SlideShare ist ein Scribd-Unternehmen logo
1 von 25
Von alten Algorithmen und neuer
Technologie
Was haben „Fraud Detection“,
„Product Recognition“ und eine
nachhaltige Investitionsplanung
gemeinsam?
Wien, 17. November 2020
Unsere Agenda für heute …
0301 d-fine stellt sich vor
0602 Beispiele aus der Praxis von d-fine
1703 Ausgewälte Erfolgsfaktoren
d-fine stellt sich vor
© 2020 d-fine 3
Seit vielen Jahren unterstützen wir unsere Kunden erfolgreich bei der
Umsetzung anspruchsvoller technologischer Lösungen
Integrierter Beratungsansatz, der Fachberatung und
IT-Umsetzung eng verzahnt. Wir begleiten unsere
Kunden von der Fachkonzeption bis zur
Programmierung und späterem Betrieb.
d-fine
analytisch.
technologisch.
quantitativ.
~ 1000 Mitarbeiter
STRATEGIE GESCHÄFTSMODELLE,
RISIKEN & PROZESSE
IT & TECHNOLOGIEMODELLE &
DATA ANALYTICS
REGULIERUNG
& COMPLIANCE
~ 90% MINT ~200 Kunden in 2019 7 Standorte 1-100 FTE
Projektgröße
Integrierter Beratungsansatz über alle Branchen
© 2020 d-fine 4
 Expertise für
 Geschäftsmodelle
 Märkte
 Regulierung
 etc.
 Branchenerfahrung kombiniert mit
analytischem Mindset
ANALYSE & KONZEPTION
Unsere Kunden verlangen moderne Lösungsansätze für ihre Heraus-
forderungen – d-fine kombiniert Fach- und Umsetzungskompetenz
1000
Mitarbeiter
 50% PHYSIK
 35% MATHEMATIK
 15% IT, BWL & ANDERE
 55% PROMOVIERT
Moderne
Lösungen
Hidden Champion
Winner „Data & Analytics“01
 Komplexe Aufgaben erfordern
leistungsfähige Modelle
 Data Science
 Optimierung
 Künstliche Intelligenz
 So komplex wie nötig, so einfach
wie möglich!
MODELLE & DATENANALYSE
 Innovative & stabile Umsetzung
 Agiles Projektvorgehen
 Software-Entwicklung
 Cloud, Big Data und RPA
 Gemeinsame und nachhaltige
Entwicklung mit unseren Kunden
und Partnern
TECHNOLOGIE & IT
© 2020 d-fine 5
01 Wissenschaftliche Gesellschaft für Management und Beratung mbH
Beispiele aus der Praxis von d-fine
© 2020 d-fine 6
AUFGABENSTELLUNG
 Ausgangssituation
 Rahmenbedingungen
(Regulierung, ...)
 Etc.
Viele aktuelle Herausforderungen erfordern altbekannte Lösungsansätze, die erst in
Kombination mit neuen Technologien praktikabel werden …
© 2020 d-fine 7
Beispiel 1 aus dem Finanzsektor: „Fraud detection“ durch Chat-Überwachung
Beispiel 3 aus dem Energiesektor: Nachhaltige Investitionsplanung im Data Lab
Beispiel 2 aus der Industrie: Produktidentifikation für einen verbesserten Customer Support
GEWÜNSCHTE LÖSUNG
 Zukunftssichere
Problembewältigung
 Kosteneffizienz
 Wertschöpfung
Problemanalyse &
Entwicklung eines
Lösungsansatzes
Planung der
Umsetzung inkl.
etwaiger „shortcuts“
Produktentwicklung
inkl. Bereitstellung
der Infrastruktur …
Die drei folgenden Use-Cases aus dem Projektalltag von d-fine zeigen wie alte Algorithmen mit modernen Technologien
kombiniert werden, um das gewünschte Produkt zu liefern
Illegale Absprachen zwischen Händlern können durch eine gesamtheitliche Überwachung
der Kommunikation im Treasury verhindert werden
© 2020 d-fine 8
Fraud detection durch Chat-Überwachung im Finanzsektor
Herausforderungen
 Anbindung von drei Datenquellen (Reuters Instant, Bloomberg Instant, Bloomberg
Mail)
 Ca. 500.000 Chatbeiträge pro Woche zu analysieren
 Spezifisches Training und Validierung von Anomaliedetektionsalgorithmen ohne
Beispiele kritischer Kommunikation
 Kombination von i.W. Deutsch, Schweizerdeutsch und Englisch in der Kommunikation
 Etablierung neuer Technologien: u.A. ElasticSearch, R-Shiny, Machine Learning
Ansätze
Ausgangssituation &
Ziel
 Im Rahmen der Untersuchung des LIBOR Skandals in 2012 wurden Mängel bei
Monitoring des Inter-Banken-Handels festgestellt
 Eine 2013 durch einen Drittanbieter implementierte Lösung zur Handelsüberwachung
hat sich als praktisch nicht nutzbar erweisen. Hintergrund waren sehr viele false
positive Meldungen auf Grund schlechter Datenqualität und nicht robuster Modelle
 Es konnte keine kommerzielle Alternative gefunden werden
 Ziel war die Entwicklung einer Lösung, die der regulatorischen Abnahme standhält
Lösungsansatz
 Rapid-Prototyping zur Abschätzung der erreichbaren Modellgüte (Azure Cloud)
 Detaillierung der Anforderungen, Architektur-Design
 Konzeption / Implementierung Datenhaushalt (ElasticSearch)
 Implementierung Schnittstellen & Datenpipelines sowie Initialbefüllung
 Entwicklung und Finetuning von Baseline und ML-Modellen (Wortlisten, Embedding-
Ähnlichkeit, CNNs)
 Entwicklung der Weboberfläche mir R-Shiny
 Abnahmetests, Roll-out und Stabilisierungsphase
Eine Anomalieerkennung per Natural Language Processing bleibt nur durch ständiges Re-
Training und Weiterentwicklung funktionsfähig
© 2020 d-fine 9
Das fertige Produkt Weiterentwicklung
 Experten-basiertes Initialmodell
 Kontinuierliches Sammeln von Feedback
durch Nutzer
 Turnusmäßiges Re-Training der ML-ModelleNetzwerk-Analyse
Anomalie-Detektion
Chat-Einzelanalyse Treffer im Zeitverlauf
A
B
C
A
B
C
Modellvorhersage
Review durch Analysten
Supervised
learning
Natural Language Processing konnte auf einem PC mit üblicher Rechen-leistung aufgesetzt,
entwickelt und trainiert werden
© 2020 d-fine 10
Entwicklungsdaten
(Reuters Instant,
Bloomberg Instant,
Bloomberg Mail)
IDE Versionierung
Python Rechenkern
NLP Lib
NLTK
Neural Lib
Vortrainierte
NLP Modelle
BERT
Oberfläche
 Python 3 + Standard-Libraries (Anaconda-Distribution)
 Deep-Learning Library Tensorflow zur Implementierung Neuronaler Netze
 CUDA für die effiziente Nutzung der GPU
 Vortrainiertes state-of-the-art NLP-Modell BERT
 Elasticsearch als Datenspeicher, für explorative Analysen und als
Baustein von einfachen Baseline-Modellen
 Weitere open-source NLP Library NLTK
 Benutzeroberfläche in R-Shiny
Core Engine Software + UI
 PC mit üblicher
Rechenleistung
 Mindestens 12 GB RAM
 Mindestens 12 GB GPU
für das Trainieren von
modernen neuronalen
Modellen
Hardware
 Entwicklungsumgebung (IDE) PyCharm
 Git zur Versionierung des Codes
 Kibana als Oberfläche für Elasticsearch
Entwicklungstools
12 GB
GPU
Hardware
Die Erfolgsgeschichte für Künstliche Intelligenz – Bilderkennung
© 2020 d-fine 11
Wie funktioniert algorithmische Objekt-/Produkterkennung mit modernen Methoden der KI?
Moderne neuronale Netze …
