital. Alles Käse? Digitale Transformation in der Produktion
Alles digital. Alles Käse? Digitale Transformation in der Produktion Vortrag 3 Die integrierte Plattform als Enabler Kaltbach, 16. März 2017 14:10 15:00 15:30 15:45 Programm I 4.0: Visionen, Ziele & Trends
MehrQuo vadis, Logistik? Mario Dobrovnik. Institut für Transportwirtschaft und Logistik Wirtschaftsuniversität Wien STAND: JUNI 2018
Quo vadis, Logistik? Mario Dobrovnik Institut für Transportwirtschaft und Logistik Wirtschaftsuniversität Wien STAND: JUNI 2018 Agenda 1 2 3 Logistik - Notwendiges Übel oder Wettbewerbsfaktor? Quo vadis,
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrNeuronale Netze. Automatische Hinderniserkennung Paul Fritsche
1 Neuronale Netze Automatische Hinderniserkennung 2 Hintergrund Grundlagen Tensorflow Keras Fazit 3 TTBN 4 TTBN 5 TTBN 6 TTBN 7 Biological Neural Network By BruceBlaus - Own work, CC BY 3.0 8 Artificial
MehrDigitalisierung im Service Management - Was bringen AI, Chatbots und Co.?
Digitalisierung im Service Management - Was bringen AI, Chatbots und Co.? Agenda AI, Chatbot, KI, machine learning Stopp.wie bitte? Künstliche Intelligenz Ein Blick aus der Vergangenheit Status quo KI
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrWatson Services on Bluemix Workshop
Watson Services on Bluemix Workshop Beate Melcher Klaus-Peter Schlotter Urs Witzig IBM Business Partner Solution Hub Agenda 09:00-09:45 Welcome and IBM Watson Overview 09:45-10:10 Watson Services 1/2 10:10
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrIndustrie 4.0 bei der Koehler Paper Group Produktion Analyse und Qualität IT-L 03/2016
Industrie 4.0 bei der Koehler Paper Group Produktion Analyse und Qualität IT-L 03/2016 Koehler Group 2016 / IT-L / Folie 2 Koehler Paper Group - Produkte 2016 / IT-L / Folie 3 Industrie 4.0 bei der Koehler
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrAnalytic im Einsatz! Betrugserkennung auf Basis von Big Data. Karol Sobiech
Analytic im Einsatz! Betrugserkennung auf Basis von Big Data Karol Sobiech 2 ACCENTURE GLOBAL DELIVERY NETWORK 3 4 AGENDA 1 MOTIVATION & ZIEL 2 METHODEN FRAUD MANAGEMENT SYSTEM 4 ARCHITEKTUR & TOOLS 3
MehrBalanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning
Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning IFT - Institute for Production Engineering and Laser Technology DI Benjamin Mörzinger Energieeffizienz: Motivation Quelle: science.sciencemag.org
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrDas Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011
Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse
MehrIndustrie 4.0 Buzzword oder echte Chance für mehr operative Exzellenz? Ludwigshafen, 19. Oktober 2017 Dr.-Ing. Christoph Karrer
Industrie 4.0 Buzzword oder echte Chance für mehr operative Exzellenz? Ludwigshafen, 19. Oktober 2017 Dr.-Ing. Christoph Karrer Quelle: Larry Chen, SpeedHunters, 2015 9% der weltweit gehandelten Ersatzteile
MehrIndustrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie
Industrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie Stefan Saul, Leiter Produktmanagement Service Repair Preventive Maintenance Spare Parts Predictive Maintenance
MehrAgenda. Boris Plaumann. Alena Fojtík. Alena Fojtík Boris Plaumann. Smart. Big. Data. Analytics. Science. Analytics im Day-2-Day Business
Agenda 1. 2. 3. 4. 5. Smart. Big. Data. Analytics. Science. Analytics im Day-2-Day Business Alles dreht sich um Daten Methoden & Visualisierung Beispiele aus der Praxis Boris Plaumann Alena Fojtík Alena
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrProduktdatenmanagement. mit KI. Onedot AG Zürich, Dezember 2018
Produktdatenmanagement mit KI Onedot AG Zürich, Dezember 2018 Herausforderungen Mit was für Herausforderungen kämpfen Sie im Bereich Produktdaten? 1) Onboarding Lieferanten 6) Anpassungen Produktdatenmodell
MehrDWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb. Referent: Raphael Henneke
DWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb Referent: Raphael Henneke Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS
Mehrscitis.io the production knowledge cloud
scitis.io the production knowledge cloud Mission Maschinen, Prozess und Produktionswissen generieren, um die Produktivität zu steigern Welches Problem lösen wir? scitis.io schlägt die Brücke zwischen Fertigung
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrSports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1
Sports Data Mining The Field and Methodology 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrIndustrie Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen
Industrie 4.0 - Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen Industrielle Revolution, Version 4.0 Der Kongress im Jahr 2015: Worum geht es überhaupt? Kongress
MehrCase Study. Supply Chain Risk Management. Vermeidung von Umsatzausfällen und Sicherung der Teileversorgung.
