Current challenges in data warehousing especially for (automotive) engineering departments through unstructured data and new users requests - and how to cope with them.
3. Agenda
Beispiel 1:
DWH und unstrukturierte Daten
Data
Warehousing:
Trends und
Herausforderungen
Beispiel 2:
DWH und neue
Nutzergruppen
4. Data Warehouse
„themenorientierte, integrierte, chronologisierte, persistente
Datensammlung zur Unterscheidungsunterstützung
des Managements“
„Kopie transaktionsorientierter Daten, aufbereitet für
Abfragen und Berichte“
„physische Datenbank, integrierte Sicht auf beliebige Daten zu
Analysezwecken“
„BWL-Analyseorientierte Datenbanksysteme“
98% der Entscheider halten
Datenanalyse im Data Warehouse
für essentiell.
Aber: nur 40% haben
ein explizites Datawarehouse.
6. Unstrukturierte Daten
Traditionell: Text
z.B. Medizin: Multimedia
z.B. Content-Industrie: Musik & Ton
Beispiel:
Mehrdeutigkeit
Inhalt
ziehen
auflösen
explizieren
zufriedenheit
=
low
„Ihr habt sie
doch nicht
alle!“
Struktur
Schlüsse
„Intelligenz“
8. Anwenderbedürfnisse
Vertrauen
In Daten, Verfahren und Ergebnisse
Weitreichendere Analysefunktionen
Komplexere Zusammenhänge erfassen
Selbst-Bedienung
Intuitive Oberflächen, versteckte Komplexität
…
Bessere Skalierbarkeit, Zugriff mobil & in Echtzeit
9. Beispiel„Fahrerablenkung – Entwicklung
1: FABELHAFTe Ideen
eines MetaFahrerassistenzsystems durch
Echtzeit-Audioklassifikation“
Setting: FAS zur Unfallvermeidung
durch Ablenkungserkennung
Herausforderung: Schließen der
„semantic gap“ trotz mangelnder
Daten(qualität)
Lösung: Introspektion via Visualisierung
für Modelltuning + SVMSupervektoransatz
11. Beispiel 1: Lessons Learned
Introspektion (z.B. Visualisierung) hilft bei der
Erstellung komplexer Analysealgorithmen
Ausgefeilte Algorithmen und empirische
Erfolgsbelege überzeugen konservative
Kunden trotzdem nicht unbedingt
12. Beispiel 2: Das EngineeringDWH
Setting: Neue Nutzergruppen im
Engineeringumfeld
Herausforderung: neue Daten, neue
Anwendungs-fälle, Misstrauen, Halbwissen
Lösung: „Ingenieurassistenzsystem“
anstatt „KI“
13. Beispiel 2: Lessons Learned
Statistik, Maschinelles Lernen etc. befremden
(Falscher) Eindruck: Maschine ersetzt den
Menschen
Stattdessen: Unterstützung anbieten, aber
Mensch entscheidet
Z.B.: Ähnlichkeitsbasierte Visualisierung anstatt vollautomatisches Clustering
14. Fazit
Herausforderung 1: unstrukturierte Daten
Introspektion zur Findung geeigneter Modelle
Herausforderung 2: neue Anwender(wünsche)
Unterstützung statt Bevormundung
Ausblick:
Datawarehouses
verlassen den
Kernanwenderbereich
…werden „unter der Haube“ intelligenter
…und an der Oberfläche verständlicher