Die SBB hat in 2017 die «SmartRail 4.0» Initiative lanciert, mit der die Bahn die künftigen Herausforderungen im multimodalen Verkehr meistern will. Eine erwartete Zunahme des Fahrgastaufkommens um 30% in den nächsten Jahren, macht es erforderlich, die letzten Reserven, auf dem ohnehin schon am dichtest befahrenen Schienennetz der Welt, zu mobilisieren. Neben neuen Ansätzen zur automatisierten Erstellung von Fahrplänen, der Teilautomatisierung des Betriebs mit optimaler Zugsteuerung, und der Volldigitalisierung der Stellwerke, spielt die exakte und zuverlässige Positionsfeststellung eines Zuges, eine entscheidende Rolle. In Ergänzung zu den bekannten Satellitengestützten Verfahren, hat die SBB erste Experimente zur Optischen Lokalisation von Zügen gestartet.
In dem Vortrag werden wir den Stand eines «Proof of Concept» vorstellen, mit dem wir die Gleisgenaue Position eines Zuges bestimmen können.
Haltet den (Daten-) Dieb! Echtzeiterkennung von Anomalien in Computernetzwerk...inovex GmbH
Die zeitnahe Erkennung von Netzwerkattacken oder nicht autorisierten Datenabflüssen ist für Betreiber von Rechenzentren wichtig, da so ungewollte Handlungen innerhalb des Netzwerkes bereits vor Entstehung größerer Schäden erkannt werden können. Vor allem neue Angriffsmuster, die durch die üblichen regel- bzw. signaturbasierten Systeme nicht erkannt werden können, stellen eine ständige Gefahr dar. Zu diesem Zweck können intelligente Systeme mithilfe von Methoden des maschinellen Lernens zum Einsatz kommen.
Durch die Erscheinung zahlreicher und vielfältiger Big Data-Werkzeuge wie beispielsweise Apache Spark oder Apache Flink eröffnen sich in der heutigen Zeit vollkommen neue Möglichkeiten bezüglich Skalierbarkeit und Echtzeitfähigkeit von Machine Learning-Modellen und -Anwendungen. Am Beispiel des Clusteringverfahrens k-means wird die Entwicklung eines entsprechenden Prototyps sowohl aus Data Science- als auch aus Implementierungssicht auf Basis von Apache Spark Streaming und der Spark MLlib gezeigt.
Der Vortrag stellt die Ergebnisse einer aktuellen Forschungsarbeit dar, die als Masterthesis der Hochschule Karlsruhe in Kooperation mit der inovex GmbH in Karlsruhe durchgeführt wird.
Event: Business Analytics Day, 08.03.2017, Offenburg
Speaker: Julian Keppel, inovex GmbH
Noch mehr Tech-Vorträge: https://www.inovex.de/de/content-pool/vortraege/
Laserscan-Experte Scantec 3D erzeugt bei seiner Arbeit mit 3D-Laserscannern schnell sehr große Datenmengen, die es zu analysieren und zu visualisieren gilt. Der Simulationsexperte ESI Group hat mit seiner Virtual-Reality-Lösung IC.IDO nun die direkte Brücke geschlagen, um auch sehr große Laserscandaten in VR betrachten und mit diesen interagieren zu können.
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)data://disrupted®
Zur Unterstützung von Big Data und Machine Learning Szenarien wurde am Zentrum für Informationsdienste und Hochleistungsrechnen (ZIH) der TU Dresden eine neue Speicherlandschaft mit „NVMe Storage“ (2 PB Kapazität und 2 TB/s Bandbreite, <100us Latenz) und „Warm Archive“ auf Basis des S3-Protokolls (10 PB Kapazität und 50 GB/s Bandbreite) aufgebaut. Dr. Michael Kluge vom ZIH (Abteilungsleiter System- und Dienstentwurf) erläutert die besonderen Anforderungen dieses Projektes und berichtet vom Aufbau und Betrieb der Umgebung.
OSMC 2011 | Monitoring "wer kennt wen" mit free and open source software by J...NETWAYS
Die Überwachung einer der größten deutschen Communitys hält eine Reihe von Herausforderungen und Problemen bereit. Aus einer Struktur heraus gewachsen, war das alte Monitoringsystem unterwegs in eine Sackgasse. Diesen Prozess galt es aufzuhalten und das vertraute System mit mehr Features auszustatten, es skalierbar und robust zu machen. Der Vortrag behandelt die besondere Entstehungsgeschichte und welche Möglichkeiten Grocksta, ein verteiltes, asynchrones Monitoring-, Graphing- und Aggregations-System, bietet."
Weltvermessen mit OpenDataCam - Wie ich einmal eine Viertelmillionen Autos ge...Stephan Hochhaus
Dank moderner Werkzeuge wie OpenDataCam ist Computer Vision, ein Teilbereich der KI, heute keine Raketenwissenschaft mehr. Mit ein wenig technischem Sachverstand kann man mit der Quantifizierung der Welt beginnen. Stephan Hochhaus gibt uns einen Einblick, wie man ohne Spezialkenntnisse Objekte erkennen, nachverfolgen und zählen kann. Dazu berichtet er von seinen Erfahrungen beim Zählen vor der eigenen Haustür mit einem nVidia Jetson und einer Webcam.
Problemlöser Cloud Technologie: Advanced IT im UnternehmenseinsatzcloudSME
Andreas Ocklenburg gab auf dem IT Symposium in Bochum einen Einblick in beispielhafte cloudbasierte skalierende Lösungen und in aktuelle europäische Forschungsprojekte aus dem Bereich Fertigung und Entwicklung (manufacturing and engineering). Mittels eines neuen Marktplatzes für digitale „Engineering Apps (ausführbare Artefakte, Algorithmen, SaaS)“ soll der Einsatz fortgeschrittener IT-Technologie (Distributed cloud-based High Performance Computing) und ML/KI/DT Anwendungen in der Wirtschaft gefördert werden. Der Marktplatz vermittelt zwischen Lösungsanbietern und interessierten Unternehmen und lässt so neue Wertschöpfungsketten entstehen. Die unter dem Marktplatz liegende skalierende Computing Power und die dargestellten industriellen Beispiele senken das Risiko sowie die Einstiegshürden in die fortgeschrittene Digitalisierung für interessierte Unternehmen signifikant - die Marktplatz Community bietet Expertenwissen aus über 40 umgesetzten industriellen Fallbeispielen an.
Haltet den (Daten-) Dieb! Echtzeiterkennung von Anomalien in Computernetzwerk...inovex GmbH
Die zeitnahe Erkennung von Netzwerkattacken oder nicht autorisierten Datenabflüssen ist für Betreiber von Rechenzentren wichtig, da so ungewollte Handlungen innerhalb des Netzwerkes bereits vor Entstehung größerer Schäden erkannt werden können. Vor allem neue Angriffsmuster, die durch die üblichen regel- bzw. signaturbasierten Systeme nicht erkannt werden können, stellen eine ständige Gefahr dar. Zu diesem Zweck können intelligente Systeme mithilfe von Methoden des maschinellen Lernens zum Einsatz kommen.