 erlernen aus Trainingsdaten allgemeinere Konzepte
 erkennen selbständig die relevanten Bildmerkmale
 „vererben“ ihr Wissen (teilweise)
 können im produktiven Einsatz dazulernen
 können ihre Ergebnisse erklären
Was versteht man unter Produkterkennung?
 Kann ein Computer feststellen, ob es sich bei dem Objekt auf einem Bild
um ein Auto oder ein Fahrrad handelt?
 Wie bringt man dem Computer bei diese Entscheidung zu treffen?
 Erkennt ein “trainierter” Computer auch Objekte auf unbekannten Bildern?
Methodische Herausforderungen
 Produktbilder haben ein (fast) beliebiges Erscheinungsbild (viele Pixel & Farbwerte)
 Komplikation durch Variation von Hintergrund, Beleuchtung und Perspektive
 Klassische Programmieransätze sind überfordert – Sie „generalisieren“ schlecht
von Beispielen auf allgemeine Konzepte!
 Ein Machine Learning System ist NICHT auf alle denkbaren Fälle “vorbereitet” – Stattdessen findet es eine optimale Lösung
indem es sich dem Problem anpasst – Weil das hoch komplex ist, benötigt es viele Daten
All images on this slide are taken from pexels.org
Produktidentifikation für einen Keramikhersteller
Deep Neural Networks erlauben die zuverlässige Unterscheidung komplexer Muster in industriellen Anwendungen
Herausforderungen
 Auswahl einer geeigneten DNN01 Architektur und Schaffung einer hinreichenden Datenbasis für das Training
 Design von Verfahren zum Auffinden von Objekten in komplexen Bildern & Optimierung der Erkennung
 Quantifizierung von Mehrwert & Aufwand für die Erweiterung des Systems auf andere Anwendungsfälle
Ausgangssituation &
Ziel
 Kunden melden sich mit Bildern ihrer Keramik und wünschen sich Ersatzteile bzw. weitere Serienstücke
 Implementierung einer Deep-Learning basierten Software zum Auffinden und zur Erkennung von Artikeln in
Kundenbildern und in der unternehmensweiten Bilddatenbank
Lösungsansatz
 Standardisiertes Training & Tuning vortrainierter & problemspezifisch optimierter DNNs (TensorFlow)
 Systematische Erweiterung der Datenbasis; Fachliche Verbesserung von Netzarchitektur & Training
 Workshops mit Fachabteilungen und Digitalabteilung zur Evaluierung der identifizierten Anwendungsfälle
 Diskussion der Roadmap für die Umsetzung
© 2020 d-fine 12
01 Deep Neural Networks
Neuronale Netze – Grundlagen, Architekturen und Herausforderungen
© 2020 d-fine 13
Künstliche Neuronale Netze
 versuchen Neuronen im Gehirn
mathematisch zu modellieren
 sind sehr stark vereinfacht und
keinesfalls geeignet, echte
Denkvorgänge zu beschreiben
 sind mächtige technische Hilfs-
mittel für die Mustererkennung
Wichtige Architekturen
Convolutional Networks in der Bilderkennung
 Schichtstruktur mit hierarchischer
Aufgabenteilung01
 Kombination einfacher Merkmale
zu komplexeren „Konzepten“
 Zunehmende Spezialisierung der
neuronalen Schichten
Faltungsnetze Rekurrente Netze
z.B. Objekterkennung und
Bildsegmentierung02
Analyse sequentieller
Daten (Sprache, Zeitreihen)
Herausforderungen
 Komplexe mathematische und
technische Modellierung
 Stellenweise großer Daten-
und Rechenzeithunger
 Erklärbarkeit von Ergebnissen
nicht immer einfach
01 Bildquelle: Matthew D Zeiler and Rob Fergus: Visualizing and Understanding Convolutional Networks, 2013 (https://arxiv.org/abs/1311.2901)
Weitverbreitete Standardkomponenten im Technology Stack vereinfachen die Vorbereitung
und das Deployment, und beschleunigen Release Zyklen
© 2020 d-fine 14
Darstellung einer vollständigen Analytics Pipeline Architektur – nicht alle Komponenten sind in jedem Fall notwendig
Input Streams Ingestion Stream Processing Analytics, REST-Interfaces
GUIs…
Pre-
Processing
Ingestion
…
Pre-
Processing
Event-
Processing
Nachhaltige Investitionsplanung für Infrastrukturbetreiber erfordert langfristige
Entscheidungen in zunehmend komplexem Umfeld …
© 2020 d-fine 15
Maßgeschneiderte und auf Basis moderner Technologie umgesetzte Systemmodelle unterstützen dabei,
Komplexität zu reduzieren, Chancen/Risiken abzuwägen und Sensitivitäten zu erkennen.
 Instandhaltung und Wartung (Bestand)
 Ersatzinvestition
 Neuinvestition
 Akquisition
Welche Möglichkeiten habe ich?
 Welche Erlöse / Kosten erwarte ich?
 Welche Risiken erwarte ich?
 Wie wirkt sich die Unsicherheit aus?
Was nutzt es unter welchen
Risiken?
 Was mache ich?
 Wann mache ich es?
 In was für einem Umfang
mache ich es?
Wie mache ich es optimal?
Investitions-
planung
EXOGEN
ENDOGEN
Exogene Faktoren
 Zunehmende Vernetzung
 Wirtschaftlichkeit
 Technologie
 Netztopologien
 …
 …
 Dynamische
Entwicklungen
 Politische & regulat.
Rahmenbedingungen
Wie entwickelt sich der Markt?
Wie reagieren die anderen?
Investitionsplanung für Netzbetreiber unter Berücksichtigung der Sektorenkopplung
© 2020 d-fine 16
Energiesystemmodell für die langfristige Planung von Netzinfrastruktur bis 2050 unter Berücksichtigung weitreichender Sektorenkopplung
Herausforderungen
 Bereitstellung aller relevanter Eingangsdaten (Netztopologie, Erzeugungseinheiten, bestehende, geplante und
mögliche Assets, etc.)
 Lösen des komplexen Optimierungsproblems (viele Mio. Variablen und Nebenbedingungen)
 Integration mit bestehenden Modellen und Infrastrukturen
Ausgangssituation &
Ziel
 Energiewende führt zu Steigerung alternativer, nachhaltiger und fluktuierender Erzeugung (PV, Wind), einer
zunehmenden Dezentralisierung der Erzeugung und vermehrten Kopplung von Strom, Gas, Wärme und
Mobilität
 Ziel: Interaktives Planungswerkzeug für Investitionen in Netzelemente (Leitungen, Speicher, Power-to-Gas, etc.)
Lösungsansatz
 Einrichten einer hochperformanten Infrastruktur in der Cloud (z.B. Amazon Web Services – EC2) mit
geeigneten Berechnungsinstanzen (z.B. AWS-z1d), Solvern (z.B. Gurobi) und Betriebssystemen (z.B. Linux)
 Implementierung der Modellierungssoftware (Python), Datenverarbeitungsprozesse, Input-Pipeline
 Bereitstellen einer Management-tauglichen GUI inkl. Möglichkeiten der Szenarioanalyse
Tests
 Performance
 Speichervolumen
 Solver-Settings
 Prozesse/Abläufe
Wissenstransfer
 Kriterienkatalog
 Schulungen
Implementierung der
Modellsoftware & Dashboards
Anbinden der Cloud
Ausgewählte Erfolgsfaktoren
© 2020 d-fine 17
