ADA-CENTER ANALYTICS, DATEN UND ANWENDUNGEN Analytics Kompetenzzentrum am Fraunhofer IIS Prof. Dr. Alexander Martin Fraunhofer SCS
ADA-Center Ziel und Zweck ENTWICKLUNG VON DATA ANALYTICS-VERFAHREN KI-PLATTFORM FÜR DIE INDUSTRIE AUSTAUSCH ZWISCHEN INDUSTRIE UND WISSENSCHAFT NACHWUCHSFÖRDERUNG STRATEGISCHE INTERNATIONALE KOOPERATIONEN Fraunhofer SCS 2
Lebenszyklen von Materialien und Produkten Fraunhofer EZRT Fraunhofer SCS 3
Lebenszyklen von Daten Daten werden interpretiert Daten werden gruppiert Daten werden strukturiert Daten werden gespeichert Daten werden übertragen Sensoren verarbeiten die Daten vor ERFASSEN, ÜBERTRAGEN & INTEGRIEREN Sensoren zeichnen Daten auf Anwendung erzeugt Daten ANALYTICS DATEN ANWENDUNGEN Daten werden prognostiziert ANALYSIEREN & OPTIMIEREN INTERPRETIEREN & VERWERTEN Daten werden simuliert Daten werden Input für Entscheidungsmodelle Modelle werden optimiert Lösungen zeigen Mehrwerte auf Mehrwerte werden interpretiert / umgesetzt Umsetzung verändert die Anwendung Fraunhofer SCS 4
Lebenszyklen von datengetriebenen Geschäftsprozessen UNTERNEHMEN DATEN Fraunhofer SCS 5
Verknüpfung der Zyklen Kernkompetenzen am Fraunhofer IIS und SCS UNTERNEHMEN DATA SPACES & IOT DATEN SOLUTIONS Fraunhofer SCS 6
Analytics als Kern im ADA-Center Verortung in Forschung und Wirtschaft UNIVERSITÄTEN national und international ADA-CENTER Fraunhofer IIS UNTERNEHMEN Industrie, Automotiv, Handel, KI-Kompetenznetzwerk Kreativraum KI- Forschung Plattform für Unternehmen Außeruniversitäre Forschungsinfrastruktur Lab L.I.N.K.- Halle Forschungs- und Industriekooperationen Nachwuchsförderung Fraunhofer SCS 7
ADA-Center KI-Forschungsfelder Automatisches adaptives Lernen Erklärbares Lernen Sequenzbasiertes Lernen Mathematische Optimierung Data Augmentation, Data Generation Prozessbewusstes Lernen Erfahrungsbasiertes Lernen Semantische Datenmodelle Lernen mit wenigen annotierten Daten Distributed Computing Architecture Fraunhofer SCS 8
Mathematische Optimierung Algorithmische Fortschritte Speed-Up in der Lösungszeit für gemischt-ganzzahlige Optimierungsmodelle durch verbesserte mathematische Verfahren von 1991 bis heute: 10 Speed-Up-Faktor 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Improvement/Version Overall Improvement SPEED-UP-FAKTOR: 1,25 MILLIONEN! Bob Bixby Version (cplex/gurobi) Fraunhofer SCS 9
Analytics-Projektbeispiel Energieeffiziente Fahrplangestaltung Fraunhofer SCS 10
Analytics-Projektbeispiel Energieeffiziente Fahrplangestaltung für DB und VAG VORHER NACHHER Untersuchung für den DB-Personenverkehr: 22.000 Züge / Tag, 4 22 Uhr Einsparung in der mittleren Spitzenlast (blaue Kurve): ca. 38 MW Mögliche Stromkostenersparnis von ca. 5 Mio. / Jahr Fraunhofer SCS 11
Analytics-Projektbeispiel Langzeitprognose von Ersatzteilbedarfen Fraunhofer SCS 12