Durch die Erscheinung zahlreicher und vielfältiger Big Data-Werkzeuge wie beispielsweise Apache Spark oder Apache Flink eröffnen sich in der heutigen Zeit vollkommen neue Möglichkeiten bezüglich Skalierbarkeit und Echtzeitfähigkeit von Machine Learning-Modellen und -Anwendungen. Am Beispiel des Clusteringverfahrens k-means wird die Entwicklung eines entsprechenden Prototyps sowohl aus Data Science- als auch aus Implementierungssicht auf Basis von Apache Spark Streaming und der Spark MLlib gezeigt.
Der Vortrag stellt die Ergebnisse einer aktuellen Forschungsarbeit dar, die als Masterthesis der Hochschule Karlsruhe in Kooperation mit der inovex GmbH in Karlsruhe durchgeführt wird.
Event: Business Analytics Day, 08.03.2017, Offenburg
Speaker: Julian Keppel, inovex GmbH
Noch mehr Tech-Vorträge: https://www.inovex.de/de/content-pool/vortraege/
Laserscan-Experte Scantec 3D erzeugt bei seiner Arbeit mit 3D-Laserscannern schnell sehr große Datenmengen, die es zu analysieren und zu visualisieren gilt. Der Simulationsexperte ESI Group hat mit seiner Virtual-Reality-Lösung IC.IDO nun die direkte Brücke geschlagen, um auch sehr große Laserscandaten in VR betrachten und mit diesen interagieren zu können.
Hochleistungsspeichersysteme für Datenanalyse an der TU Dresden (Michael Kluge)data://disrupted®
Zur Unterstützung von Big Data und Machine Learning Szenarien wurde am Zentrum für Informationsdienste und Hochleistungsrechnen (ZIH) der TU Dresden eine neue Speicherlandschaft mit „NVMe Storage“ (2 PB Kapazität und 2 TB/s Bandbreite, <100us Latenz) und „Warm Archive“ auf Basis des S3-Protokolls (10 PB Kapazität und 50 GB/s Bandbreite) aufgebaut. Dr. Michael Kluge vom ZIH (Abteilungsleiter System- und Dienstentwurf) erläutert die besonderen Anforderungen dieses Projektes und berichtet vom Aufbau und Betrieb der Umgebung.
OSMC 2011 | Monitoring "wer kennt wen" mit free and open source software by J...NETWAYS
Die Überwachung einer der größten deutschen Communitys hält eine Reihe von Herausforderungen und Problemen bereit. Aus einer Struktur heraus gewachsen, war das alte Monitoringsystem unterwegs in eine Sackgasse. Diesen Prozess galt es aufzuhalten und das vertraute System mit mehr Features auszustatten, es skalierbar und robust zu machen. Der Vortrag behandelt die besondere Entstehungsgeschichte und welche Möglichkeiten Grocksta, ein verteiltes, asynchrones Monitoring-, Graphing- und Aggregations-System, bietet."
Weltvermessen mit OpenDataCam - Wie ich einmal eine Viertelmillionen Autos ge...Stephan Hochhaus
Dank moderner Werkzeuge wie OpenDataCam ist Computer Vision, ein Teilbereich der KI, heute keine Raketenwissenschaft mehr. Mit ein wenig technischem Sachverstand kann man mit der Quantifizierung der Welt beginnen. Stephan Hochhaus gibt uns einen Einblick, wie man ohne Spezialkenntnisse Objekte erkennen, nachverfolgen und zählen kann. Dazu berichtet er von seinen Erfahrungen beim Zählen vor der eigenen Haustür mit einem nVidia Jetson und einer Webcam.
Problemlöser Cloud Technologie: Advanced IT im UnternehmenseinsatzcloudSME
Andreas Ocklenburg gab auf dem IT Symposium in Bochum einen Einblick in beispielhafte cloudbasierte skalierende Lösungen und in aktuelle europäische Forschungsprojekte aus dem Bereich Fertigung und Entwicklung (manufacturing and engineering). Mittels eines neuen Marktplatzes für digitale „Engineering Apps (ausführbare Artefakte, Algorithmen, SaaS)“ soll der Einsatz fortgeschrittener IT-Technologie (Distributed cloud-based High Performance Computing) und ML/KI/DT Anwendungen in der Wirtschaft gefördert werden. Der Marktplatz vermittelt zwischen Lösungsanbietern und interessierten Unternehmen und lässt so neue Wertschöpfungsketten entstehen. Die unter dem Marktplatz liegende skalierende Computing Power und die dargestellten industriellen Beispiele senken das Risiko sowie die Einstiegshürden in die fortgeschrittene Digitalisierung für interessierte Unternehmen signifikant - die Marktplatz Community bietet Expertenwissen aus über 40 umgesetzten industriellen Fallbeispielen an.
Cloud Wars – what‘s the smartest data platform? Vergleich Microsoft Azure, Am...inovex GmbH
Die großen Public-Cloud-Anbieter locken inzwischen mit vielversprechenden Platform-as-a-Service-Angeboten um Daten jeglicher Art performant und kosteneffizient zu speichern und zu verarbeiten. Neben unterschiedlichen Datenbanken gibt es dazu Dienste für Batch- und Realtime-Processing. In diesem Vortrag werden einige der wichtigen Data Driven Services anhand eines typischen IoT-Szenarios aus der Praxis beleuchtet. Dazu gehen drei Schwergewichte des Cloud Business ins Rennen: Microsoft Azure vs. Amazon Web Services vs. Google Cloud Platform.