Das Aufteilen von Applikationen in Microservices reduziert das Projektrisiko, erleichtert den
Betrieb und die Weiterentwicklung der Services
© 2020 d-fine 18
Eigenschaften
 Historische Herangehensweise, hervor-
gegangen aus der Grundannahme, dass die
gesamte Applikation auf einem einzigen
System läuft
 Starke Koppelung zwischen
Applikationskomponenten
 Direkter Zugriff auf Systemkomponenten
vorgesehen
 Ausgelegt auf das Ausnutzen des Scale-
Ups durch Moores Law
Traditionelle Softwarearchitektur
Vorteile
 Geringere Komplexität durch direkte
Kommunikation der einzelnen Komponenten
 Gut geeignet für kleine Softwareprojekte bzw.
kleine Entwicklungsteams bei klar definiertem
Scope
Nachteile
 Portierung auf andere Systeme aufwändig
 Komplexität steigt enorm, wenn mehrere
Programmiersprachen bzw. Frameworks für die
Umsetzung benötigt werden
Eigenschaften
 Rückbesinnung auf UNIX Philosophie, dass
ein Werkzeug eine Aufgabe gut erledigen
soll
 Lose Koppelung zwischen Applikationen
unter Verwendung einheitlicher
Schnittstellen-„Sprache“ wie z.B. REST
 Abhängigkeit zu Libraries bzw. Frameworks
pro Microservice und nicht Gesamtsystem
 Ausgelegt auf das Ausnutzen von Scale-Out
in der Cloud
Microservice Softwarearchitektur
Vorteile
 Netzwerkgedanke integraler Bestandteil und
nicht Add-On, das zu Problemen führt
 Leichte Aufteilung der Tasks auf Teams durch
klare Regelung der Schnittstellen
 Freiheit in der Wahl der Werkzeuge pro
Umsetzung des Microservices
Nachteile
 Anzahl der Schnittstellen wächst exponentiell
 Debugging im Netzwerk erfordert Erfahrung
Containerisierung und Orchestrierung ermöglichen ein automatisiertes Deployment und
Scale-Out der Applikation (On-Site und/oder in der Cloud)
© 2020 d-fine 19
 Entwickler/Benutzer selbst
verantwortlich für die
Umgebung
 Klonen der Umgebung
nicht vorgesehen:
 Unterschiede bei
Versionen der
Bibliotheken und
Frameworks möglich
 Unterschiede in der
Konfiguration zw.
Systemen kaum zu
vermeiden
 Bei parallel installierten
verschiedenen
Versionen sind
Konflikte unumgänglich
Traditionelle Umgebung
 Zentrale Administration
der Umgebungen
 Klonen einzelner
Umgebungen ermöglicht
 Bereitstellung einheit-
licher Versionen der
Bibliotheken und
Frameworks
 Weitestgehend einheit-
liche Konfigurationen
 Installation und gleich-
zeitiger Betrieb unter-
schiedlicher Versionen
Virtualisierung Containerisierung (Docker01)
 Skriptbasierte Konfiguration der
Umgebungen in einem aufbau-
enden Ansatz
 Geringer Overhead pro
Container ermöglicht
 Aufteilung von Applikationen
in logische Einheiten
 effiziente Skalierung
Orchestrierung (OpenShift01)
 Automatisierung der
Bereitstellung von Containern
 Konfiguration über Beschreib-
ung der gewünschten Leistung
statt über Setzen einzelner
Parameter
01 Die angegebenen Umsetzungen sind Beispiele: statt Docker sind auch openVZ, containerd oder Mesos und statt OpenShift
Kubernetes, Jenkins, Control-M, Ansible Alternativen
Einsatz einer Continuous Integration Plattform zahlt sich durch Bereitstellung als Container
schon für kleine Projekte aus
© 2020 d-fine 20
 Aus kommerziell frei nutzbaren Komponenten gebaut (GitLab & SonarCube)
 Komplett als Docker Image, einsatzbereit in wenigen Minuten: Einsatz auf firmeninterner Infrastruktur oder als AWS EC2 Instanz
 Vorbereitet für Nutzung von bereitgestellten SSL-Zertifikaten oder Verwendung von LetsEncrypt Zertifikaten
 Umgebung ist vorkonfiguriert für optimales und sicheres Zusammenspiel der Komponenten
d-fine Continuous Integration Plattform
 Laufende Integration neuer Funktionen in die Software z.B. als Umsetzung eines Feature-Requests oder einer User-Story
 Änderungen werden durch automatisierte Builds und Tests validiert
 Durch ständig mitlaufende Integrationstests werden große und damit riskante Umstellungen auf einen Schlag vermieden
 Grundprinzip ist die Durchführung automatischer Tests mit möglichst hohem Abdeckungsgrad, um die Funktionstüchtigkeit des
Produktes ständig zu gewährleisten
Continuous Integration
 Tests auf jeder Entwicklungsebene
müssen erstellt werden
 Tests müssen automatisiert laufen
können
 Gesamter Build-Prozess muss
automatisiert laufen können
 Continuous-Integration Umgebung
muss aufgesetzt und betrieben werden
KOSTEN
 Frühe Erkennung von Regressionen
durch ständiges Testen
 Erstellen der Builds reibungslos durch
hohen Integrationsgrad
 Abarbeitung der Aufgabe wird bestätigt
durch erfolgreiche Tests
 Reduktion der Testaufwände durch
Automatisierung
 Test-Team kann sich auf
Qualitätsverbesserungen konzentrieren
VORTEILE
Ist die Continuous Integration einmal umgesetzt, sind weitere Schritte in der Automatisierung
des Deployments mühelos möglich
© 2020 d-fine 21
Unterstützung durch d-fine
 d-fine CI-Plattform
 Entwicklung performanter, skalierbarer und zukunftssicherer IT-
Infrastrukturen
 Begleitung in der Transformation hin zu Continuous Deployment
 Analytisches Vorgehen geeignet für Test Driven Development
 Einsatz von Continuous Delivery bzw. Deployment bei der
Entwicklung von Kundenprojekten
 Unterstützung in jeder Projektphase von Konzeption bis Quality
Assurance
 Erweiterung des Konzepts der
Continuous Integration durch
Automatisierung der Releases
 Nur ein manueller Schritt – das
Starten des Deployments – nötig,
Rest läuft nach Drehbuch
Vorteile:
 Deployment vereinfacht auf
minimalen menschlichen Eingriff
 Releases sind öfter möglich –
kurze Feedback-Schleife zu
Kunde/Abnehmer
 Niedrige Schwelle zur
Umsetzung von neuen Features
Continuous Delivery
 Letzter manueller Eingriff für die
Erstellung eines Releases
automatisiert
 Jede erfolgreich getestete
Funktionalität wird automatisch in
Produktion genommen
Vorteile:
 Entwicklung wird nicht durch
Deployment-Tätigkeiten
aufgehalten
 Releases sind risikoarm durch
kleine Menge an neuen Features
 Kunden/Abnehmer sehen ständig
Verbesserungen im
Produktumfang
Continuous Deployment
Und nun Alle zusammen:
Microservices + CD + Container + Orchestrierung = Entwickeln in 2020++
© 2020 d-fine 22
Eine leistungsfähige, optimal auf die
Geschäftsprozesse ausgerichtete
und möglichst flexible IT-Architektur
ist essentiell für die nachhaltige
Sicherung des Unternehmenserfolgs

