HERAUSFORDERUNGEN IM
DATA WAREHOUSING
& „FABELHAFTE“ IDEEN
Thilo Stadelmann, xx.xx.201x
Wieso sind wir hier?
Agenda

Beispiel 1:
DWH und unstrukturierte Daten
Data
Warehousing:
Trends und
Herausforderungen

Beispiel 2:
DWH und neue...
Data Warehouse






„themenorientierte, integrierte, chronologisierte, persistente
Datensammlung zur Unterscheidungsun...
Herausforderungen


Big data



Unstrukturierte Daten



Neue Anwenderbedürfnisse



…
Geschwindigkeit, Aplliances ans...
Unstrukturierte Daten
Traditionell: Text
 z.B. Medizin: Multimedia
 z.B. Content-Industrie: Musik & Ton




Beispiel:
...
Herausforderungen


Big data



Unstrukturierte Daten



Neue Anwenderbedürfnisse



…
Geschwindigkeit, Aplliances ans...
Anwenderbedürfnisse


Vertrauen
In Daten, Verfahren und Ergebnisse



Weitreichendere Analysefunktionen
Komplexere Zusam...
Beispiel„Fahrerablenkung – Entwicklung
1: FABELHAFTe Ideen
eines MetaFahrerassistenzsystems durch
Echtzeit-Audioklassifika...
Beispiel 1: FABELHAFT
(contd.)

 2-fache Geschwindigkeit, 7.5% mehr Leistung
Beispiel 1: Lessons Learned


Introspektion (z.B. Visualisierung) hilft bei der
Erstellung komplexer Analysealgorithmen

...
Beispiel 2: Das EngineeringDWH


Setting: Neue Nutzergruppen im
Engineeringumfeld



Herausforderung: neue Daten, neue
A...
Beispiel 2: Lessons Learned







Statistik, Maschinelles Lernen etc. befremden
(Falscher) Eindruck: Maschine ersetzt...
Fazit


Herausforderung 1: unstrukturierte Daten
 Introspektion zur Findung geeigneter Modelle



Herausforderung 2: ne...
Nächste SlideShare
Wird geladen in …5
×

Herausforderungen im Data Warehousing und "Fabelhafte" Ideen

622 Aufrufe

Veröffentlicht am

Current challenges in data warehousing especially for (automotive) engineering departments through unstructured data and new users requests - and how to cope with them.

Veröffentlicht in: Automobil
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
622
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
29
Aktionen
Geteilt
0
Downloads
1
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Herausforderungen im Data Warehousing und "Fabelhafte" Ideen

  1. 1. HERAUSFORDERUNGEN IM DATA WAREHOUSING & „FABELHAFTE“ IDEEN Thilo Stadelmann, xx.xx.201x
  2. 2. Wieso sind wir hier?
  3. 3. Agenda Beispiel 1: DWH und unstrukturierte Daten Data Warehousing: Trends und Herausforderungen Beispiel 2: DWH und neue Nutzergruppen
  4. 4. Data Warehouse    „themenorientierte, integrierte, chronologisierte, persistente Datensammlung zur Unterscheidungsunterstützung des Managements“ „Kopie transaktionsorientierter Daten, aufbereitet für Abfragen und Berichte“ „physische Datenbank, integrierte Sicht auf beliebige Daten zu Analysezwecken“  „BWL-Analyseorientierte Datenbanksysteme“ 98% der Entscheider halten Datenanalyse im Data Warehouse für essentiell. Aber: nur 40% haben ein explizites Datawarehouse.
  5. 5. Herausforderungen  Big data  Unstrukturierte Daten  Neue Anwenderbedürfnisse  … Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud
  6. 6. Unstrukturierte Daten Traditionell: Text  z.B. Medizin: Multimedia  z.B. Content-Industrie: Musik & Ton   Beispiel: Mehrdeutigkeit Inhalt ziehen auflösen explizieren zufriedenheit = low „Ihr habt sie doch nicht alle!“ Struktur Schlüsse „Intelligenz“
  7. 7. Herausforderungen  Big data  Unstrukturierte Daten  Neue Anwenderbedürfnisse  … Geschwindigkeit, Aplliances anstatt BtO, DWH as a Service / in der Cloud Cloud
  8. 8. Anwenderbedürfnisse  Vertrauen In Daten, Verfahren und Ergebnisse  Weitreichendere Analysefunktionen Komplexere Zusammenhänge erfassen  Selbst-Bedienung Intuitive Oberflächen, versteckte Komplexität  … Bessere Skalierbarkeit, Zugriff mobil & in Echtzeit
  9. 9. Beispiel„Fahrerablenkung – Entwicklung 1: FABELHAFTe Ideen eines MetaFahrerassistenzsystems durch Echtzeit-Audioklassifikation“  Setting: FAS zur Unfallvermeidung durch Ablenkungserkennung  Herausforderung: Schließen der „semantic gap“ trotz mangelnder Daten(qualität)  Lösung: Introspektion via Visualisierung für Modelltuning + SVMSupervektoransatz
  10. 10. Beispiel 1: FABELHAFT (contd.)  2-fache Geschwindigkeit, 7.5% mehr Leistung
  11. 11. Beispiel 1: Lessons Learned  Introspektion (z.B. Visualisierung) hilft bei der Erstellung komplexer Analysealgorithmen  Ausgefeilte Algorithmen und empirische Erfolgsbelege überzeugen konservative Kunden trotzdem nicht unbedingt
  12. 12. Beispiel 2: Das EngineeringDWH  Setting: Neue Nutzergruppen im Engineeringumfeld  Herausforderung: neue Daten, neue Anwendungs-fälle, Misstrauen, Halbwissen  Lösung: „Ingenieurassistenzsystem“ anstatt „KI“
  13. 13. Beispiel 2: Lessons Learned     Statistik, Maschinelles Lernen etc. befremden (Falscher) Eindruck: Maschine ersetzt den Menschen Stattdessen: Unterstützung anbieten, aber Mensch entscheidet Z.B.: Ähnlichkeitsbasierte Visualisierung anstatt vollautomatisches Clustering
  14. 14. Fazit  Herausforderung 1: unstrukturierte Daten  Introspektion zur Findung geeigneter Modelle  Herausforderung 2: neue Anwender(wünsche)  Unterstützung statt Bevormundung Ausblick:  Datawarehouses verlassen den Kernanwenderbereich  …werden „unter der Haube“ intelligenter  …und an der Oberfläche verständlicher

×