Event: inovex Meetup: "Let's talk about the Cloud!", 22.06.2016
Speaker: Thomas Neureuther, Stefan Kirner, inovex GmbH
Mehr Technologie-Vorträge: https://www.inovex.de/de/content-pool/vortraege/
Digitale Datenerfassung an der Maschine | Digitale Zukunft Mittelstand Baden-...Bechtle
Digitale Datenerfassung an der Maschine, Vesa Klumpp
Gehalten auf der Veranstaltung: Digitale Zukunft Mittelstand Baden-Württemberg, FZI House of Living Labs, 06.03.2018
Überblicksvideo zum Event: https://www.youtube.com/watch?v=p3uVZanUauw&feature=youtu.be
Der VDC Newsletter ist der monatliche Informationsdienst des Virtual Dimension Centers (VDC) Fellbach mit Neuigkeiten aus dem Netzwerk sowie Nachrichten und Terminen rund um das Thema Virtual Engineering. Tagesaktuelle Nachrichten sind auf http://www.vdc-fellbach.de verfügbar. Der VDC Newsletter wird derzeit von rund 4000 Personen gelesen. Besuchen Sie uns auch auf Facebook unter: http://www.facebook.com/vdc.fellbach
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarschenpit GmbH & Co. KG
Seit Jahrzehnten fasziniert das Gebiet der Künstlichen Intelligenz (KI). Durch neue Lernverfahren (z.B. Deep Learning) auf großen Datenbeständen konnte in den letzten Jahren insbesondere die Sprach- und Bilderkennung essentiell verbessert werden. Wie können Unternehmensanwendungen von den Errungenschaften Gebrauch machen? Neue Cloud Services von Oracle, Google, Microsoft, Amazon und IBM abstrahieren die Komplexität darunterliegender Algorithmen und machen maschinelle Lernverfahren für Entwickler intelligenter Assistenzsysteme einfach zugänglich. Auf Basis ausreichend großer Trainingsdaten können Muster erkannt, Handlungsempfehlungen abgeleitet oder autonome Entscheidungen getroffen werden.
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschAndreas Koop
Seit Jahrzehnten fasziniert das Gebiet der Künstlichen Intelligenz (KI). Durch neue Lernverfahren (z.B. Deep Learning) auf großen Datenbeständen konnte in den letzten Jahren insbesondere die Sprach- und Bilderkennung essentiell verbessert werden. Wie können Unternehmensanwendungen von den Errungenschaften Gebrauch machen? Neue Cloud Services von Oracle, Google, Microsoft, Amazon und IBM abstrahieren die Komplexität darunterliegender Algorithmen und machen maschinelle Lernverfahren für Entwickler intelligenter Assistenzsysteme einfach zugänglich. Auf Basis ausreichend großer Trainingsdaten können Muster erkannt, Handlungsempfehlungen abgeleitet oder autonome Entscheidungen getroffen werden.
Wir haben eine Applikation entwickelt, um Gleislagefehler grafisch darzustellen und nach ihren Ursachen zu suchen, denn auch in Zeiten von Big Data bleibt das menschliche Gehirn eine der leistungsfähigsten Maschinen zur Mustererkennung.
Hierfür erhalten alle Strecken einen “Gefährdungskoeffizienten”, der aus den Angaben "Alter", "Leistungstonnen pro Tag" und "Züge pro Tag" mit einer frei wählbaren Gewichtung berechnet wird, und wer-den auf der Karte dementsprechend eingefärbt.
Auf diese Weise kann man die Daten interaktiv untersuchen. Unsere Ergebnisse: Die Daten der DB enthalten einige Inkonsistenzen und sind nicht ganz vollständig. Das Alter spielt für die Gleislagefehler eine untergeordnete Rolle, Leistungstonnen und Züge pro Tag schon eher.
Whitepaper: Indoor Positionsbestimmung in Industrie & Logistikinfsoft GmbH
In diesem Whitepaper stellen wir Ihnen die Vorteile von RTLS-Lösungen in Industrie und Logistik vor, vergleichen Ortungstechnologien und geben Anwendungsbeispiele.
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2JAVAPRO
Die Kosten für Speichermedien sinken und das systematische Sammeln von Datenmassen aller Arten wird immer leichter. Big Data ist in den Unternehmen angekommen. Viele Projekte sind bereits über den Pilot- oder Prototypenstatus hinaus. Apache Spark ist ein skalierbares System für die flexible Verarbeitung großer Datenmengen.
Der Vortrag stellt Apache Spark 2 ML vor, beschreibt konkrete Einsatzszenarien und zeigt konkrete Beispiele mit Java 8 aus dem Bereich des maschinellen Lernens.
Kennen Sie den? "Big Data ist wie Teenagerliebe - alle reden darüber, keiner weiss wie's geht, jeder denkt dass alle anderen es machen, also geben wir alle vor es auch zu tun."
In diesem Beitrag geht es darum, die Bandbreite konkreter Möglichkeiten für Data Science Anwendungen im Schweizer Markt abseits wohlbekannter Marketing-Anwenundungen kennenzulernen. Anhand überraschender Beispiele und untermauert durch konkrete Projekterfahrungen stellt der Mitgründer des Datalab der Zürcher Fachhochschule anschaulich und kurzweilig dar, wie Schweizer Unternehmen vieler Branchen durch die Analyse von (evtl. auch grossen) Daten tragende Geschäftsmodelle aufstellen oder unterstützen können. So wird aus dem ein oder anderen Erzähler von Treppenwitzen über die Big Data Community vielleicht doch ein Liebhaber dieser noch jungen Disziplin.
In München fand Anfang Oktober die europäische Nvidia GPU Technology Conference statt. Wir nehmen das zum Anlass, und schauen mal ein bisschen genauer hinter die Kulissen von Grafikkarten. Was steckt drin, worin unterscheiden sich die Hersteller, und wozu werden GPUs heute eingesetzt?
Die im Webinar verwendeten Demo-Videos:
10 Movies before and after special effects
https://www.youtube.com/watch?v=gXu6BrsE8mY
Hyundai's New Theta Engine with GDI (Gasoline Direct Injection) Technology
https://www.youtube.com/watch?v=Pxvp9F-PS34
Fluid Dynamics Simulation: Caeli | Design for Automotive
https://www.youtube.com/watch?v=PfJycXfLIk0
OpenStreetMap und amtliche Geodaten (Workshop-Präsentation)Stefan Keller
Workshop-Präsentation zum Thema "OpenStreetMap und amtliche Geodaten" gehalten am GEOSummit am 3. Juni 14.
Siehe auch http://giswiki.hsr.ch/Workshop_OpenStreetMap_GEOSummit_2014
Nach dem Aufbau einer Container-basierten Cloud-Plattform hat sich die SBB entschieden, weitere innovative Services in der Public Cloud aufzubauen.
Ein Jahr nach unserem Vortrag am BAT Nr. 36 ziehen wir nun eine erste Bilanz: wie und in welchen Mengen verwenden wir die „Public Cloud“, welchen Herausforderungen begegneten wir beim Aufbau und was erwarten wir in der nahen Zukunft.
Testgetriebene Entwicklung mit Jasmine und Karma hat sich mittlerweile schon als defacto-Standard etabliert. Routinen ohne Abhängigkeiten lassen sich damit ohne Probleme testen. Die Schwierigkeiten beginnen jedoch schon, wenn es um die Auflösung von Abhängigkeiten geht. In diesem Vortrag werden verschiedene Strategien und Werkzeuge vorgestellt, mit denen Abhängigkeiten zu Objekten und Funktionen oder zum Server abgedeckt werden können. Aber nicht nur Abhängigkeiten stellen Schwierigkeiten bei der testgetriebenen Entwicklung dar, auch der Umgang mit Fixtures ist bei der testgetriebenen Entwicklung mit JavaScript relevant. Abgerundet wird dieser Vortrag mit einigen Best Practices für die testgetriebenen Entwicklung mit JavaScript.
