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.
https://www.atr-software.de/wp-content/uploads/2019/02/hmmtinnitus_blau.png6501418Burkhardhttps://www.atr-software.de/wp-content/uploads/2017/03/Logo-RGB_Web-Header.pngBurkhard2019-02-08 14:02:182022-02-25 16:03:55Gastvorlesung zu Maschinellem Lernen
Gegensätzlicher kann eine Kulisse kaum sein: vom 06. auf den 07. Dezember 2018 trafen sich 30 Teilnehmer aus Industrie und Wissenschaft vor mittelalterlicher Kulisse auf Schloss Reisensburg in Günzburg, um digitale Lösungen aus dem Bereich Industrie 4.0 zu entwickeln.
Als Gastgeber stellten das Institut für Datenbanken und Informationssysteme (DBIS), Uhlmann Pac-Systeme GmbH & Co. KG (Laupheim), ATR Software GmbH (Neu-Ulm) in Kooperation mit den Instituten Medieninformatik, Neuroinformatik, Organisation und Management von Informationssystemen der Universität Ulm sowie dem Zentrum für Sonnenenergie- und Wasserstoff-Forschung (ZSW) den Teilnehmern knifflige Fragestellungen aus ihrem Forschungs- und Arbeitsleben.
Schloss Reisensburg – idyllische Lage in Günzburg
Der Hackathon gliederte sich in die vier Themenfelder Mensch-Maschine Interaktion, Datenanalyse, IoT Device Management und Digitale Geschäftsmodelle. In einer offenen Arbeitsweise tauschten sich hier Studierende, Wissenschaftler und Industrieexperten aus, und entwickelten in kurzer Zeit Konzepte und Software-Prototypen anhand realer Anwendungsfälle.
Ein spannendes neues Thema aus dem Themenfeld Mensch-Maschine Interaktion, die Arbeit mit Datenbrillen, zeigte Burkhard Hoppenstedt, Mitarbeiter des Instituts DBIS. Getrieben durch die jüngste, technische Weiterentwicklung wurden beispielsweise auf Basis der Microsoft HoloLens realistische Hologramme einer Brennstoffzelle zur Darstellung des Elektronenflusses entwickelt. Die Teilnehmer konnten hierbei auf reale Daten und wissenschaftliche Expertise von Michael Schmid zurückgreifen, der Mitarbeiter am ZSW Baden-Württemberg ist und sich auf die Optimierung von Brennstoffzellen spezialisiert hat.
Der Bereich der Datenanalysen profitiert von den Entwicklungen im IT-Bereich “Big Data”, also der Disziplin zur Bearbeitung großer Datenmengen. Im Rahmen des Hackathons wurden Mustererkennungsalgorithmen auf Sensordaten einer Uhlmann Pharmaverpackungsmaschine angewendet. Federführend waren hierbei Steffen Stökler, Datenanalyst bei Uhlmann sowie Viktor Kessler, Mitarbeiter des Instituts Neuroinformatik.
Mit Hilfe des entwickelten Prototypen wurde gezeigt, dass sich mit Hilfe erkannter Abweichungen auf solchen Sensordaten vorausschauende Erkenntnisse über Maschinen ableiten lassen. Dies ermöglicht neue Anwendungsfelder, wie die vorausschauende Wartung (Predictive Maintenance), an der auch ATR und Uhlmann forschen.
Data Analytics – Einblick in eine Maschine
Im Themenfeld der IoT Device Connectivity wurden Themen und Konzepte zur Anbindung von industriellen Maschinen, wie z.B. Uhlmann Pharmaverpackungsmaschinen, an verschiedene Cloud Infrastrukturen betrachtet. Im Rahmen des Hackathons zeigte Klaus Kammerer, Mitarbeiter des Instituts DBIS, anhand der Fischertechnik-Simulationsfabrik „DBISFactory“ Fragestellungen wie zu verwendende Kommunikationsprotokolle, Datenmodelle und Software Architekturen auf. Hierbei unterstützte Christopher Hauser, Mitarbeiter des Instituts OMI, durch interessante Einblicke in Cloud Architekturen und Technologien.
Durch die fortschreitende Digitalisierung eröffnen sich auch neue digitale Geschäftsmodelle. So könnten beispielsweise in naher Zukunft Maschinen eines Maschinenbauers nicht mehr verkauft, sondern nur verliehen werden; der Nutzer zahlt dann nur die tatsächliche Benutzung (engl.: pay-per-use). Im Rahmen des Hackathons führte Melanie Ruf, Spezialistin für digitale Geschäftsmodelle bei Uhlmann, in die verschiedenen digitalen Geschäftsmodelle ein. Birgit Stelzer, Leiterin der Arbeitsstelle für Hochschuldidaktik der Universität Ulm, unterstützte mit umfangreicher Erfahrung zur Entwicklung solcher Methoden. Den Teilnehmern wurde ein grundlegendes Verständnis für die Modellierung digitaler Geschäftsmodelle näher gebracht, das sie anschließend beispielhaft in einem Planspiel umgesetzt haben.