d-fine unterstützt Sie
 zukunftsfähige IT-Architekturen zu
entwickeln
 Standardsoftwaresysteme
auszuwählen, oder
 maßgeschneiderte Apps und
Fachanwendungen umzusetzen
Dabei bringt d-fine
 Know-How der Vergangenheit und
technologisches Wissen der
Zukunft
 Modernisierung alter Systeme und
Umsetzung neuer Lösungen
 agile Methoden, um unsere
Kunden über den gesamten
Lebenszyklus hinweg zu
unterstützen

d-fine deckt das gesamte Spektrum
von der Anforderungsanalyse bis zu
Wartung und Betrieb ab

We also do the dirty work!
© 2020 d-fine 23
Nicht Alles ist ein trendiges
Vorzeigeprojekt, wie heute
vorgestellt. Trotz Einsatz
neuer Technologien ist der
Großteil der Arbeit, die
traditionellen Heraus-
forderungen zu meistern.
Projektarbeit erfordert
Erfahrung im Umfeld des
Kunden und ein tiefes
fachliches Verständnis der
Materie.
Wir haben keine Angst vor
Daten, komplexen Strukturen
und Prozessen, die uns dazu
bringen „out-of-the-box“ zu
denken. Diese
Herausforderungen sind
unser täglich Brot.
Dies alles bietet unser Team
an MitarbeiterInnen von d-
fine, das sich gerade an der
Schnittstelle zwischen
Fachbereich und IT am
wohlsten fühlt.
„Trendy is the last
stage before tacky“
“Adventure is just bad
planning”
The Human Element“Data is the new Oil“
Ihre Ansprechpartner
Dr. Clemens Wagner-Bruschek, ERP
Gew. Geschäftsführer | Non-Finance
Sector
Mobil +43 664 2453079
E-Mail Clemens.Wagner-Bruschek@d-
fine.at
Markus von Rothkirch
Geschäftsführer | Finance Sector
Tel +43 1 5121792-10
E-Mail Markus.von.Rothkirch@d-fine.de
Andreas Nandor Nemeth
Ansprechpartner Financial Services
Mobil +43 699 18262580
E-Mail AndreasNandor.Nemeth@d-
fine.at
Dr. Christoph Höggerl, MBA
Ansprechpartner Energie & Industrie
Mobil +43 699 18262561
E-Mail Christoph.Hoeggerl@d-fine.at
Zürich
d-fine AG
Brandschenkestrasse 150
CH-8002 Zürich
Schweiz
info@d-fine.ch
Wien
d-fine Austria GmbH
Riemergasse 14 Top 12
A-1010 Wien
Österreich
info@d-fine.at
München
d-fine GmbH
Bavariafilmplatz 8
D-82031 Grünwald
Deutschland
info@d-fine.de
London
d-fine Ltd
6-7 Queen Street
London, EC4N 1SP
United Kingdom
info@d-fine.co.uk
Frankfurt
d-fine GmbH
An der Hauptwache 7
D-60313 Frankfurt/Main
Deutschland
info@d-fine.de
Düsseldorf
d-fine GmbH
Dreischeibenhaus
D-40221 Düsseldorf
Deutschland
info@d-fine.de
Berlin
d-fine GmbH
Friedrichstraße 68
D-10117 Berlin
Deutschland
info@d-fine.de

Weitere ähnliche Inhalte

Was ist angesagt?

Peter Hasmann , zSPM (Scheer Austria GmbH)
Peter Hasmann , zSPM (Scheer Austria GmbH)Peter Hasmann , zSPM (Scheer Austria GmbH)
Peter Hasmann , zSPM (Scheer Austria GmbH)Praxistage
 
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)Praxistage
 
Ing. Nikolaus A. Proske (d.velop)
Ing.  Nikolaus A. Proske (d.velop)Ing.  Nikolaus A. Proske (d.velop)
Ing. Nikolaus A. Proske (d.velop)Praxistage
 
Herbert Leberbauer (Informio)
Herbert Leberbauer (Informio)Herbert Leberbauer (Informio)
Herbert Leberbauer (Informio)Praxistage
 
Cloud - ist das etwas für Ihr Business Modell?
Cloud - ist das etwas für Ihr Business Modell?Cloud - ist das etwas für Ihr Business Modell?
Cloud - ist das etwas für Ihr Business Modell?Digicomp Academy AG
 
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)Praxistage
 
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)Praxistage
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMUGernot Sauerborn
 
Ing. Friedrich Szukitsch EDV Dienstleistungen
Ing. Friedrich Szukitsch EDV DienstleistungenIng. Friedrich Szukitsch EDV Dienstleistungen
Ing. Friedrich Szukitsch EDV DienstleistungenPraxistage
 
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin stattargvis GmbH
 
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013Maria Willamowius
 
Dr. Michael Huemer (BDO IT & Risk Advisory)
Dr. Michael Huemer (BDO IT & Risk Advisory)Dr. Michael Huemer (BDO IT & Risk Advisory)
Dr. Michael Huemer (BDO IT & Risk Advisory)Praxistage
 
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata GmbH
 
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...bhoeck
 
Dipl.-Ing. Klaus Tigges (ThingWorx)
Dipl.-Ing. Klaus Tigges (ThingWorx)Dipl.-Ing. Klaus Tigges (ThingWorx)
Dipl.-Ing. Klaus Tigges (ThingWorx)Praxistage
 
Big data minds 2013 vorankündigung
Big data minds 2013 vorankündigungBig data minds 2013 vorankündigung
Big data minds 2013 vorankündigungMaria Willamowius
 
Christian Leopoldseder (Asseco Solutions)
Christian Leopoldseder (Asseco Solutions)Christian Leopoldseder (Asseco Solutions)
Christian Leopoldseder (Asseco Solutions)Praxistage
 
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter Effizienz in Serverräumen und Rechenzentren
 

Was ist angesagt? (20)

InspireIT - Online-Event
InspireIT - Online-Event InspireIT - Online-Event
InspireIT - Online-Event
 
Peter Hasmann , zSPM (Scheer Austria GmbH)
Peter Hasmann , zSPM (Scheer Austria GmbH)Peter Hasmann , zSPM (Scheer Austria GmbH)
Peter Hasmann , zSPM (Scheer Austria GmbH)
 
Impulse für Ihre Karriere
Impulse für Ihre KarriereImpulse für Ihre Karriere
Impulse für Ihre Karriere
 
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)
Mag. Kurt Nowotny (3i Software), Josef Weissinger (Soroban)
 
Ing. Nikolaus A. Proske (d.velop)
Ing.  Nikolaus A. Proske (d.velop)Ing.  Nikolaus A. Proske (d.velop)
Ing. Nikolaus A. Proske (d.velop)
 
Herbert Leberbauer (Informio)
Herbert Leberbauer (Informio)Herbert Leberbauer (Informio)
Herbert Leberbauer (Informio)
 
Cloud - ist das etwas für Ihr Business Modell?
Cloud - ist das etwas für Ihr Business Modell?Cloud - ist das etwas für Ihr Business Modell?
Cloud - ist das etwas für Ihr Business Modell?
 
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)
Dipl.-Kfm. Alexander Rehn (T&O Unternehmensberatung)
 
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)
Mag. Helmut Miernicki (ecoplus Niederösterreichs Wirtschaftsagentur)
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
 
Ing. Friedrich Szukitsch EDV Dienstleistungen
Ing. Friedrich Szukitsch EDV DienstleistungenIng. Friedrich Szukitsch EDV Dienstleistungen
Ing. Friedrich Szukitsch EDV Dienstleistungen
 
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
22. Jahrestagung: Die MainDays finden vom 23./24.11.21 in Berlin statt
 
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013
Interview - Data Migration AG - Peter R. Schönenberger - smart con SAP 2013
 
Dr. Michael Huemer (BDO IT & Risk Advisory)
Dr. Michael Huemer (BDO IT & Risk Advisory)Dr. Michael Huemer (BDO IT & Risk Advisory)
Dr. Michael Huemer (BDO IT & Risk Advisory)
 
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
Iodata, Qlik Solution Provider in Projektkooperation zum Thema Industrie 4.0
 
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...
Mit Microsoft Teams und dem Modern Secure Workplace Effizienz und Sicherheit ...
 
Dipl.-Ing. Klaus Tigges (ThingWorx)
Dipl.-Ing. Klaus Tigges (ThingWorx)Dipl.-Ing. Klaus Tigges (ThingWorx)
Dipl.-Ing. Klaus Tigges (ThingWorx)
 
Big data minds 2013 vorankündigung
Big data minds 2013 vorankündigungBig data minds 2013 vorankündigung
Big data minds 2013 vorankündigung
 
Christian Leopoldseder (Asseco Solutions)
Christian Leopoldseder (Asseco Solutions)Christian Leopoldseder (Asseco Solutions)
Christian Leopoldseder (Asseco Solutions)
 
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
 

Ähnlich wie Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)

Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschVon Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschAndreas Koop
 
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschVon Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarschenpit GmbH & Co. KG
 
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM GmbH Knowledge Management
 
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...Jan Rodig
 
Digitalisierung leicht gemacht - Keynote
Digitalisierung leicht gemacht - KeynoteDigitalisierung leicht gemacht - Keynote
Digitalisierung leicht gemacht - KeynoteDetlev Sandel
 
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBATbern
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?BARC GmbH
 
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdeckenXing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdeckenDigicomp Academy AG
 
Splunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk
 
Das geheime Leben einer Störmeldung
Das geheime Leben einer StörmeldungDas geheime Leben einer Störmeldung
Das geheime Leben einer StörmeldungGeorg Guentner
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Praxistage
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktFilipe Felix
 
Erp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinausErp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinausDedagroup
 
LineMetrics Data-as-a-Service - Monitoring für Bestandsgebäude
LineMetrics Data-as-a-Service - Monitoring für BestandsgebäudeLineMetrics Data-as-a-Service - Monitoring für Bestandsgebäude
LineMetrics Data-as-a-Service - Monitoring für BestandsgebäudeLeonieDelphineReschr
 
Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Rising Media Ltd.
 