BATbern52 Moderation Berner Architekten Treffen zu Data MeshBATbern
Das BATbern52 fand wie folgt statt
Datum: 8. März 2024, 16:00h - 19:00h
Thema: "Data Mesh - Modernes Datenmanagement"
Ort: Forum, Zentrum Paul Klee, Bern (Anfahrt)
Beiträge:
"Data Mesh: 2019, 2023 und 2024++", Simon Harrer, INNOQ
"Skalierte Datenwertschöpfung mit Data Mesh", Bruno Russiniello, die Mobiliar, Lukas Feuz, die Mobiliar
"Schöne neue Data Products und deren nicht nur technischen Knacknüsse", André Rogger, SBB
"Swisscom's Journey into Data Mesh", Mirela Navodaru, Swisscom
BATbern52 Swisscom's Journey into Data MeshBATbern
Swisscom is taking one bold step after another to become a data-driven company. The approach is always business-first: how to find data&AI-driven solutions to enable the business to make the best decisions to offer a great experience to our customers. Our journey with Data Mesh is no different. Together with the business, we looked at the current challenges of quickly transforming data into information and insights while having a crucial regard for data management and governance. I invite you to this session to go through our transformation from data to data products, how to foster co-creation between data producers and data consumers, and what it takes to create the right balance between central governance and decentralizing the accountability for its implementation.
BATbern52 SBB zu Data Products und KnacknüsseBATbern
Mit den Data Products und dem Data Mesh weht ein neuer Wind durch die Data Analytics-Stuben. Konzepte, die im Bereich des Software Engineerings bereits etabliert sind, werden für neue Analytics-Vorhaben entsprechend adaptiert. Dies Nähe zur Software Entwicklung ist nicht erstaunlich, stammen doch die Prinzipien des Data Mesh aus dem Umfeld von Martin Fowler. Die Grundgedanken sind bestechend einfach: das Data Product als eine klar abgegrenzte Einheit mit klaren Regeln und Daten, die einen Mehrwert für den Datennutzer bieten. Diese Data Products können in einer Mesh-Architektur miteinander verknüpft und zu einem funktionierenden Ganzen zusammengefügt werden. Damit soll der «Ad-Hoc»-Charakter, der vielen Analytics-Lösungen innewohnt, überwunden werden. Bei der Adaption von Data Products in eine bestehende Analytics-Landschaft müssen technische und organisatorische Hürden genommen und viel Überzeugungsarbeit in der Analytics-Gemeinde geleistet werden. Wir nehmen Euch mit auf diese Reise, die noch nicht zu Ende ist.
BATbern52 Mobiliar zu Skalierte Datenprodukte mit Data MeshBATbern
Die Gruppe Mobiliar hat sich das Ziel gesetzt, 'unter jedem Dach daheim' zu sein und dabei ein optimales Kundenerlebnis zu bieten. Um dieses Ziel zu erreichen, setzt sie unter anderem auf eine skalierte Datenwertschöpfung als strategische Unternehmensfähigkeit. Bruno Russiniello und Lukas Feuz geben in dieser Präsentation Einblicke in die genaue Bedeutung dieses Ansatzes. Erfahren Sie, wie die Mobiliar durch die Nutzung von Datenprodukten die Digitalisierung aktiv vorantreibt.
BATbern52 InnoQ on Data Mesh 2019 2023 2024++BATbern
Data Mesh ist ein soziotechnischer Ansatz für die Erstellung einer dezentralen Datenarchitektur. Zhamak Dehghani hat den Begriff Data Mesh und die Theorie dahinter mit ihren Blog-Beiträgen in 2019 bereits geprägt und dann mit ihrem Buch noch etwas ausführlicher beschrieben. Diese Theorie möchte ich kurz vorstellen, um für den Abend ein Begriffsfundament zu giessen. Seit 2019 ist jedoch viel passiert. Viele haben das Konzept gelesen und einige haben ihre Data Mesh Reise bereits begonnen. Ich möchte auf 2023 zurückblicken und den aktuellen Stand der Praxis beschreiben. Enden möchte ich mit einem Ausblick über die Top 5 Entwicklungen in Data Mesh, die dich total überraschen werden.
Weitere ähnliche Inhalte
Ähnlich wie BAT40 SBB Jöckel Optische Zuglokalisation mit Machine Learning
Cloud Wars – what‘s the smartest data platform? Vergleich Microsoft Azure, Am...inovex GmbH
Die großen Public-Cloud-Anbieter locken inzwischen mit vielversprechenden Platform-as-a-Service-Angeboten um Daten jeglicher Art performant und kosteneffizient zu speichern und zu verarbeiten. Neben unterschiedlichen Datenbanken gibt es dazu Dienste für Batch- und Realtime-Processing. In diesem Vortrag werden einige der wichtigen Data Driven Services anhand eines typischen IoT-Szenarios aus der Praxis beleuchtet. Dazu gehen drei Schwergewichte des Cloud Business ins Rennen: Microsoft Azure vs. Amazon Web Services vs. Google Cloud Platform.
Event: inovex Meetup: "Let's talk about the Cloud!", 22.06.2016
Speaker: Thomas Neureuther, Stefan Kirner, inovex GmbH
Mehr Technologie-Vorträge: https://www.inovex.de/de/content-pool/vortraege/
Digitale Datenerfassung an der Maschine | Digitale Zukunft Mittelstand Baden-...Bechtle
Digitale Datenerfassung an der Maschine, Vesa Klumpp
Gehalten auf der Veranstaltung: Digitale Zukunft Mittelstand Baden-Württemberg, FZI House of Living Labs, 06.03.2018
Überblicksvideo zum Event: https://www.youtube.com/watch?v=p3uVZanUauw&feature=youtu.be
Der VDC Newsletter ist der monatliche Informationsdienst des Virtual Dimension Centers (VDC) Fellbach mit Neuigkeiten aus dem Netzwerk sowie Nachrichten und Terminen rund um das Thema Virtual Engineering. Tagesaktuelle Nachrichten sind auf http://www.vdc-fellbach.de verfügbar. Der VDC Newsletter wird derzeit von rund 4000 Personen gelesen. Besuchen Sie uns auch auf Facebook unter: http://www.facebook.com/vdc.fellbach
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem Vormarschenpit GmbH & Co. KG
Seit Jahrzehnten fasziniert das Gebiet der Künstlichen Intelligenz (KI). Durch neue Lernverfahren (z.B. Deep Learning) auf großen Datenbeständen konnte in den letzten Jahren insbesondere die Sprach- und Bilderkennung essentiell verbessert werden. Wie können Unternehmensanwendungen von den Errungenschaften Gebrauch machen? Neue Cloud Services von Oracle, Google, Microsoft, Amazon und IBM abstrahieren die Komplexität darunterliegender Algorithmen und machen maschinelle Lernverfahren für Entwickler intelligenter Assistenzsysteme einfach zugänglich. Auf Basis ausreichend großer Trainingsdaten können Muster erkannt, Handlungsempfehlungen abgeleitet oder autonome Entscheidungen getroffen werden.