Case Study Supply Chain Risk Management Vermeidung von Umsatzausfällen und Sicherung der Teileversorgung. HERAUSFORDERUNGEN Das Risikomanagement in mehrstufigen Lieferketten ist für Belimo ein erfolgskritischer
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
MehrDATENGETRIEBENES MARKETING
DATENGETRIEBENES MARKETING Was kann der Mittelstand morgen schon tun? Dr. Claudio Felten und Dr. Eike Benjamin Kroll Münster, 30. März 2017 HEUTE BEDIENEN SIE Dr. Eike Benjamin Kroll Berater für Customer
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrDer schnelle Weg zu Industrie 4.0!
Der schnelle Weg zu Industrie 4.0! Mit der 5Analytics Manufacturing Lösung erzielen Sie in wenigen Schritten einen reibungslosen Produktionsablauf und erhöhen die Produktqualität. Sie steigern nicht nur
MehrDatengetriebene Agilität als Motor der digitalen Stadt
Fachbereich Informatik Datengetriebene Agilität als Motor der digitalen Stadt Hamburg TREND Prof. Dr. Tilo Böhmann zusammen mit Prof. Dr. Paul Drews, Corvin Meyer-Blankart, Dr. Andreas Zolnowski Handlungsfelder
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrAus der Praxis für die Praxis
Auf dem Weg zur digitalen Fabrik: Aus der Praxis für die Praxis 27. April 2017 Philippe Ramseier Geschäftsinhaber Autexis Herausforderungen Projekte Erfolgsfaktoren und Nutzen Fazit Eine Unternehmung,
MehrIndustrie 4.0 erfolgreich anwenden mit Sicherheit. Dr. Reinhard Ploss Dresden, 23. März 2016
Industrie 4.0 erfolgreich anwenden mit Sicherheit Dr. Reinhard Ploss Dresden, 23. März 2016 Ziel von Industrie 4.0: Flexible, individuelle Fertigung bei hoher Produktivität wie in der Massenproduktion
MehrCD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
MehrTrends in der BI. Hannover, 20. März 2017 Patrick Keller, Senior Analyst und Prokurist
Trends in der BI Hannover, 20. März 2017 Patrick Keller, Senior Analyst und Prokurist BARC: Expertise für datengetriebene Unternehmen 2 Top Trends in BI und Analytics als Chance 3 Relevante Trends vs.
MehrPotentiale der Digitalisierung Herausforderungen gestalten. Prof. Dr. Christoph Meinel Dekan, Institutsdirektor und CEO Hasso-Plattner-Institut
Herausforderungen gestalten Prof. Dr. Christoph Meinel Dekan, Institutsdirektor und CEO Hasso-Plattner-Institut Herzlich Willkommen zur skonferenz Brandenburg 2018! Die Digitale Transformation ist, nach
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrManufacturing Execution Delivery System als volldigitaler Prozess für Artikel
Manufacturing Execution Delivery System als volldigitaler Prozess für 800.000 Artikel Dr. Meinrad Lugan Mitglied des Vorstands, B. Braun Melsungen AG Berlin, 23. Oktober 2009 B. Braun Melsungen AG 2008
MehrRekurrente Neuronale Netze
Rekurrente Neuronale Netze Gregor Mitscha-Baude May 9, 2016 Motivation Standard neuronales Netz: Fixe Dimensionen von Input und Output! Motivation In viele Anwendungen variable Input/Output-Länge. Spracherkennung
MehrProduktionsdaten mit Unternehmensdaten vernetzen
Produktionsdaten mit Unternehmensdaten vernetzen Von Big Data zu Smart Data 17. November 2016 Peter Strohm Marc Tesch Jedox vereinfacht Planung, Reporting & Analyse BI & CPM Software in der Cloud & On-premises
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrKooperation von Mensch und Maschine am Beispiel von IBM Watson Solutions
Kooperation von Mensch und Maschine am Beispiel von IBM Watson Solutions Peter Zimmer Nicole Roik Dr. Klemens Hägele IBM Deutschland GmbH Saarbrücken 22. Februar 2018 2018 IBM Corporation 1 2018 IBM Corporation
MehrPotenziale durch Digitalisierung im Automobilbau
Potenziale durch Digitalisierung im Automobilbau Einblick in aktuelle Entwicklungen Heiner Reinhardt Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU Heiner Reinhardt Technische Universität
MehrOWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business
OWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business Strategy Robert Bosch GmbH INTERNET DER DINGE OWM R.
