Maschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
|
|
- Georg Schwarz
- vor 5 Jahren
- Abrufe
Transkript
1 Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen
2 Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit beibringen Voraussetzungen: klar definierte Aufgabe/ klar definiertes Problem Daten Akzeptanz einer gewissen Unsicherheit
3 Was ist maschinelles Lernen NICHT? 3 Herkömmliche Computerprogramme Menschen geben Aktionen genau vor Robotic Process Automation Menschen geben Regeln vor Artificial Intelligence Menschen geben Modelle/ Algorithmen vor, Programme lernen selbst
4 Welche Arten maschinellen Lernens gibt es? 4 Verstärkendes Lernen Unüberwachtes Lernen Überwachtes Lernen Reinforcement Learning Input Aufgabenbeschreibung Mögliche Aktionen Bewertung des Outputs Beispiel: AlphaGoZero Einsatzbereich: allgemeine Problemstellungen Unsupervised Learning Input Traininsgdaten ( Rohdaten ) Arten Clustering Dimensionality Reduction Einsatzbereiche: Visualisierungen Dimensionsreduktion für späteres Training Supervised Learning Input Paare von Ein- und Ausgabedaten Trainingsmodell Ziel: Vorhersagen über noch unbekannte Eingangsdaten Beispiel: Bilderkennung
5 Die Plattformen hinter den Algorithmen 5
6 Die Technik hinter maschinellem Lernen 6 ENERGY4U verschafft Ihnen als Partner von SAP und Google die Vorteile beider Welten!
7 Modelle und Algorithmen - Grundsätzliche Einteilung von ML Problemen 7 Klassifizierung Regression Treffen einer kategorischen Entscheidung z.b. Spam oder Kein Spam Vorhersagen eines numerischen Wertes z.b. Preisvorhersagen
8 Neuronale Netzwerke 9 Nachempfinden biologischer Denkprozesse des menschlichen Gehirns
9 Use Cases im Einkauf 10 Entscheidungsunterstützung Kundenservice optimale Betreuung/ Interaktion Use Cases Beschaffung Freitexthandling Wissensmanagement Prozessoptimierungen Sourcing Datenauswertung
10 Usecase: Machine Learning Bereich: Indirekter Einkauf 2-5 transaktionale Kosten Vorgehensweise: 1) Analyse von Freitext & Anhang 2) Google-Suche nach Produkten Herausforderung: sehr viele Freitextbestellungen/ Jahr (davon nur 1-2% Items aus ecatalogs) Ziele: Reduktion um 50-80% 3) Automatische Lieferantenauswahl und Bestellung 4) Option: Einbau von Klärfallkriterien (Preis/Item, Eingrenzung von Lieferanten, etc.) Auswirkung: 10 transaktionale Sourcingkosten/ Freitextbestellung Kosten: Einsparung: bis zu Zu beachten: Security/Compliance- Anforderungen 11
11 Usecase: Machine Learning 12 Bereich: (In)direkter Einkauf Herausforderung: manueller Aufwand kann nicht mit hoher Qualität aufrecht erhalten werden Auswirkung: fehlerhaftes routing / hohe Kosten Kosten: ML Model weist Produkt/Warengruppe zu Vorgehensweise: 1) Datenextraktion / Aufbereitung Ziele: Reduktion um 80%-90% 2) Training eines ML Model zur Zuordnung der Parameter Einsparung: bis zu Zu beachten: neue Warengruppen 3) Test und Optimierung des Model 4) Integration des Model in das Tagesgeschäft
12 Einsatz von Drohnen für die Wartung von Windkraftanlagen und Netzen 13 Ziel: Effizientere Wartung von Windkraftanlagen und Netzen Vorgehensweise: 1. Automatische Erstellung von Bildern durch Drohnen 2. Analyse der Bilder durch Google Vision/ SAP Image Classification 3. Benachrichtigung von Experten bei Auffälligkeiten Vorteile: Schnelleres Eingreifen bei (drohenden) Schäden Keine Abschaltung der Anlagen im Rahmen der Analyse Kostenreduktion durch vorausschauende und schnellere Wartung Arbeitssicherheit
13 Entscheidungsunterstützung am Beispiel der Zählerstandsvalidierung 14 automatische Verbuchung Ablesung der Zählerstände Quellen: Kundenablesung MSCONS Internet-Portal Telefonische Übermittlung Plausibilitätsprüfung SAP IS-U SAP Validierungsprüfungen Stand alt > Stand neu Nullverbrauch durch Leerstand Kundeneigene Prüfungen: Relative Abweichung von Erfahrungswerten Vorliegen eines Zählerwechsels Aussteuerung Feedback Loop Stornierung/ erneute Prüfung Kundenreklamation Manuell ML Modell (80%)
14 S/4 HANA Transformation 15 Prognose Enormer Beratungs- und Entwicklungsbedarf im Bereich S/4 HANA in den folgenden 3-4 Jahren Lösung Einsatz von maschinellem Lernen für eine optimierte Umstellung auf S/4 HANA Bündelung einer Vielzahl von Use Cases zu einem Gesamtkonzept Herausforderung Beraterbedarf kann bei gleichbleibendem Qualitätsund Preisniveau nicht gedeckt werden
15 Warum Sie jetzt starten sollten: Warren McCulloch / Walter Pitts entwickeln das erste Neural Network Entwicklung des ersten Multilayer Neural Network Apple stellt Siri vor Entwicklung maschinelles Lernen Die Begriffe künstliche Intelligenz/ maschinelles Lernen werden definiert IBM s Deep Blue besiegt den Schach- Weltmeister Erstveröffentlichung Google TensorFlow 1956 /