Von Big Data zu Künstlicher Intelligenz - Maschinelles Lernen auf dem VormarschAndreas Koop
Seit Jahrzehnten fasziniert das Gebiet der Künstlichen Intelligenz (KI). Durch neue Lernverfahren (z.B. Deep Learning) auf großen Datenbeständen konnte in den letzten Jahren insbesondere die Sprach- und Bilderkennung essentiell verbessert werden. Wie können Unternehmensanwendungen von den Errungenschaften Gebrauch machen? Neue Cloud Services von Oracle, Google, Microsoft, Amazon und IBM abstrahieren die Komplexität darunterliegender Algorithmen und machen maschinelle Lernverfahren für Entwickler intelligenter Assistenzsysteme einfach zugänglich. Auf Basis ausreichend großer Trainingsdaten können Muster erkannt, Handlungsempfehlungen abgeleitet oder autonome Entscheidungen getroffen werden.
Wir haben eine Applikation entwickelt, um Gleislagefehler grafisch darzustellen und nach ihren Ursachen zu suchen, denn auch in Zeiten von Big Data bleibt das menschliche Gehirn eine der leistungsfähigsten Maschinen zur Mustererkennung.
Hierfür erhalten alle Strecken einen “Gefährdungskoeffizienten”, der aus den Angaben "Alter", "Leistungstonnen pro Tag" und "Züge pro Tag" mit einer frei wählbaren Gewichtung berechnet wird, und wer-den auf der Karte dementsprechend eingefärbt.
Auf diese Weise kann man die Daten interaktiv untersuchen. Unsere Ergebnisse: Die Daten der DB enthalten einige Inkonsistenzen und sind nicht ganz vollständig. Das Alter spielt für die Gleislagefehler eine untergeordnete Rolle, Leistungstonnen und Züge pro Tag schon eher.
Whitepaper: Indoor Positionsbestimmung in Industrie & Logistikinfsoft GmbH
In diesem Whitepaper stellen wir Ihnen die Vorteile von RTLS-Lösungen in Industrie und Logistik vor, vergleichen Ortungstechnologien und geben Anwendungsbeispiele.
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2JAVAPRO
Die Kosten für Speichermedien sinken und das systematische Sammeln von Datenmassen aller Arten wird immer leichter. Big Data ist in den Unternehmen angekommen. Viele Projekte sind bereits über den Pilot- oder Prototypenstatus hinaus. Apache Spark ist ein skalierbares System für die flexible Verarbeitung großer Datenmengen.
Der Vortrag stellt Apache Spark 2 ML vor, beschreibt konkrete Einsatzszenarien und zeigt konkrete Beispiele mit Java 8 aus dem Bereich des maschinellen Lernens.
Kennen Sie den? "Big Data ist wie Teenagerliebe - alle reden darüber, keiner weiss wie's geht, jeder denkt dass alle anderen es machen, also geben wir alle vor es auch zu tun."
In diesem Beitrag geht es darum, die Bandbreite konkreter Möglichkeiten für Data Science Anwendungen im Schweizer Markt abseits wohlbekannter Marketing-Anwenundungen kennenzulernen. Anhand überraschender Beispiele und untermauert durch konkrete Projekterfahrungen stellt der Mitgründer des Datalab der Zürcher Fachhochschule anschaulich und kurzweilig dar, wie Schweizer Unternehmen vieler Branchen durch die Analyse von (evtl. auch grossen) Daten tragende Geschäftsmodelle aufstellen oder unterstützen können. So wird aus dem ein oder anderen Erzähler von Treppenwitzen über die Big Data Community vielleicht doch ein Liebhaber dieser noch jungen Disziplin.
In München fand Anfang Oktober die europäische Nvidia GPU Technology Conference statt. Wir nehmen das zum Anlass, und schauen mal ein bisschen genauer hinter die Kulissen von Grafikkarten. Was steckt drin, worin unterscheiden sich die Hersteller, und wozu werden GPUs heute eingesetzt?
Die im Webinar verwendeten Demo-Videos:
10 Movies before and after special effects
https://www.youtube.com/watch?v=gXu6BrsE8mY
Hyundai's New Theta Engine with GDI (Gasoline Direct Injection) Technology
https://www.youtube.com/watch?v=Pxvp9F-PS34
Fluid Dynamics Simulation: Caeli | Design for Automotive
https://www.youtube.com/watch?v=PfJycXfLIk0
OpenStreetMap und amtliche Geodaten (Workshop-Präsentation)Stefan Keller
Workshop-Präsentation zum Thema "OpenStreetMap und amtliche Geodaten" gehalten am GEOSummit am 3. Juni 14.
Siehe auch http://giswiki.hsr.ch/Workshop_OpenStreetMap_GEOSummit_2014
Nach dem Aufbau einer Container-basierten Cloud-Plattform hat sich die SBB entschieden, weitere innovative Services in der Public Cloud aufzubauen.
Ein Jahr nach unserem Vortrag am BAT Nr. 36 ziehen wir nun eine erste Bilanz: wie und in welchen Mengen verwenden wir die „Public Cloud“, welchen Herausforderungen begegneten wir beim Aufbau und was erwarten wir in der nahen Zukunft.
Testgetriebene Entwicklung mit Jasmine und Karma hat sich mittlerweile schon als defacto-Standard etabliert. Routinen ohne Abhängigkeiten lassen sich damit ohne Probleme testen. Die Schwierigkeiten beginnen jedoch schon, wenn es um die Auflösung von Abhängigkeiten geht. In diesem Vortrag werden verschiedene Strategien und Werkzeuge vorgestellt, mit denen Abhängigkeiten zu Objekten und Funktionen oder zum Server abgedeckt werden können. Aber nicht nur Abhängigkeiten stellen Schwierigkeiten bei der testgetriebenen Entwicklung dar, auch der Umgang mit Fixtures ist bei der testgetriebenen Entwicklung mit JavaScript relevant. Abgerundet wird dieser Vortrag mit einigen Best Practices für die testgetriebenen Entwicklung mit JavaScript.
