Salento, auch bekannt als der Absatz des Stiefels von Italien, ist eigentlich nicht für seine hochmoderne Technologie bekannt. Vielmehr prägen Architektur, Strand und Tourismus das alltägliche Bild. Jedoch nicht so auf der SalentoAVR Konferenz. Hier treffen sich Wissenschaftler aus aller Welt um die neusten Entwicklungen im Bereich Augmented Reality und Datenbrillen zu diskutieren. Auch wir haben unsere letzten Projekte vorgestellt, die allesamt mit der Microsoft HoloLens durchgeführt wurden. In einem ersten Ansatz wurden Objekte in einem Video erkannt. Der Ansatz basiert auf Deep Learning, wobei ein tiefes Neuronales Netz mit dem Videostream der HoloLens angelernt wurde. Anschließend wurde die Robustheit dieses Netzes mit verzerrten Bildern getestet (siehe Bild)

Ein zweites Projekt beschäftigte sich mit der Programmierung von Quadrocoptern. Es ist sehr schwierig sich die Flugbahn eines Quadrocopters vorzustellen, wenn man in einzelnen Befehlen programmiert wie
„fliege 3m nach vorne“
„drehe um 46° auf der z-Achse“
Um die Programmierung zu vereinfachen, wird der erwartete Flugpfad in der HoloLens dargestellt.

Das dritte, und letzte Projekt, widmete sich dem Monitoring einer Brennstoffzelle. Die Stromverbrauchswerte werden über das Protokoll MQTT an die Datenbrille gesendet und können dort im dreidimensionalen Raum betrachtet werden.

Auf der Konferenz wurden viele spannende Konzepte vorgestellt. Die größten Themengebiete waren 1) die Unterstützung von Operationen und Therapien mit Augmented Reality, 2) die Steuerung von industriellen Maschinen und 3) die Städteplanung und Architektur. Wir freuen uns über die Inspiration und werden sicherlich Konzepte und unseren eigenen Anwendungen ausprobieren.

Mit unserem Beitrag Towards a Hierarchical Approach for Outlier Detection in Industrial Production Settings nahmen wir am ersten Internationalen Workshop zum Thema Data Science in der Industrie 4.0 in Lissabon teil. Unsere Grundsätzliche Fragestellung lautetete: Wie kann man Unregelmäßigkeiten innerhalb einer vielschichtigen Produktion gut darstellen. Hierfür entwickelten wir ein Ebenenmodell (siehe Bild), auf dem wir unsere Thesen aufbauten. Dabei sind drei grundsätzliche Ideen enthalten:

1. Wenn eine Unregelmäßigkeit auch nach einer Aggregation der Daten (Durchschnitt, Summe etc…) noch auffindbar ist, wird sie als wichtiger dargestellt.
2. Ausreißer, die an mehreren Sensoren gleichzeitig festgestellt werden (Support), sind wichtig.
3.  Die Stärke eines Ausreißer ist immer relativ zu den anderen Ausreißern derselben Maschine.

Aus diesen drei Erkenntnissen wurde ein Algorithmus aufgebaut, der wiederum hilft Unregelmäßigkeiten besser zu vergleichen und einzuordnen.

Unser Ebenenmodell

Weitere Vorträge widmeten sich u.a. dem so genannten ‚checkpointing‘ beim Streamen großer Daten. Hierbei wird ein Marker im Stream mitgesendet um, bei Ausfall des Systems, keine Daten zu verlieren. Im Bereich Data Analytics widmete sich ein Ansatz den Gauß’schen Prozessen, die auf dem Prinzip der Regression arbeiten und trotzdem ein Konfidenzintervall für ihre Vorhersage anbieten.

Die Konferenz widmete sich nicht nicht nur aktuellen Entwicklungen, sondern schaute auch vergleichend in die Vergangenheit um festzustellen, welche Theorien den „Test der Zeit“ bestanden haben. Hierbei zeichnete sich vor allem Amdahls Law aus, welches besagt, das ein System nur so skalierbar ist, wie die am wenigsten skalierbare Komponente.

Im Rahmen der Kooperation zwischen der ATR Software GmbH und dem Institut für Datenbanken und Informationssysteme hielt Burkhard Hoppenstedt eine Gastvorlesung „Maschine Learning auf medizinischen Daten“. Neben konkreten Fallbeispielen aus medizinischen Projekten an der Universität Ulm bot die Vorlesung vor allem einen Überblick über Ansätze zur künstlichen Intelligenz und einige ausgefallene Fragestellungen:

• Wie funktioniert eigentlich das Empfehlungssystem von Amazon?
• Wie bringt man einen Computer dazu ein Computerspiel ohne jegliches Vorwissen zu meistern?
• Wie clustert man einen Hörsaal (als Liveexperiment)?