Synaptic Network GmbH - Firmenprofil
Synaptic Network GmbH - FirmenprofilSynaptic Network GmbH - Firmenprofil
Synaptic Network GmbH - FirmenprofilSynaptic Network GmbH
 
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedachtDigitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedachtGeorg Guentner
 
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...Intelliact AG
 
Mittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewMittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewWeissmanGruppe
 
Wie Sie Mit Design Sprints Echten Digitalen Wandel Schaffen
Wie Sie Mit Design Sprints Echten Digitalen Wandel SchaffenWie Sie Mit Design Sprints Echten Digitalen Wandel Schaffen
Wie Sie Mit Design Sprints Echten Digitalen Wandel SchaffeniTiZZiMO
 

Ähnlich wie Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria) (20)

Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschVon Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
 
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschVon Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarsch
 
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
 
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...
Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...
 
Digitalisierung leicht gemacht - Keynote
Digitalisierung leicht gemacht - KeynoteDigitalisierung leicht gemacht - Keynote
Digitalisierung leicht gemacht - Keynote
 
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
 
Big Data - Die große Innovation?
Big Data - Die große Innovation?Big Data - Die große Innovation?
Big Data - Die große Innovation?
 
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdeckenXing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken
Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken
 
Splunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit SplunkSplunk Webinar: Machine Learning mit Splunk
Splunk Webinar: Machine Learning mit Splunk
 
Das geheime Leben einer Störmeldung
Das geheime Leben einer StörmeldungDas geheime Leben einer Störmeldung
Das geheime Leben einer Störmeldung
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) Kompakt
 
Erp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinausErp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinaus
 
LineMetrics Data-as-a-Service - Monitoring für Bestandsgebäude
LineMetrics Data-as-a-Service - Monitoring für BestandsgebäudeLineMetrics Data-as-a-Service - Monitoring für Bestandsgebäude
LineMetrics Data-as-a-Service - Monitoring für Bestandsgebäude
 
Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017Predictive Analytics World for Business Deutschland 2017
Predictive Analytics World for Business Deutschland 2017
 
Synaptic Network GmbH - Firmenprofil
Synaptic Network GmbH - FirmenprofilSynaptic Network GmbH - Firmenprofil
Synaptic Network GmbH - Firmenprofil
 
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedachtDigitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
 
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
 
Mittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewMittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of View
 
Wie Sie Mit Design Sprints Echten Digitalen Wandel Schaffen
Wie Sie Mit Design Sprints Echten Digitalen Wandel SchaffenWie Sie Mit Design Sprints Echten Digitalen Wandel Schaffen
Wie Sie Mit Design Sprints Echten Digitalen Wandel Schaffen
 

Mehr von Praxistage

Einladung zu den Praxistagen 2024 im virtuellen Landhaus
Einladung zu den Praxistagen 2024 im virtuellen LandhausEinladung zu den Praxistagen 2024 im virtuellen Landhaus
Einladung zu den Praxistagen 2024 im virtuellen LandhausPraxistage
 
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...Praxistage
 
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)Praxistage
 
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)Praxistage
 
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)Praxistage
 
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)Praxistage
 
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...Praxistage
 
Bernd Schellnast (Sphinx IT Consulting GmbH)
Bernd Schellnast (Sphinx IT Consulting GmbH)Bernd Schellnast (Sphinx IT Consulting GmbH)
Bernd Schellnast (Sphinx IT Consulting GmbH)Praxistage
 
Werner Panhauser (Helvetia Versicherungen AG)
Werner Panhauser (Helvetia Versicherungen AG)Werner Panhauser (Helvetia Versicherungen AG)
Werner Panhauser (Helvetia Versicherungen AG)Praxistage
 
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)Praxistage
 
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)Praxistage
 
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)Praxistage
 
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)Praxistage
 
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)Praxistage
 
Doris Ingerisch (Axians ICT Austria GmbH)
Doris Ingerisch (Axians ICT Austria GmbH)Doris Ingerisch (Axians ICT Austria GmbH)
Doris Ingerisch (Axians ICT Austria GmbH)Praxistage
 
Josef Weissinger (Soroban IT-Beratung GmbH)
Josef Weissinger (Soroban IT-Beratung GmbH)Josef Weissinger (Soroban IT-Beratung GmbH)
Josef Weissinger (Soroban IT-Beratung GmbH)Praxistage
 
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)Fr. Vanessa Kluge, BA (Kontron AIS GmbH)
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)Praxistage
 
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)Praxistage
 
Praxistage 2024 im virtuellen Landhaus, St. Pölten
Praxistage 2024 im virtuellen Landhaus, St. PöltenPraxistage 2024 im virtuellen Landhaus, St. Pölten
Praxistage 2024 im virtuellen Landhaus, St. PöltenPraxistage
 
Hr. David Simon (Juniper Networks, Inc.)
Hr. David Simon (Juniper Networks, Inc.)Hr. David Simon (Juniper Networks, Inc.)
Hr. David Simon (Juniper Networks, Inc.)Praxistage
 

Mehr von Praxistage (20)

Einladung zu den Praxistagen 2024 im virtuellen Landhaus
Einladung zu den Praxistagen 2024 im virtuellen LandhausEinladung zu den Praxistagen 2024 im virtuellen Landhaus
Einladung zu den Praxistagen 2024 im virtuellen Landhaus
 
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...
Michael Jäger, MBA, Dipl. Wirtschaftsinformatiker (FH) Christian Kohler (Mait...
 
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)
Fr. RA Mag. Birgit Noha, LL.M. (Laws.at)
 
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)
Mag.a Mary-Ann Hayes (Unicredit Bank Austria AG)
 
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)
OR Dipl.-Ing. Bettina Gastecker, Bakk (Bundesministerium für Finanzen)
 
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)
Dipl.-Ing. (FH) Bernd Stockinger (Citycom Telekommunikation GmbH)
 
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...
Dipl.-Verww. (FH) Christian Zierau (Stadtrat für Finanzen, Personal, Ordnung ...
 
Bernd Schellnast (Sphinx IT Consulting GmbH)
Bernd Schellnast (Sphinx IT Consulting GmbH)Bernd Schellnast (Sphinx IT Consulting GmbH)
Bernd Schellnast (Sphinx IT Consulting GmbH)
 
Werner Panhauser (Helvetia Versicherungen AG)
Werner Panhauser (Helvetia Versicherungen AG)Werner Panhauser (Helvetia Versicherungen AG)
Werner Panhauser (Helvetia Versicherungen AG)
 
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)
Michael Weilguny, Christian Schön (IVM Technical Consultants Wien Ges.m.b.H.)
 
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)
Dipl.-Ing. Bob Velkov (Huawei Technologies Austria GmbH)
 
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)
Dipl.-Ing. Werner Plessl (Hewlett Packard Enterprise)
 
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)
Dipl.-Ing. Marc Haarmeier (Prime Force Group Int. AG)
 
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)
Mag.a Verena Becker, BSc. (Wirtschaftskammer Österreich/BSIC)
 
Doris Ingerisch (Axians ICT Austria GmbH)
Doris Ingerisch (Axians ICT Austria GmbH)Doris Ingerisch (Axians ICT Austria GmbH)
Doris Ingerisch (Axians ICT Austria GmbH)
 
Josef Weissinger (Soroban IT-Beratung GmbH)
Josef Weissinger (Soroban IT-Beratung GmbH)Josef Weissinger (Soroban IT-Beratung GmbH)
Josef Weissinger (Soroban IT-Beratung GmbH)
 
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)Fr. Vanessa Kluge, BA (Kontron AIS GmbH)
Fr. Vanessa Kluge, BA (Kontron AIS GmbH)
 
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)
Ing. Boris Werner (Breitbandbüro des Bundesministeriums für Finanzen)
 
Praxistage 2024 im virtuellen Landhaus, St. Pölten
Praxistage 2024 im virtuellen Landhaus, St. PöltenPraxistage 2024 im virtuellen Landhaus, St. Pölten
Praxistage 2024 im virtuellen Landhaus, St. Pölten
 
Hr. David Simon (Juniper Networks, Inc.)
Hr. David Simon (Juniper Networks, Inc.)Hr. David Simon (Juniper Networks, Inc.)
Hr. David Simon (Juniper Networks, Inc.)
 

Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)

  • 1. Von alten Algorithmen und neuer Technologie Was haben „Fraud Detection“, „Product Recognition“ und eine nachhaltige Investitionsplanung gemeinsam? Wien, 17. November 2020
  • 2. Unsere Agenda für heute … 0301 d-fine stellt sich vor 0602 Beispiele aus der Praxis von d-fine 1703 Ausgewälte Erfolgsfaktoren
  • 3. d-fine stellt sich vor © 2020 d-fine 3
  • 4. Seit vielen Jahren unterstützen wir unsere Kunden erfolgreich bei der Umsetzung anspruchsvoller technologischer Lösungen Integrierter Beratungsansatz, der Fachberatung und IT-Umsetzung eng verzahnt. Wir begleiten unsere Kunden von der Fachkonzeption bis zur Programmierung und späterem Betrieb. d-fine analytisch. technologisch. quantitativ. ~ 1000 Mitarbeiter STRATEGIE GESCHÄFTSMODELLE, RISIKEN & PROZESSE IT & TECHNOLOGIEMODELLE & DATA ANALYTICS REGULIERUNG & COMPLIANCE ~ 90% MINT ~200 Kunden in 2019 7 Standorte 1-100 FTE Projektgröße Integrierter Beratungsansatz über alle Branchen © 2020 d-fine 4
  • 5.  Expertise für  Geschäftsmodelle  Märkte  Regulierung  etc.  Branchenerfahrung kombiniert mit analytischem Mindset ANALYSE & KONZEPTION Unsere Kunden verlangen moderne Lösungsansätze für ihre Heraus- forderungen – d-fine kombiniert Fach- und Umsetzungskompetenz 1000 Mitarbeiter  50% PHYSIK  35% MATHEMATIK  15% IT, BWL & ANDERE  55% PROMOVIERT Moderne Lösungen Hidden Champion Winner „Data & Analytics“01  Komplexe Aufgaben erfordern leistungsfähige Modelle  Data Science  Optimierung  Künstliche Intelligenz  So komplex wie nötig, so einfach wie möglich! MODELLE & DATENANALYSE  Innovative & stabile Umsetzung  Agiles Projektvorgehen  Software-Entwicklung  Cloud, Big Data und RPA  Gemeinsame und nachhaltige Entwicklung mit unseren Kunden und Partnern TECHNOLOGIE & IT © 2020 d-fine 5 01 Wissenschaftliche Gesellschaft für Management und Beratung mbH
  • 6. Beispiele aus der Praxis von d-fine © 2020 d-fine 6
  • 7. AUFGABENSTELLUNG  Ausgangssituation  Rahmenbedingungen (Regulierung, ...)  Etc. Viele aktuelle Herausforderungen erfordern altbekannte Lösungsansätze, die erst in Kombination mit neuen Technologien praktikabel werden … © 2020 d-fine 7 Beispiel 1 aus dem Finanzsektor: „Fraud detection“ durch Chat-Überwachung Beispiel 3 aus dem Energiesektor: Nachhaltige Investitionsplanung im Data Lab Beispiel 2 aus der Industrie: Produktidentifikation für einen verbesserten Customer Support GEWÜNSCHTE LÖSUNG  Zukunftssichere Problembewältigung  Kosteneffizienz  Wertschöpfung Problemanalyse & Entwicklung eines Lösungsansatzes Planung der Umsetzung inkl. etwaiger „shortcuts“ Produktentwicklung inkl. Bereitstellung der Infrastruktur … Die drei folgenden Use-Cases aus dem Projektalltag von d-fine zeigen wie alte Algorithmen mit modernen Technologien kombiniert werden, um das gewünschte Produkt zu liefern
  • 8. Illegale Absprachen zwischen Händlern können durch eine gesamtheitliche Überwachung der Kommunikation im Treasury verhindert werden © 2020 d-fine 8 Fraud detection durch Chat-Überwachung im Finanzsektor Herausforderungen  Anbindung von drei Datenquellen (Reuters Instant, Bloomberg Instant, Bloomberg Mail)  Ca. 500.000 Chatbeiträge pro Woche zu analysieren  Spezifisches Training und Validierung von Anomaliedetektionsalgorithmen ohne Beispiele kritischer Kommunikation  Kombination von i.W. Deutsch, Schweizerdeutsch und Englisch in der Kommunikation  Etablierung neuer Technologien: u.A. ElasticSearch, R-Shiny, Machine Learning Ansätze Ausgangssituation & Ziel  Im Rahmen der Untersuchung des LIBOR Skandals in 2012 wurden Mängel bei Monitoring des Inter-Banken-Handels festgestellt  Eine 2013 durch einen Drittanbieter implementierte Lösung zur Handelsüberwachung hat sich als praktisch nicht nutzbar erweisen. Hintergrund waren sehr viele false positive Meldungen auf Grund schlechter Datenqualität und nicht robuster Modelle  Es konnte keine kommerzielle Alternative gefunden werden  Ziel war die Entwicklung einer Lösung, die der regulatorischen Abnahme standhält Lösungsansatz  Rapid-Prototyping zur Abschätzung der erreichbaren Modellgüte (Azure Cloud)  Detaillierung der Anforderungen, Architektur-Design  Konzeption / Implementierung Datenhaushalt (ElasticSearch)  Implementierung Schnittstellen & Datenpipelines sowie Initialbefüllung  Entwicklung und Finetuning von Baseline und ML-Modellen (Wortlisten, Embedding- Ähnlichkeit, CNNs)  Entwicklung der Weboberfläche mir R-Shiny  Abnahmetests, Roll-out und Stabilisierungsphase
  • 9. Eine Anomalieerkennung per Natural Language Processing bleibt nur durch ständiges Re- Training und Weiterentwicklung funktionsfähig © 2020 d-fine 9 Das fertige Produkt Weiterentwicklung  Experten-basiertes Initialmodell  Kontinuierliches Sammeln von Feedback durch Nutzer  Turnusmäßiges Re-Training der ML-ModelleNetzwerk-Analyse Anomalie-Detektion Chat-Einzelanalyse Treffer im Zeitverlauf A B C A B C Modellvorhersage Review durch Analysten Supervised learning
  • 10. Natural Language Processing konnte auf einem PC mit üblicher Rechen-leistung aufgesetzt, entwickelt und trainiert werden © 2020 d-fine 10 Entwicklungsdaten (Reuters Instant, Bloomberg Instant, Bloomberg Mail) IDE Versionierung Python Rechenkern NLP Lib NLTK Neural Lib Vortrainierte NLP Modelle BERT Oberfläche  Python 3 + Standard-Libraries (Anaconda-Distribution)  Deep-Learning Library Tensorflow zur Implementierung Neuronaler Netze  CUDA für die effiziente Nutzung der GPU  Vortrainiertes state-of-the-art NLP-Modell BERT  Elasticsearch als Datenspeicher, für explorative Analysen und als Baustein von einfachen Baseline-Modellen  Weitere open-source NLP Library NLTK  Benutzeroberfläche in R-Shiny Core Engine Software + UI  PC mit üblicher Rechenleistung  Mindestens 12 GB RAM  Mindestens 12 GB GPU für das Trainieren von modernen neuronalen Modellen Hardware  Entwicklungsumgebung (IDE) PyCharm  Git zur Versionierung des Codes  Kibana als Oberfläche für Elasticsearch Entwicklungstools 12 GB GPU Hardware
  • 11. Die Erfolgsgeschichte für Künstliche Intelligenz – Bilderkennung © 2020 d-fine 11 Wie funktioniert algorithmische Objekt-/Produkterkennung mit modernen Methoden der KI? Moderne neuronale Netze …  erlernen aus Trainingsdaten allgemeinere Konzepte  erkennen selbständig die relevanten Bildmerkmale  „vererben“ ihr Wissen (teilweise)  können im produktiven Einsatz dazulernen  können ihre Ergebnisse erklären Was versteht man unter Produkterkennung?  Kann ein Computer feststellen, ob es sich bei dem Objekt auf einem Bild um ein Auto oder ein Fahrrad handelt?  Wie bringt man dem Computer bei diese Entscheidung zu treffen?  Erkennt ein “trainierter” Computer auch Objekte auf unbekannten Bildern? Methodische Herausforderungen  Produktbilder haben ein (fast) beliebiges Erscheinungsbild (viele Pixel & Farbwerte)  Komplikation durch Variation von Hintergrund, Beleuchtung und Perspektive  Klassische Programmieransätze sind überfordert – Sie „generalisieren“ schlecht von Beispielen auf allgemeine Konzepte!  Ein Machine Learning System ist NICHT auf alle denkbaren Fälle “vorbereitet” – Stattdessen findet es eine optimale Lösung indem es sich dem Problem anpasst – Weil das hoch komplex ist, benötigt es viele Daten All images on this slide are taken from pexels.org