Ähnlich wie BAT40 SBB Jöckel Optische Zuglokalisation mit Machine Learning (17)
BATbern52 Moderation Berner Architekten Treffen zu Data MeshBATbern
Das BATbern52 fand wie folgt statt
Datum: 8. März 2024, 16:00h - 19:00h
Thema: "Data Mesh - Modernes Datenmanagement"
Ort: Forum, Zentrum Paul Klee, Bern (Anfahrt)
Beiträge:
"Data Mesh: 2019, 2023 und 2024++", Simon Harrer, INNOQ
"Skalierte Datenwertschöpfung mit Data Mesh", Bruno Russiniello, die Mobiliar, Lukas Feuz, die Mobiliar
"Schöne neue Data Products und deren nicht nur technischen Knacknüsse", André Rogger, SBB
"Swisscom's Journey into Data Mesh", Mirela Navodaru, Swisscom
BATbern52 Swisscom's Journey into Data MeshBATbern
Swisscom is taking one bold step after another to become a data-driven company. The approach is always business-first: how to find data&AI-driven solutions to enable the business to make the best decisions to offer a great experience to our customers. Our journey with Data Mesh is no different. Together with the business, we looked at the current challenges of quickly transforming data into information and insights while having a crucial regard for data management and governance. I invite you to this session to go through our transformation from data to data products, how to foster co-creation between data producers and data consumers, and what it takes to create the right balance between central governance and decentralizing the accountability for its implementation.
BATbern52 SBB zu Data Products und KnacknüsseBATbern
Mit den Data Products und dem Data Mesh weht ein neuer Wind durch die Data Analytics-Stuben. Konzepte, die im Bereich des Software Engineerings bereits etabliert sind, werden für neue Analytics-Vorhaben entsprechend adaptiert. Dies Nähe zur Software Entwicklung ist nicht erstaunlich, stammen doch die Prinzipien des Data Mesh aus dem Umfeld von Martin Fowler. Die Grundgedanken sind bestechend einfach: das Data Product als eine klar abgegrenzte Einheit mit klaren Regeln und Daten, die einen Mehrwert für den Datennutzer bieten. Diese Data Products können in einer Mesh-Architektur miteinander verknüpft und zu einem funktionierenden Ganzen zusammengefügt werden. Damit soll der «Ad-Hoc»-Charakter, der vielen Analytics-Lösungen innewohnt, überwunden werden. Bei der Adaption von Data Products in eine bestehende Analytics-Landschaft müssen technische und organisatorische Hürden genommen und viel Überzeugungsarbeit in der Analytics-Gemeinde geleistet werden. Wir nehmen Euch mit auf diese Reise, die noch nicht zu Ende ist.
BATbern52 Mobiliar zu Skalierte Datenprodukte mit Data MeshBATbern
Die Gruppe Mobiliar hat sich das Ziel gesetzt, 'unter jedem Dach daheim' zu sein und dabei ein optimales Kundenerlebnis zu bieten. Um dieses Ziel zu erreichen, setzt sie unter anderem auf eine skalierte Datenwertschöpfung als strategische Unternehmensfähigkeit. Bruno Russiniello und Lukas Feuz geben in dieser Präsentation Einblicke in die genaue Bedeutung dieses Ansatzes. Erfahren Sie, wie die Mobiliar durch die Nutzung von Datenprodukten die Digitalisierung aktiv vorantreibt.
BATbern52 InnoQ on Data Mesh 2019 2023 2024++BATbern
Data Mesh ist ein soziotechnischer Ansatz für die Erstellung einer dezentralen Datenarchitektur. Zhamak Dehghani hat den Begriff Data Mesh und die Theorie dahinter mit ihren Blog-Beiträgen in 2019 bereits geprägt und dann mit ihrem Buch noch etwas ausführlicher beschrieben. Diese Theorie möchte ich kurz vorstellen, um für den Abend ein Begriffsfundament zu giessen. Seit 2019 ist jedoch viel passiert. Viele haben das Konzept gelesen und einige haben ihre Data Mesh Reise bereits begonnen. Ich möchte auf 2023 zurückblicken und den aktuellen Stand der Praxis beschreiben. Enden möchte ich mit einem Ausblick über die Top 5 Entwicklungen in Data Mesh, die dich total überraschen werden.
Embracing Serverless: reengineering a real-estate digital marketplaceBATbern
This presentation delves into the journey of transitioning an on-premises monolithic real estate application to a fully serverless, event-driven microservices stack on AWS. Explore the compelling business drivers that necessitated this shift, from traffic demands and team scalability to architectural flexibility. We'll unpack the challenges, from navigating many service choices to the cost implications. At the same time, we'll celebrate the undeniable advantages: improved security through AWS's shared responsibility model, the economic flexibility of a pay-as-you-go approach, and remarkable reliability and scalability.
Stirbt Serverless den Kubernetes-Tod bevor es richtig geboren wurde? Es gibt zumindest eine Domäne, in der Serverless definitiv lebendig und munter ist - das Internet der Dinge (IoT). In den letzten sieben Jahren wurden IoT-Systeme vermehrt unter Verwendung von Platform as a Service (PaaS) und Serverless-Diensten der Public Cloud Provider entwickelt. Dabei kommt die Event-Driven Architecture zum Einsatz, ein Muster, das sich sowohl für Serverless als auch für die asynchrone Natur von IoT-Systemen bestens eignet. Aber wie sehen solche Architekturen konkret aus? Warum sind gerade IoT-Anwendungen prädestiniert für Serverless? Und welche wertvollen Erkenntnisse können wir aus diesem Bereich für andere Anwendungsdomänen gewinnen? In dieser Session werden wir diese Fragen anhand von Beispielen aus der Azure-Welt genauer unter die Lupe nehmen.
Die Schweiz, das Land der vielen Sprachen. Das Translation Portal der Raiffeisen Schweiz bietet verschiedenste Möglichkeite Übersetzungsprozesse zu standardisieren und automatisieren. Bei der Entwicklung des Portals wurden ausschliesslich cloud native Dienste und Methoden eingesetzt. Wir zeigen auf, wie Serverless Code durch vollautomatisierte Pipelines integriert, getestet und ausgerollt wird. Dabei erfahren Sie unter anderem was Serverless aus Sicht DevOps für die Raiffeisen Schweiz und im Allgemeinen bedeutet.
Keynote Gregor Hohpe - Serverless ArchitecturesBATbern
Serverless is much more than an abstraction over compute run-time. Serverless applications are inherently distributed, easily respond to incoming events, and change the role of cloud automation. This session reflects on how serverless influences our application delivery and takes a peek at recent trends like Event-driven Architectures and Infrastructure from Code.