16 Projektvorgehensweise JumpStart 17 Montag Dienstag Mittwoch Donnerstag Freitag Kickoff Einführung in GCP / SCP o Grundlagen o Datenbank o Analytics & ML o Data handling frameworks Priorisierung und Auswahl von Use Case(s) Start des Design Sprint Design Sprint Analyse der Prozesscharakteristika Identifizierung der Daten o Analyse der Datenqualität o Feature Extraktion Implementierung des Prototypen o Aufbau der Entwicklungsumgebung o Zuordnung der Aufgaben Definition benötigter Ressourcen o Speicher o Jobs o etc. Evaluation möglicher ML Modelle Implementierung des Prototypen Optimierung (opt.) Retraining (opt.) Trainiertes Modell Business Case inklusive o Implementierun gs-kosten o laufende Kosten o Trefferquote o Daten o Einsparungen o Vorteile o Evaluierung Entscheidung (nächste Schritte) Strategie Lessons Learned Happy Customer
17 Was Sie vom Vortrag mitnehmen sollten 18 Starten Sie jetzt! Starten Sie überlegt! Starten Sie mit uns!
18 Ihr Ansprechpartner 19 Jan Schinnerling Business Unit Manager Tel.: Mail:
Artificial 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
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
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
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
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
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
MehrSKOPOS 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
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
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrMachinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
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
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
MehrIndustrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg
Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrReinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
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
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
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,
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,
MehrKeine Hexerei, sondern Alltag
AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive
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
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
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
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
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
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)
MehrDas große Plus in Ihrer Hand Die Beschaffungsplattform für C-Teile
Das große Plus in Ihrer Hand Die Beschaffungsplattform für C-Teile Die bisherige Beschaffung von C-Teilen simple system erklärt das Eisberg-Prinzip 02 Wussten Sie schon, dass die Beschaffung von C-Teilen
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
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
MehrSpecmate Auf Knopfdruck von Anforderungen zu Tests
Specmate Auf Knopfdruck von Anforderungen zu Tests Dr. Maximilian Junker at a Glance We are experts for: High quality RE & tests High quality methodology (e.g. MBSE) We offer: Audits & Continuous Quality
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
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
MehrPBK PT: Vom Kick-off bis zum Go-Live
PBK PT: Vom Kick-off bis zum Go-Live Sven Bolz Daimler AG & Alexander Windeisen Daimler AG 05.04.2017 PBK PT Programme, Bedarfe, Kapazitäten Powertrain Agenda Warum PBK-Powertrain? Projektvision und Mission
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
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
MehrPressekonferenz : DSAG-Investitionsreport Marco Lenck, DSAG-Vorstandsvorsitzender
Pressekonferenz 23.01.19: DSAG-Investitionsreport 2019 Marco Lenck, DSAG-Vorstandsvorsitzender Erhebungsgrundlage Allgemeine Daten zur Online-Umfrage Erhebungszeitraum Dezember 2018 bis Anfang Januar 2019
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
MehrDeep Blue. Hendrik Baier
Deep Blue Hendrik Baier Themen Matches Deep Blue Kasparov 1996/97 Faktoren von Deep Blues Erfolg Systemarchitektur Search Extensions Evaluationsfunktion Extended Book Vergleichstraining der Evaluationsfunktion
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
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
MehrMaterna GmbH Welcher Chatbot Use-Case ist der richtige?