  • 12. Produktidentifikation für einen Keramikhersteller Deep Neural Networks erlauben die zuverlässige Unterscheidung komplexer Muster in industriellen Anwendungen Herausforderungen  Auswahl einer geeigneten DNN01 Architektur und Schaffung einer hinreichenden Datenbasis für das Training  Design von Verfahren zum Auffinden von Objekten in komplexen Bildern & Optimierung der Erkennung  Quantifizierung von Mehrwert & Aufwand für die Erweiterung des Systems auf andere Anwendungsfälle Ausgangssituation & Ziel  Kunden melden sich mit Bildern ihrer Keramik und wünschen sich Ersatzteile bzw. weitere Serienstücke  Implementierung einer Deep-Learning basierten Software zum Auffinden und zur Erkennung von Artikeln in Kundenbildern und in der unternehmensweiten Bilddatenbank Lösungsansatz  Standardisiertes Training & Tuning vortrainierter & problemspezifisch optimierter DNNs (TensorFlow)  Systematische Erweiterung der Datenbasis; Fachliche Verbesserung von Netzarchitektur & Training  Workshops mit Fachabteilungen und Digitalabteilung zur Evaluierung der identifizierten Anwendungsfälle  Diskussion der Roadmap für die Umsetzung © 2020 d-fine 12 01 Deep Neural Networks
  • 13. Neuronale Netze – Grundlagen, Architekturen und Herausforderungen © 2020 d-fine 13 Künstliche Neuronale Netze  versuchen Neuronen im Gehirn mathematisch zu modellieren  sind sehr stark vereinfacht und keinesfalls geeignet, echte Denkvorgänge zu beschreiben  sind mächtige technische Hilfs- mittel für die Mustererkennung Wichtige Architekturen Convolutional Networks in der Bilderkennung  Schichtstruktur mit hierarchischer Aufgabenteilung01  Kombination einfacher Merkmale zu komplexeren „Konzepten“  Zunehmende Spezialisierung der neuronalen Schichten Faltungsnetze Rekurrente Netze z.B. Objekterkennung und Bildsegmentierung02 Analyse sequentieller Daten (Sprache, Zeitreihen) Herausforderungen  Komplexe mathematische und technische Modellierung  Stellenweise großer Daten- und Rechenzeithunger  Erklärbarkeit von Ergebnissen nicht immer einfach 01 Bildquelle: Matthew D Zeiler and Rob Fergus: Visualizing and Understanding Convolutional Networks, 2013 (https://arxiv.org/abs/1311.2901)
  • 14. Weitverbreitete Standardkomponenten im Technology Stack vereinfachen die Vorbereitung und das Deployment, und beschleunigen Release Zyklen © 2020 d-fine 14 Darstellung einer vollständigen Analytics Pipeline Architektur – nicht alle Komponenten sind in jedem Fall notwendig Input Streams Ingestion Stream Processing Analytics, REST-Interfaces GUIs… Pre- Processing Ingestion … Pre- Processing Event- Processing
  • 15. Nachhaltige Investitionsplanung für Infrastrukturbetreiber erfordert langfristige Entscheidungen in zunehmend komplexem Umfeld … © 2020 d-fine 15 Maßgeschneiderte und auf Basis moderner Technologie umgesetzte Systemmodelle unterstützen dabei, Komplexität zu reduzieren, Chancen/Risiken abzuwägen und Sensitivitäten zu erkennen.  Instandhaltung und Wartung (Bestand)  Ersatzinvestition  Neuinvestition  Akquisition Welche Möglichkeiten habe ich?  Welche Erlöse / Kosten erwarte ich?  Welche Risiken erwarte ich?  Wie wirkt sich die Unsicherheit aus? Was nutzt es unter welchen Risiken?  Was mache ich?  Wann mache ich es?  In was für einem Umfang mache ich es? Wie mache ich es optimal? Investitions- planung EXOGEN ENDOGEN Exogene Faktoren  Zunehmende Vernetzung  Wirtschaftlichkeit  Technologie  Netztopologien  …  …  Dynamische Entwicklungen  Politische & regulat. Rahmenbedingungen Wie entwickelt sich der Markt? Wie reagieren die anderen?
  • 16. Investitionsplanung für Netzbetreiber unter Berücksichtigung der Sektorenkopplung © 2020 d-fine 16 Energiesystemmodell für die langfristige Planung von Netzinfrastruktur bis 2050 unter Berücksichtigung weitreichender Sektorenkopplung Herausforderungen  Bereitstellung aller relevanter Eingangsdaten (Netztopologie, Erzeugungseinheiten, bestehende, geplante und mögliche Assets, etc.)  Lösen des komplexen Optimierungsproblems (viele Mio. Variablen und Nebenbedingungen)  Integration mit bestehenden Modellen und Infrastrukturen Ausgangssituation & Ziel  Energiewende führt zu Steigerung alternativer, nachhaltiger und fluktuierender Erzeugung (PV, Wind), einer zunehmenden Dezentralisierung der Erzeugung und vermehrten Kopplung von Strom, Gas, Wärme und Mobilität  Ziel: Interaktives Planungswerkzeug für Investitionen in Netzelemente (Leitungen, Speicher, Power-to-Gas, etc.) Lösungsansatz  Einrichten einer hochperformanten Infrastruktur in der Cloud (z.B. Amazon Web Services – EC2) mit geeigneten Berechnungsinstanzen (z.B. AWS-z1d), Solvern (z.B. Gurobi) und Betriebssystemen (z.B. Linux)  Implementierung der Modellierungssoftware (Python), Datenverarbeitungsprozesse, Input-Pipeline  Bereitstellen einer Management-tauglichen GUI inkl. Möglichkeiten der Szenarioanalyse Tests  Performance  Speichervolumen  Solver-Settings  Prozesse/Abläufe Wissenstransfer  Kriterienkatalog  Schulungen Implementierung der Modellsoftware & Dashboards Anbinden der Cloud
  • 18. Das Aufteilen von Applikationen in Microservices reduziert das Projektrisiko, erleichtert den Betrieb und die Weiterentwicklung der Services © 2020 d-fine 18 Eigenschaften  Historische Herangehensweise, hervor- gegangen aus der Grundannahme, dass die gesamte Applikation auf einem einzigen System läuft  Starke Koppelung zwischen Applikationskomponenten  Direkter Zugriff auf Systemkomponenten vorgesehen  Ausgelegt auf das Ausnutzen des Scale- Ups durch Moores Law Traditionelle Softwarearchitektur Vorteile  Geringere Komplexität durch direkte Kommunikation der einzelnen Komponenten  Gut geeignet für kleine Softwareprojekte bzw. kleine Entwicklungsteams bei klar definiertem Scope Nachteile  Portierung auf andere Systeme aufwändig  Komplexität steigt enorm, wenn mehrere Programmiersprachen bzw. Frameworks für die Umsetzung benötigt werden Eigenschaften  Rückbesinnung auf UNIX Philosophie, dass ein Werkzeug eine Aufgabe gut erledigen soll  Lose Koppelung zwischen Applikationen unter Verwendung einheitlicher Schnittstellen-„Sprache“ wie z.B. REST  Abhängigkeit zu Libraries bzw. Frameworks pro Microservice und nicht Gesamtsystem  Ausgelegt auf das Ausnutzen von Scale-Out in der Cloud Microservice Softwarearchitektur Vorteile  Netzwerkgedanke integraler Bestandteil und nicht Add-On, das zu Problemen führt  Leichte Aufteilung der Tasks auf Teams durch klare Regelung der Schnittstellen  Freiheit in der Wahl der Werkzeuge pro Umsetzung des Microservices Nachteile  Anzahl der Schnittstellen wächst exponentiell  Debugging im Netzwerk erfordert Erfahrung