Ein Rückblick anlässlich des 50. BAT aus Sicht eines treuen PartnersBATbern
Peter Kummer leitet seit 2020 die Division Infrastruktur und ist Mitglied der Konzernleitung der SBB. Die Division Infrastruktur gewährleistet eine optimale Auslastung und Steuerung des Personen- und Güterverkehrs und ist für den Unterhalt, die Entwicklung und den Ausbau des Telekom- Strom- und Schienennetzes der SBB zuständig. Peter Kummer stiess 2007 als Chief IT Architect zu den Schweizerischen Bundesbahnen SBB. 2009 wurde er zum CIO und Mitglied der Konzernleitung der SBB ernannt. Vor dem Eintritt bei der SBB war Peter Kummer “Head of Enterprise Architecture & IT Strategy” bei der Versicherungsgesellschaft Die Mobiliar.
MLOps journey at Swisscom: AI Use Cases, Architecture and Future VisionBATbern
What powers the AI/ML services of Switzerland's leading telecommunication company? In this talk, we will provide an overview of the different AI/ML projects at Swisscom, from Conversational AI and Recommender Systems to Anomaly Detection. Moreover, we will show how we automate, scale, and operationalise these ML pipelines in production, highlighting the MLOps techniques and open source tools that are used. Finally, we will present Swisscom's roadmap towards the cloud with AWS and discuss how we envision a common MLOps solution for the organisation.
From Ideation to Production in 7 days: The Scoring Factory at RaiffeisenBATbern
Imagine a world where you transform a business problem into data specification, collect a data set, learn a ML model and put it into stable, scheduled production within 7 days – rather than spending weeks on data preparation and implementing a production pipeline. At Raiffeisen Data Science this became reality with our Scoring Factory, a ML OPs framework where all customer data is condensed and prepared in a 'feature data layer' - ready to be used for ML algorithms, and a “Scoring Template” with which ML models are created in hours and which delivers production ready code. This overcomes our biggest obstacles in implementing new ML use cases: Data preparation and deployment used to demand so much time, that we were very limited in taking on new ML use cases. In particular, we can now try new ideas fast and without the risk of too much initial time investment. The Scoring Factory is the so-far final piece in a 3 year long effort to build a versatile, automated, robust data platform which allows to unleash the full potential of customer analytics and which started with local models executed on desktop PCs. The foundation is the Customer Analytics Platform. A Hadoop-Cluster where data from various sources gets collected, cleaned, interconnected and aggregated, resulting in thousands of attributes describing the customer in any angle which the business needs to solve their questions. In this talk, we give details about the Architecture of the Customer Analytics Platform and the key ingredients of the Scoring Factory.
Data is a critical component of today management governance in all companies and industries, and so it is in sports as well. Data can be generated by a lot of different sources like human annotations, sensors, optical tracking and should be produced to help decision makers to take better decisions. The aim of this presentation is first to share Dartfish experience on today Data generation using AI and Machine Learning, but as well to explore the future usage of AI/ML in Data mining to produced better decision indicators.
Klassifizierung von Versicherungsschäden – AI und MLOps bei der MobiliarBATbern
MLOps-Prozesse und -Infrastruktur stellen die Grundlage dar für effizientes Entwickeln und nachhaltigen Betrieb von Machine Learning Modellen. Unser NLP Modell zur Klassifizierung von Versicherungsschäden veranschaulicht, wie die Mobiliar MLOps verwendet, um Mitarbeiter sowie Kunden zu befähigen und zu entlasten. Neben der Entwicklungsarbeit im interdisziplinären Team zeigen wir, wie das Modell in Geschäftsprozessen (B2E und B2C) eingebunden wird. Wir beleuchten anhand konkreter Beispiele, weshalb die MLOps-Prozesse und -Infrastruktur der Mobiliar zentral sind für die Entwicklung und den Betrieb von Machine Learning Modellen. Dabei sollen angetroffene Stolpersteine nicht ausgespart werden, zum Beispiel im Monitoring des Modells im Geschäftsprozess.
BATbern48_ZeroTrust-Konzept und Realität.pdfBATbern
Bei Zero Trust wird keinem Akteur, der Zugang zu Ressorucen oder Diensten im Netzwerk will, von vornherein vertraut. Gemäss dem Motto «never trust, always verify» erfordert jede Abfrage im System eine neue Verifizierung. Es wird aufgezeigt, wie dies in einer Umgebung mit vielen verschiedenen Akteuren durchgängig umgesetzt werden kann. Dabei nehmen OAuth-Token und die Funktionalität Token-Exchange eine zentrale Rolle ein.
BATbern48_How Zero Trust can help your organisation keep safe.pdfBATbern
This presentation will bring insights into how the Zero Trust framework can help organizations improve their cybersecurity posture and resilience and what the organizational challenges are.
BATbern48_Zero Trust Architektur des ISC-EJPD.pdfBATbern
Das Zero-Trust-Modell ist ein Sicherheitskonzept, das auf dem Grundsatz basiert, keinem Gerät, Nutzer oder Dienst innerhalb oder ausserhalb des eigenen Netzwerks zu vertrauen. Dieses Konzept wird im EJPD schon seit 2003 – Einführung des SSO-Portals – aktiv umgesetzt.
Why did the shift-left end up in the cloud for Bank Julius Baer?BATbern
The efficient collaboration with development partners and the requirement to deliver high quality software led to an evolutionary journey where BJB has shifted the software engineering discipline all the way from on-prem to DevCloud. In this session you will learn how ‘Scotty’ ensures release quality, while experimentation and fast on-boarding of new developers is guaranteed.
Why did the shift-left end up in the cloud for Bank Julius Baer?
BAT40 SBB Jöckel Optische Zuglokalisation mit Machine Learning
1. Lothar Jöckel (SCI-API-PFI)
BAT – Berner-Architekten-Treffen.ch
29.06.2018 – Zentrum Paul Klee, Bern
Optische Zuglokalisation
mit Machine Learning
2. Im Service-Center der SBB-Infrastruktur seit 2013
Kleines Team mit unterschiedlichem Background
▪ Physik, Mathematik, Computer-Science, Neuro-Wissenschaften
Wir bieten Proof of Concept’s, Offene Arbeitsumgebung und
Interaktion
Zusammenarbeit mit Forschungseinrichtungen (Universität Potsdam)
Aktuelle Themen
Störungsdauerprognose, Automatisches Zugdispatching,
Fahrplansimulation HPC/CUDA, Optimierungen mit ASP
PFI
Platform Forschung und Innovation
4. Optische Spur-Lokalisation beim PKW ist möglich, geht das auch
beim Zug?
Im ersten Schritt:
Mit welcher Genauigkeit lassen sich Aussagen zur Gleisposition, also
auf welchem Gleis befindet sich der Zug, machen?
Im zweiten Schritt:
Ist es möglich die Position auf der Strecke zu ermitteln?
PoC gestartet März 2018
Optische Zuglokalisation PoC
Welche Fragen stellen sich?