Zusätzlich wurden Live-Beispiele gezeigt, bei denen ein Datensatz mit Python, Sci-Kit und Matplotlib analysiert wurde.

Wir danken Herrn Dr. Pryss für seine Einladungen und den Studenten für ihr reges Interesse. Auch im kommenden Semester werden wir uns wieder mit einem Gastvortrag an der Lehre beteiligen.

Von der Zeichnung zum Modell

Im September 2018 fand in Budapest im Rahmen einer Konferenz zum Thema Simulation die International Conference of the Virtual and Augmented Reality in Education statt. In diesem Beitrag werden nun drei Ideen und Projekte aus dieser Konferenz vorgestellt.

Im Feld von Design und Architektur wird Augmented Reality bereits seit einigen Jahren erfolgreich eingesetzt. Hierbei werden Entwürfe z.B. mittels AR Brillen betrachtet um ein besseres Gefühl für die Positionierung von Elementen im Raum zu erhalten. In einer Studie wurde gezeigt, dass diese Techniken einen Geschwindigkeits und Effektivitätsvorteil bieten [1].

Eine Forschergruppe aus Thailand entwickelte einen Ansatz, der es erlaubt Zeichnungen sehr schnell in 3D Modelle und damit in die virtuelle Welt zu transferieren. Ihren Anwendungsfall zeigten sie mit Hilfe von Fischzeichnungen, die in einem Virtuellem Aquarium zu leben erweckt wurden. [2]

Der letzte Ansatz beschreibt die Virtual Quality Toolbox, eine VR Anwendung, die es Angestellten in einer kleinen Produktion sehr einfach ermöglicht QS mit Virtual Reality zu bearbeiten. Hierbei werden vor allem Control-Charts, Histogramme, Paretodiagramme und Fishbone Diagramme (Ursache-Wirkungs-Diagramme) eingesetzt. [3]

——————————

[1] González et al.: The Impact of New Technologie in Design Education

[2] Boonbrahm et al.: Virtual Aquarium: Tool for Science Motivation using Augmented Reality

[3] Gorski et al..: Virtual Quality Toolbox

Dieser Artikel bezieht sich auf einen Teilaspekt eines Vortrages im Rahmen des Arbeitskries 4.0 zum Thema „Verteilte Datenanalysen“. In diesem Vortrag wurden Techniken zur Datenanalyse für große Datenmenge u.a. mit der Datenbank MongoDB und dem Framework Apache Spark demonstriert. Im folgenden wird anhand eines vereinfachten Beispieles ein Paradigma für die verteilte Datenverarbeitung beschrieben.

Stellen Sie sich folgendes vor: Sie nehmen an einem sehr produktivem Workshop teil. Die Teilnehmer werden in verschiedene Gruppen aufgeteiltl, die sich in ihre separaten Arbeitsräume zurückziehen um dort ihre Lösungen zu erarbeiten. Sie sind so in ihre Arbeit vertieft, dass der Workshopleiter beschließt Pizza zu bestellen. Er gibt in jeden Raum einen Zettel mit der Bitte den Namen des Teilnehmers und die gewünschten Pizzastücke zu notieren.

Um eine Abrechnung zu vereinfachen soll die Pizza für Teilnehmer aus einem anderen Geldtopf bezahlt werden als die Mitarbeiterpizza. Aus diesem Grund beschließen zwei Mitarbeiter sich die Arbeit zu teilen: Ein Mitarbeiter schreibt alle Teilnehmer auf seine Zettel und der andere Mitarbeiter notiert sich die Mitarbeiterbestellungen.

In einem letzten Schritt summiert jeder der bearbeitenden Mitarbeiter seine Zahlen auf und gibt die Bestellung auf.

In diesem Beispiel stecken die drei Kernkonzept des MapReduce Paradigmas, das von Google eingeführt wurde.  In Phase I (Map) werden Wertepaare aus einem eindeutigen Identifizierer (Key) und dem zugehörigen Wert (Value) gebildet. Die Sortierung der <key, value> Einträge nach ihrer Zugehörigkeit ergibt Informationsblöcke mit passenden Informationen, die als Datenstruktur für das lokale Arbeiten optimal sind, weil sie nicht über das Netzwerk verteilt sind. Diese Phase II wird Shuffle genannt. In der finalen Phase III (Reduce) wird definiert wie diese Informationsblöcke zusammengefasst werden sollen.

Das Ergebnis ist eine schnelle Datenverarbeitung von großen Datenmengen. Oder eben eine Pizza. Guten Appetit!