  • 19. Containerisierung und Orchestrierung ermöglichen ein automatisiertes Deployment und Scale-Out der Applikation (On-Site und/oder in der Cloud) © 2020 d-fine 19  Entwickler/Benutzer selbst verantwortlich für die Umgebung  Klonen der Umgebung nicht vorgesehen:  Unterschiede bei Versionen der Bibliotheken und Frameworks möglich  Unterschiede in der Konfiguration zw. Systemen kaum zu vermeiden  Bei parallel installierten verschiedenen Versionen sind Konflikte unumgänglich Traditionelle Umgebung  Zentrale Administration der Umgebungen  Klonen einzelner Umgebungen ermöglicht  Bereitstellung einheit- licher Versionen der Bibliotheken und Frameworks  Weitestgehend einheit- liche Konfigurationen  Installation und gleich- zeitiger Betrieb unter- schiedlicher Versionen Virtualisierung Containerisierung (Docker01)  Skriptbasierte Konfiguration der Umgebungen in einem aufbau- enden Ansatz  Geringer Overhead pro Container ermöglicht  Aufteilung von Applikationen in logische Einheiten  effiziente Skalierung Orchestrierung (OpenShift01)  Automatisierung der Bereitstellung von Containern  Konfiguration über Beschreib- ung der gewünschten Leistung statt über Setzen einzelner Parameter 01 Die angegebenen Umsetzungen sind Beispiele: statt Docker sind auch openVZ, containerd oder Mesos und statt OpenShift Kubernetes, Jenkins, Control-M, Ansible Alternativen
  • 20. Einsatz einer Continuous Integration Plattform zahlt sich durch Bereitstellung als Container schon für kleine Projekte aus © 2020 d-fine 20  Aus kommerziell frei nutzbaren Komponenten gebaut (GitLab & SonarCube)  Komplett als Docker Image, einsatzbereit in wenigen Minuten: Einsatz auf firmeninterner Infrastruktur oder als AWS EC2 Instanz  Vorbereitet für Nutzung von bereitgestellten SSL-Zertifikaten oder Verwendung von LetsEncrypt Zertifikaten  Umgebung ist vorkonfiguriert für optimales und sicheres Zusammenspiel der Komponenten d-fine Continuous Integration Plattform  Laufende Integration neuer Funktionen in die Software z.B. als Umsetzung eines Feature-Requests oder einer User-Story  Änderungen werden durch automatisierte Builds und Tests validiert  Durch ständig mitlaufende Integrationstests werden große und damit riskante Umstellungen auf einen Schlag vermieden  Grundprinzip ist die Durchführung automatischer Tests mit möglichst hohem Abdeckungsgrad, um die Funktionstüchtigkeit des Produktes ständig zu gewährleisten Continuous Integration  Tests auf jeder Entwicklungsebene müssen erstellt werden  Tests müssen automatisiert laufen können  Gesamter Build-Prozess muss automatisiert laufen können  Continuous-Integration Umgebung muss aufgesetzt und betrieben werden KOSTEN  Frühe Erkennung von Regressionen durch ständiges Testen  Erstellen der Builds reibungslos durch hohen Integrationsgrad  Abarbeitung der Aufgabe wird bestätigt durch erfolgreiche Tests  Reduktion der Testaufwände durch Automatisierung  Test-Team kann sich auf Qualitätsverbesserungen konzentrieren VORTEILE
  • 21. Ist die Continuous Integration einmal umgesetzt, sind weitere Schritte in der Automatisierung des Deployments mühelos möglich © 2020 d-fine 21 Unterstützung durch d-fine  d-fine CI-Plattform  Entwicklung performanter, skalierbarer und zukunftssicherer IT- Infrastrukturen  Begleitung in der Transformation hin zu Continuous Deployment  Analytisches Vorgehen geeignet für Test Driven Development  Einsatz von Continuous Delivery bzw. Deployment bei der Entwicklung von Kundenprojekten  Unterstützung in jeder Projektphase von Konzeption bis Quality Assurance  Erweiterung des Konzepts der Continuous Integration durch Automatisierung der Releases  Nur ein manueller Schritt – das Starten des Deployments – nötig, Rest läuft nach Drehbuch Vorteile:  Deployment vereinfacht auf minimalen menschlichen Eingriff  Releases sind öfter möglich – kurze Feedback-Schleife zu Kunde/Abnehmer  Niedrige Schwelle zur Umsetzung von neuen Features Continuous Delivery  Letzter manueller Eingriff für die Erstellung eines Releases automatisiert  Jede erfolgreich getestete Funktionalität wird automatisch in Produktion genommen Vorteile:  Entwicklung wird nicht durch Deployment-Tätigkeiten aufgehalten  Releases sind risikoarm durch kleine Menge an neuen Features  Kunden/Abnehmer sehen ständig Verbesserungen im Produktumfang Continuous Deployment
  • 22. Und nun Alle zusammen: Microservices + CD + Container + Orchestrierung = Entwickeln in 2020++ © 2020 d-fine 22 Eine leistungsfähige, optimal auf die Geschäftsprozesse ausgerichtete und möglichst flexible IT-Architektur ist essentiell für die nachhaltige Sicherung des Unternehmenserfolgs  d-fine unterstützt Sie  zukunftsfähige IT-Architekturen zu entwickeln  Standardsoftwaresysteme auszuwählen, oder  maßgeschneiderte Apps und Fachanwendungen umzusetzen Dabei bringt d-fine  Know-How der Vergangenheit und technologisches Wissen der Zukunft  Modernisierung alter Systeme und Umsetzung neuer Lösungen  agile Methoden, um unsere Kunden über den gesamten Lebenszyklus hinweg zu unterstützen  d-fine deckt das gesamte Spektrum von der Anforderungsanalyse bis zu Wartung und Betrieb ab 
  • 23. We also do the dirty work! © 2020 d-fine 23 Nicht Alles ist ein trendiges Vorzeigeprojekt, wie heute vorgestellt. Trotz Einsatz neuer Technologien ist der Großteil der Arbeit, die traditionellen Heraus- forderungen zu meistern. Projektarbeit erfordert Erfahrung im Umfeld des Kunden und ein tiefes fachliches Verständnis der Materie. Wir haben keine Angst vor Daten, komplexen Strukturen und Prozessen, die uns dazu bringen „out-of-the-box“ zu denken. Diese Herausforderungen sind unser täglich Brot. Dies alles bietet unser Team an MitarbeiterInnen von d- fine, das sich gerade an der Schnittstelle zwischen Fachbereich und IT am wohlsten fühlt. „Trendy is the last stage before tacky“ “Adventure is just bad planning” The Human Element“Data is the new Oil“
  • 24. Ihre Ansprechpartner Dr. Clemens Wagner-Bruschek, ERP Gew. Geschäftsführer | Non-Finance Sector Mobil +43 664 2453079 E-Mail Clemens.Wagner-Bruschek@d- fine.at Markus von Rothkirch Geschäftsführer | Finance Sector Tel +43 1 5121792-10 E-Mail Markus.von.Rothkirch@d-fine.de Andreas Nandor Nemeth Ansprechpartner Financial Services Mobil +43 699 18262580 E-Mail AndreasNandor.Nemeth@d- fine.at Dr. Christoph Höggerl, MBA Ansprechpartner Energie & Industrie Mobil +43 699 18262561 E-Mail Christoph.Hoeggerl@d-fine.at
  • 25. Zürich d-fine AG Brandschenkestrasse 150 CH-8002 Zürich Schweiz info@d-fine.ch Wien d-fine Austria GmbH Riemergasse 14 Top 12 A-1010 Wien Österreich info@d-fine.at München d-fine GmbH Bavariafilmplatz 8 D-82031 Grünwald Deutschland info@d-fine.de London d-fine Ltd 6-7 Queen Street London, EC4N 1SP United Kingdom info@d-fine.co.uk Frankfurt d-fine GmbH An der Hauptwache 7 D-60313 Frankfurt/Main Deutschland info@d-fine.de Düsseldorf d-fine GmbH Dreischeibenhaus D-40221 Düsseldorf Deutschland info@d-fine.de Berlin d-fine GmbH Friedrichstraße 68 D-10117 Berlin Deutschland info@d-fine.de