5. Frontkamera Bilder von Diagnosefahrzeug (DFZ)
Unterschiedliche Bildformate und Dimensionen
▪ RGB / GrayScale
▪ 1176 x 866
▪ 2352 x 1772
Unterschiedlichen Kameras und Lichtbedingungen (Über/Unterbelichtung)
Trennung der Bilder in «labels» und «validation»
Verwendete Daten
Images
10. Erlaubt das Labeln von Images mit «Bounding Boxes»
▪ track, bau, signal, balise, km, zwerg, (prellbock, sektor)
Basiert auf OpenSource Tool «labelImg» (Python / QT)
Anpassungen zur Produktivitätssteigerung (Autosave, Autogenerate)
Export der Bounding Boxes im passenden Netzwerkformat.
Integration Neuronalem Netzwerk
Labeln
«Labelimg»
11. SSD321, DSSD321, R-FCN
SSD5 13, DSSD513, FPN FRCN
RetinaNet-101-500 / 800
etc………
Warum YOLO?
Weil wir bei PFI gerne unbekanntes ausprobieren
und
weil ich ein grosser James Bond Fan bin!
Netzwerkauswahl
So many options!
12. Paper Juni 2015 https://arxiv.org/pdf/1612.08242v1.pdf
Joseph Redmon and Ali Farhadi from the University of Washington
Object-Detection in Bounding Boxes
Version 3 – Veröffentlicht am 25. März 2018
Besser als realtime!
▪ Object detection
> 30 fps (YOLO v3 darknet), > 60 fps darknet_AlexB mit cuDNN
▪ TinyYolo mit bis zu 155 fps
YOLO
You Only Look Once
13. Ähnlich SSD (Single Shot Detector)
DNN Implementierung mit «darknet»
▪ C, CUDA, OpenCV, Python mit ctypes, Numpy
Built-In Image Augmentation
▪ Scale, Rotation, Crop, Flip, Distort, Hue, Saturation, Exposure
YOLO Neural
You Only Look Once
14. YOLO
How it works
We apply a single neural network to the full image.
This network divides the image into regions and
predicts bounding boxes and probabilities for each
region. These bounding boxes are weighted by the
predicted probabilities.
20. 1449 Images mit Bounding-Boxes gelabelt
▪ track=3982 balise=576 signal=493 km=407 zwerg=369 bau=156
Aufteilung: 80% für Training, 20% für Test
Training auf Nvidia DGX-1 (Volta-GPU)
▪ Laufzeit auf einer GPU: 5 Tage -> Verkürzt auf 1 Tag bei 4 GPU’s
▪ Bester Fehler bisher 0.31 -> 0.03 wäre Ziel
Führt zu Vollauslastung der GPU’s (bis 300 Watt pro GPU)
YOLO
Training
39. Viel mehr Images labeln
Kamerakalibration (Verzerrung, Brennweite, Auflösung, etc.)
Positionsbestimmung horizontal
▪ Integration mit Topologiedaten
Positionsbestimmung vertikal (Tafeln mit OCR, Masten zählen?)
Optische Entfernungsberechnungen (Gleisbreite)
Was noch zu tun bleibt
PoC 2
40. Alternative Netzwerkarchitekturen
▪ RetinaNet und andere SSD Varianten
▪ Re3 Tracker
Bessere Training und Runtime performance?
▪ PyTorch, Tensorflow, tensorRT
NVIDIA Jetson TX2
Portierung Mobile-Net für Android/iOS
Was noch zu tun bleibt
PoC 2
41. Horizontale Positionsbestimmung und Objekterkennung ist vom
Prinzip her möglich.
Aufwand für Labeling viel höher als erwartet.
Es gibt noch viel zu tun!
Fazit
42. CSEM - Swiss Center for Electronics and Microtechnology (EPFL)
Mehrere Diagnosezüge bei der SBB
▪ Messungen bis 160 km/h
▪ Mehrere High-Resolution Kameras und andere Sensoren (Laser,
etc.)
▪ Gleisoberflächen, Geometrie
Machine Learning Projekte bei der SBB
Railway Track Fault Detection
43. SBB Cargo Wayside Projekt
▪ Prüfen der Wagen, Bremssattel, Aufstiege, Radprofil
Mehrere Diagnosezüge bei der SBB
▪ Messungen bis 120 km/H
▪ Mehrere High-Resolution Kameras und andere Sensoren (Laser,
etc.)
Machine Learning Projekte
Was läuft noch so bei der SBB
44. SBB Cargo Wayside Projekt
▪ Prüfen der Wagen, Bremssattel, Aufstiege, Radprofil
Machine Learning Projekte
Was läuft noch so bei der SBB
45. Dispositionsassistent mit Re-Inforcement Learning
Störungsdauerprognose (LSTM)
Defekt-App
Railway Track faults
Deep Learning of Railway Track Faults using GPUs
Nathalie Rauschmayr (CSEM (Swiss Center for Electronics and
Microtechnology))
Swiss Federal Railways (SBB) operate a 'diagnosis' train fitted with multiple high-resolution cameras that obtain
images of tracks - all while traveling at a speed of 75 mph. Current data processing software conducted in real time
on the train produces a too high rate of false positives/negatives to the extent that railway experts still need to go
Machine Learning Projekte
Was läuft noch so bei der SBB
46. Heute werden die Güterwagen mehrmals täglich durch
Fachspezialisten vor Ort vor der Abfahrt kontrolliert.
▪ Dies stellt ein sehr aufwendiges Produktionskonzept dar.
Zukünftig sollen diese Kontrollen durch den Einsatz von
Kameratechnologie an verschiedenen Standorten vereinfacht werden
und Probleme dadurch einfacher und innovativ gelöst werden. In
anderen Worten: Der zu implementierende Algorithmus soll defekte
Komponenten am Zug im Bild erkennen können.
Machine Learning Projekte
Wayside Intelligence – Schadenserkennung am Güterwagen
47. Smartphone-Kamera kann Objekte, wie einen Billettautomat oder ein
Graffiti, erkennen.
Das Ziel ist es, dass die App alle nötigen Angaben eines Defektes via
Smartphone-Kamera automatisch erkennt und der Benutzer oder die
Benutzerin möglichst wenig Informationen selber eingeben muss.
Machine Learning Projekte
Defect-App – Objekterkennung auf Smartphone
54. Allgemein.
Icons für Idee, Experimente, Ergebnisse.
Idee
Experiment
Zunahme
Kosten (Finanzieller Art)
Antifragil
Zuverlässigkeit, Vertrag/Abmachung
55. Allgemein.
Icons für spezielle und schematische Darstellungen.
Schlecht, geht nicht, …
Gut, geht (funktioniert)
Aber Achtung, unklar
Maske für Grafik
Atom, Universum
New York (So viele Einwohner wie …)
Twitter