Analytics-Projektbeispiel Langzeitprognose von Ersatzteilbedarfen bei BSH AUSGANGSSITUATION Produzierendes Unternehmen in der Hausgeräteindustrie Großes Spektrum an Ersatzteilen (>500.000) und langer Lieferverpflichtung (>10 Jahre) PROBLEMSTELLUNG Hohe Bestände und Kosten (Bestand, Lager, Herstellung, Verschrottung) Subjektiver manueller Planungsprozess LÖSUNGSANSATZ Prognose von Ersatzteilbedarfen auf Basis der Bedarfshistorie eines Artikels sowie Mustern in ähnlichen Artikeln Verfahren: Clustering, Regression Fraunhofer SCS 13
Analytics-Projektbeispiel Optimierung des Cash Managements Fraunhofer SCS 14
Analytics-Projektbeispiel Optimierung des Cash Managements bei einer Bank AUSGANGSSITUATION Bank betreibt mehrere hundert Geldautomaten in einer Region Kunden erwarten 100% Verfügbarkeit PROBLEMSTELLUNG Hoher Aufwand in der Befüllung der Geldautomaten Hohes gebundenes Kapital in den Geldautomaten LÖSUNGSANSATZ Prognose des Entnahmeverhaltens und Ermittlung der optimalen Beschickung (Reihenfolge, Menge) Verfahren: Regression, Mixed Integer Programming PREDICTIVE ANALYTICS 2500 2000 1500 1000 500 0 Tag 8 Tag 9 Tag 10 Tag 11 Tag 12 Tag 13 Tag 14 PRESCRIPTIVE ANALYTICS Einsparungen 15% (unterer 5-stelliger Betrag pro Tag) Fraunhofer SCS 15
Analytics-Projektbeispiel Optimale Zuordnung von Servicetechnikern Fraunhofer SCS 16
Analytics-Projektbeispiel Optimale Zuordnung von Servicetechnikern AUFGABE Zuordnung von Service-Technikern zu Kunden Ausgewogene, gleiche Belastung der Techniker Minimierung der Kosten (Zeit, Geld) DATA ANALYTICS ZEIGT Eine optimale Zuordnung (Bild unten) ist um 7% kostengünstiger als die beste Einteilung in Gebiete (Bild oben) Problem: Glaubwürdigkeit der Güte der Lösung Fraunhofer SCS 17
Analytics-Projektbeispiel Sportanalytics Fraunhofer SCS 18
Analytics-Projektbeispiel Sportanalytics Entwicklung von Trackingsystemen für den Sport Frameworks zur Echtzeiterkennung von Aktionen Analysen und Fusion von Tracking und IMU-Daten, z. B. für Leichtathletik, Boxen und Ballsportarten Performance-Analysen im Spiel und Training Benchmarking von Trackingsystemen im Sport z. B. auch im Test- und Anwendungszentrum L.I.N.K. METHODE: KI & MACHINE LEARNING METHODE: PROCESS MINING Player Team Optimum Team Average Fraunhofer SCS 19
Analytics-Anwendungsbeispiel Internet der Emotionen: Bildanalysesoftware SHORE Fraunhofer SCS 20
Analytics-Anwendungsbeispiel Internet der Emotionen: Bildanalysesoftware SHORE GESICHTSERKENNUNG UND -ANALYSE Echtzeiterkennung und -analyse von Gesichtern Einschätzung von Geschlecht und Alter Detektion vom Emotionen anhand der Mimik VIELFÄLTIGE EINSATZMÖGLICHKEITEN Marktforschung und Retail Analytics, Kognitive Robotik, Medizintechnik, Fahrzeug- und Automobilindustrie und vieles mehr WEITERENTWICKLUNG UND METHODEN Erkennung subtilerer Emotionen, Schmerzen, Stress usw. Boosting, SVM, k-nn, Random Forests, Regression, Induktive Logische Programmierung, Bayes sches Netz, Kalman Filter Fraunhofer SCS 21
ADA-Center Neue Formen der Kooperation Einzelprojekte Fraunhofer SCS Joint-Labs 22 ADA-Hub Young Talents
ADA-Center #and you? Sprechen Sie uns an! Prof. Dr. Alexander Martin Telefon 0911 58061-9624 alexander.martin@scs.fraunhofer.de Fraunhofer SCS 23