Materna GmbH 2018 www.materna.de Welcher Chatbot Use-Case ist der richtige? Chatbots basierend auf kognitiven Services. Chatbots sind automatisierte Dialogsysteme. Sie bestehen aus einer Texteingabe- und
MehrDigitalisierung und Automatisierung im Operativen Einkauf der DekaBank BME Frühjahrstagung. Meike Weststrate Leiterin Operativer Einkauf
Digitalisierung und Automatisierung im Operativen Einkauf der DekaBank BME Frühjahrstagung Meike Weststrate Leiterin Operativer Einkauf 25.04.2018 Agenda 1. Der Operative Einkauf der DekaBank 2. Die Procure-to-Pay-Kette
MehrINTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken
INTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken BMBF-Innovationsforum Zivile Sicherheit Berlin Megatrends verändern das Arbeitsumfeld für Analysten (1/2)
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrMaschinelles Lernen II
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen II Niels Landwehr Organisation Vorlesung/Übung 4 SWS. Ort: 3.01.2.31. Termin: Vorlesung: Dienstag, 10:00-11:30.
MehrJourney to the. Cloud
Journey to the Cloud Journey to the Cloud Finden Sie Ihren Weg in die Cloud und machen Sie Ihr Unternehmen flexibler Der Paradigmenwechsel vom Outsourcing zum Cloud- Sourcing, d. h. zur Beschaffung von
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
MehrCNT Young Professional Program
CNT Young Professional Program 2-3 Traineeprogramme pro Jahr 8-10 Universitätsabsolventen pro Zyklus 3 Monate Intensivprogramm Grundlagen und Spezialisierung (SAP Module, ABAP) Projektmanagement und Soft
Mehr22. Januar Gruppe 2: TOPCASED
22. Januar 2008 Aufgabenstellung Modellgetriebene Softwareentwicklung auf Basis von am Beispiel eines Seminarverwaltungssystems Ziel Entwicklungsprozess Anforderungen & Codegenerierung Modellierung & Templates
MehrStefan Schenke & Shpend Tahirsylaj. I, Robot. Der Einsatz von Artificial Intelligence (AI) im IT-Servicemanagement 18 I NEWS
Stefan Schenke & Shpend Tahirsylaj I, Robot Der Einsatz von Artificial Intelligence (AI) im IT-Servicemanagement 18 I NEWS I, Robot» Auch wenn Artificial Intelligence (künstliche Intelligenz KI) nur ein
MehrDEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE
DEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE INHALT Einführung Künstliche neuronale Netze Die Natur als Vorbild Mathematisches Modell Optimierung Deep Learning
MehrUMSETZUNG DIGITALISIERUNG
UMSETZUNG DIGITALISIERUNG Konferenz 30.8.2016, HSR Rapperswil Prof. Dr. Roman Hänggi Produktionsmanagement Rapperswil, August 2016 Agenda Industrie 4.0 Chancen & Risiken Umsetzung von Industrie 4.0 Projekten
MehrUser-Centered Visual Analytics
User-Centered Visual Analytics Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151 155-139
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrReinforcement learning
Reinforcement learning Erfolgsgeschichten... Quelle: twitter.com/ai memes Q-Learning als Art von Reinforcement learning Paul Kahlmeyer February 5, 2019 1 Einführung 2 Q-Learning Begriffe Algorithmus 3
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrVertrieb 4.0. Vertrieb und Marketing in einer Digitalen Welt. Hartmut H. Giesel
Vertrieb 4.0 Vertrieb und Marketing in einer Digitalen Welt Hartmut H. Giesel Inhaltsverzeichnis - Vorwort 1 - Inhaltsverzeichnis 7 1 Die Digitalisierung der Wirtschaft 14 - Industrie 4.0 - Treiber der
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
MehrSupervised & Unsupervised Machine Learning