MehrBig Data. Timo HARTMANN 1. Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin
Fachtagung Bauwerksdiagnose 2018 Big Data Timo HARTMANN 1 1 Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin Kontakt E-Mail: timo.hartmann@tu-berlin.de
MehrEngineering the Factory of the Future Now.Next.Beyond. Heiko Schwindt VP Automation & Electrification Solutions, Bosch Rexroth
Engineering the Factory of the Future Now.Next.Beyond. Heiko Schwindt VP Automation & Electrification Solutions, Bosch Rexroth Connect on LinkedIn www.linkedin.com/in/heiko-schwindt-625039140/ 1 "The challenge
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrData Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft
Data Science als Treiber für Innovation Neue Anforderungen und Chancen für Ausbildung und Wirtschaft b Univ-Prof. Dr. Stefanie Lindstaedt b www.know-center.at Know-Center GmbH Know-Center: Austria s Research
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrParrot v3. für Entscheider
Parrot v3 für Entscheider 1 Die Zeit ist jetzt. Chatbots gehören zweifelsohne zu den aufregendsten Buzzwords der modernen Marketinglandschaft. Viele Unternehmen ho!en, damit junge Zielgruppen dort anzusprechen,
MehrSusanne Greiner, Data Scientist, Würth Phoenix. Würth Phoenix more than software
USER GROUP 2018 Von der Datenaufnahme zur Datenanalyse Das Performance Monitoring von morgen: Einfluss von User Experience, Anomaly Detection, Deep Learning Susanne Greiner, Data Scientist, Würth Phoenix
MehrDas tägliche Leben eines (Big) Data Scientist - Wie man Big Data Projekte erfolgreich steuern kann? Big Data Everywhere Nadiem von Heydeband
1 Das tägliche Leben eines (Big) Data Scientist - Wie man Big Data Projekte erfolgreich steuern kann? Big Data Everywhere Nadiem von Heydeband München, den 11. Mai 2016 Die Alexander Thamm GmbH und meine
MehrSwisscom Dialog Arena Augmented Reality empowering your digital journey
Swisscom Dialog Arena Augmented Reality empowering your digital journey 3. November 2016, Sonja Betschart, Matthew Butcher, Lukas Zimmerli, Stéphane Mingot Agenda 1 Was kommt nach Pokémon Go? 2 Use Case
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrBusiness Breakfast im Café Landtmann. 22. November 2016
Business Breakfast im Café Landtmann 22. November 2016 9:00 Uhr: EINLASS 9:30 Uhr: BEGRÜßUNG Wolfgang Kern / Qlik Elfriede Harrer / Harrer & Partner 10:00 Uhr QLIK SENSE // NEUE FEATURES UND MEHR Christof
MehrVernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software
Vernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software Siemens AG 2016 Was wird die Zukunft bringen? Wandel in
MehrKnowledgeRiver: Data Center Konzepte, Strategien und Lösungen
KnowledgeRiver: Data Center Konzepte, Strategien und Lösungen Schwerpunkte Spezialgebiete DC Configuration Management (DCCM) DC Systematical Analytics (DCSA) Predictive Analytics für DC IT Root Cause Analytics
MehrHerzlich willkommen bei den Prinect Anwendertagen!
, 24. und 25. April 2009 Herzlich willkommen bei den Prinect Anwendertagen! Reiner Bachthaler Der integrierte Prinect Workflow: News & Highlights ht Management Postpress Prepress Press Prinect Integration
MehrOpen Telekom Cloud. Use Cases Retail
Use Cases Retail E-Commerce-Plattform bleibt verfügbar Cloud verkraftet auch Besucheranstürme Run auf den Shop bedienen Marketing-Aktionen und Sales-Initiativen erhöhen je nach Erfolg die Last auf e-shops
MehrSPC online im Rahmen von Qualität 4.0. Qualitätskollegium TU Berlin Konrad Wälder. BTU Cottbus-Senftenberg
Qualitätskollegium TU Berlin 17.10.2016 SPC online im Rahmen von Qualität 4.0 Konrad Wälder BTU Cottbus-Senftenberg 1 1 Grundsätzliches SPC (statistische Prozessregelung) Ø liefert zentrale Instrumente
MehrPraxisbeispiel Industrie 4.0. Dirk Thielker, AXOOM Solutions GmbH
Praxisbeispiel Industrie 4.0 Dirk Thielker, Solutions GmbH Agenda 01 02 03 04 Vorstellung Use Case Erkenntnisse & Nutzen Fragen Eco-System 01 Das Eco-System Daten und Fakten > Entwickelt seit 2012 Produkte
Mehr