Machine Learning-Algorithmen in Python mit scikit-learn Machine Learning-Algorithmen in Python mit scikit-learn Kurzbeschreibung Machine Learning-Algorithmen sind ein elementares Element von Künstlicher
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrDie Horváth-Controller-Weiterbildung BI & Big Data im neuen Format
Die Horváth-Controller-Weiterbildung BI & Big Data im neuen Format Advanced Analytics & Business Intelligence für Controller und Performance Manager Patricia Burr Stuttgart, Februar 2019 Das neue Konzept
MehrMarc Ennemann, Partner, KPMG AG Wirtschaftsprüfungsgesellschaft DOC17, 12. September 2017
Verwaltungs- und Finanzprozesse im Wandel Robotics Process Automation (RPA) war nur der Anfang Marc Ennemann, Partner, KPMG AG Wirtschaftsprüfungsgesellschaft DOC17, 12. September 2017 Roboter sind auf
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
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
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
Mehr(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
MehrSMARTE MASCHINEN IM EINSATZ KÜNSTLICHE INTELLIGENZ IN DER PRODUKTION
Persönliche Einladung Konferenz SMARTE MASCHINEN IM EINSATZ KÜNSTLICHE INTELLIGENZ IN DER PRODUKTION 15. Mai 2018 Fraunhofer IPA, Stuttgart Veranstalter Kooperationspartner Grußwort Sehr geehrte Damen
MehrData Science Anwendungen bei innogy Netz & Infrastruktur (G&I)
Data Science Anwendungen bei innogy Netz & Infrastruktur (G&I) - Grid Research and Insights Platform (GRIP) - Essener Energiegespräche 25. Oktober 2018 Philipp Clasen, Freier Mitarbeiter innogy SE 1 Einleitung
MehrS/4 HANA Value Assessment. SPV Solutions, Products, Visions AG
Value Assessment SPV Solutions, Products, Visions AG Was ist das Compelling Event? ( Kittel brennt Faktor) SPV Solutions, Products, Visions AG 2012 2 Module Update Architektur Entwurf Situationsanalyse
MehrDer Blick in die Kristallkugel
Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur Der Blick in die Kristallkugel Motivation 2 Agenda Was erwartet
Mehr(Software) Architektur der Dinge. Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT
(Software) Architektur der Dinge Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT Hardware Mainframe Speichersysteme Rechner Kopplung Zentralisierung Anwendungsprogramme Software
MehrCognitive Banking Wie Künstliche Intelligenz das Finanzwesen verändert
Cognitive Banking Wie Künstliche Intelligenz das Finanzwesen verändert BANKENTAG 2017: DIGITAL FINANCE - (R)EVOLUTION IM BANKING DHBW VILLINGEN-SCHWENNINGEN 18. OKTOBER 2017 WOLFGANG VON DREWS CLIENT TECHNICAL
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
MehrWas wir vorhersagen, soll auch eintreffen! Einführung von Big Data Security Intelligence für ein Finanzdienstleistungsunternehmen
Was wir vorhersagen, soll auch eintreffen! Case Study // Management Summary Stichworte IT Security Analytics Big Data Incident-Prozesse SOC IT-Angriffe Security Operations Ausgangssituation Ein, welches
MehrDATA-DRIVEN PRICING THE NEXT LEVEL SIMON HARTMANN DR. ALEC SPROTEN
DATA-DRIVEN PRICING THE NEXT LEVEL SIMON HARTMANN DR. ALEC SPROTEN Revolution der After-Sales Preisbildung durch Integration von Big Data im operativen Business Big Data Summit 2018 2 So arbeitet der Pricing-Experte
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
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
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?
MehrIoT-Trends 2017 Innovationen, Erfahrungen und Tipps
IoT-Trends 2017 Innovationen, Erfahrungen und Tipps Dr. Bettina Horster, Vorstand VIVAI AG 15.11.2016 VIVAI Die Vordenker im Web Web 1.0 Internet als Geschäfts- und Informationsinfrastruktur E-Commerce
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
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
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrRFID als Grundlage der Automation bei SBB Cargo. Philipp Thalmann, Senior Projektleiter Automation-Optimierung SBB Cargo AG
RFID als Grundlage der Automation bei SBB Cargo. Philipp Thalmann, Senior Projektleiter Automation-Optimierung SBB Cargo AG RFID als Grundlage der Automation bei SBB Cargo AG Thalmann Philipp Projektleiter
MehrTreiberbasiertes Türstörungsmonitoring Wie Big Data Türstörungen bei der SBB vermeidet
Treiberbasiertes Türstörungsmonitoring Wie Big Data Türstörungen bei der SBB vermeidet Frankfurter Entwicklungstage 017 www.q-perior.com Treiberbasiertes Türstörungsmonitoring - Wie Big Data Türstörungen
MehrBewegungsplanung für den vierbeinigen Roboter AMEE. Björn Bettzüche
Bewegungsplanung für den vierbeinigen Roboter AMEE Einleitung Vergleichbare Arbeiten Zusammenfassung Referenzen Projekt AMEE SAR 4 intelligente Beine SLAM Sicheres Navigieren 4 [5] 5 Bildbasiert zu ungenau
MehrRegionale Ausschreibung Digitalisierung
Regionale Ausschreibung Digitalisierung WS Forschung Austria Alpbach 24.8.2017 DI Klaus Oberreiter, MBA 1 Ausgangssituation Digitalisierung ist ein wesentlicher Faktor für OÖs Zukunftsfähigkeit. OÖ ist
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrWebinar: SAP Asset Intelligence Network
Webinar: SAP Asset Intelligence Network Vom Wertschöpfungsnetzwerk profitieren und Daten mühelos in der Cloud austauschen Clemens Holzapfel, Jens Schöneberg Asset Management mit SAP Swiss Made 1 Die Speaker
MehrWe boost your customer service
We boost your customer service September 2018 DEEPSEARCH GmbH Opernring 1/Stiege E/6.Stock 1010-Vienna/Austria www.deepsearch.at roland.fleischhacker@deepsearch.at Mit künstlicher Intelligenz Kundenzufriedenheit
MehrPrognose von Kostenschwankungen mit Predictive Analytics DOAG 2016
Prognose von Kostenschwankungen mit Predictive Analytics DOAG 2016 CGI Deutschland Ltd. & Co. KG (Sulzbach) Alfred Stelzl (Lead Consultant Big Data Analytics) November 2016 CGI Group Inc. Agenda 2 Agenda
MehrBusiness Analytics. Aktuelle Methoden und Werkzeuge im Zeitalter der Digitalisierung. Business Analytics
Aktuelle Methoden und Werkzeuge im Zeitalter der Digitalisierung Workshop für Führungskräfte (Gesamtheitlicher Überblick) mit Excel 2019 mit R Workshop für Führungskräfte (Gesamtheitlicher Überblick) Chancen
MehrWas wir vorhersagen, soll auch eintreffen! Röntgenblick auf Sensordaten: Predictive Maintenance für medizinische Großgeräte
Was wir vorhersagen, soll auch eintreffen! Case Study // Röntgenblick auf Sensordaten: Predictive Maintenance für medizinische Großgeräte Management Summary Stichworte Industrie 4.0 Big Data Qualitätssicherung
MehrSession: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
Mehr