Umrahmt wurde der Hackathon von sozialen Events. Das Interesse und Engagement der Teilnehmer übertraf dabei alle Erwartungen; sie tüftelten und diskutierten bis spät in die Nacht an ihren Lösungen.
Alexander Treß, Geschäftsführer von ATR nahm selbst am Hackathon teil und war erfreut über die vielfältigen Themen: “Die Entwicklungen aus dem Themenfeld Industrie 4.0 bieten viele spannende Möglichkeiten um produzierenden Unternehmen ihren Arbeitsalltag zu erleichtern und Werte zu schaffen. Wir freuen uns, gemeinsam mit der Universität Ulm und der Firma Uhlmann, im Rahmen des Hackathons neue Ideen zu entwickeln und vorhandene Ansätze zu testen.”
„Der Hackathon ist für uns eine hervorragende Möglichkeiten mit den Studierenden an sehr praxisnahen Themen und Aufgabenstellungen aus einem Industrieunternehmen zu arbeiten und neue Lösungsansätze zu kreieren”, so Kathrin Günther, Leiterin des Digital Labs von Uhlmann. “Wir freuen uns daher sehr, dass solch eine Veranstaltung in Zusammenarbeit mit der Universität Ulm und der Firma ATR möglich war.“
Es gibt bereits Überlegungen diese Format weiterzuführen, so dass Studierende und Interessierte auf weitere interessante Einblicke in die industrielle Praxis gespannt sein dürfen.
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
Dieser Blogartikel ist ein Gastbeitrag unseres Praktikanten Julian Henning, der sich auf der data2day 2018 in einem Workshop mit dem Thema Machine Learning beschäftigte.
Themen wie Big Data und Machine Learning spielen für ATR eine immer größere Rolle. Kombiniert wurden diese beiden Themenbereiche bei dem Workshop „Machine Learning mit PySpark“, welcher im Rahmen der data2day Konferenz in Heidelberg stattfand.
In der ersten Hälfte des Workshops wurden zunächst die grundlegenden Konzepte von Apache Spark vorgestellt, anschließend wurden die ersten Aufgabestellungen praktisch gelöst. Alle Aufgaben im Rahmen des Workshops waren in Jupyter Notebooks integriert, welche auf Amazon Webserver liefen. Dadurch konnte ein gängiger Webbrowser als Entwicklungsumgebung eingesetzt werden, ohne Python oder Ähnliches installieren zu müssen.
Der Workshop drehte sich in der zweiten Hälfte hauptsächlich um Machine Learning. Nachdem die grundlegenden Begriffe sowie die lineare Regression erklärt wurden, konnte mit Hilfe von PySpark ein erstes Model trainiert werden. Im Laufe des Workshops wurde hieraus eine Spark ML Pipeline entwickelt.
Als zweites Beispiel wurde eine Sentiment-Analyse umgesetzt. Hierbei konnten die Teilnehmer eine eigene Pipeline implementieren, die Kundenbewertungen verarbeitet und aus den verwendeten Wörtern auf eine positive oder negative Rezession schließt.
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!
Deep Learning gehört zu den großen Hype-Themen der künstlichen Intelligenz. Besonders im Bereich Computer Vision, zu dem z.B. das Themengebiet Bilderkennung gehört, leistet diese Technik bahnbrechendes. Das Besondere an dieser Datenstruktur ist, dass man, im Gegensatz zu früheren Herangehensweisen, keine bestimmten Merkmale im Bild spezifiziert. Durch die Kombination verschiedener Filter und durch das Unterteilen des Bildes in kleinere Segmente, die wieder zusammengeführt werden, entdeckt das Netz seine eigene Repräsentation.
Hier wollen wir kurz zwei Anwendungen vorstellen, bei denen man sich in einer Webanwendung von der Mächtigkeit dieser Technologie überzeugen kann.
Automatische Segmentierung eines Bildes
Forscher der Universität Combridge haben in ihrem Projekt SegNet, ein Neuronales Netz darauf trainiert in einem Foto die Bereiche zu unterteilen. Wir haben ein Foto vor unserer Haustür gemacht und die Ergebnisse sind wirklich beeindruckend. Das Netz erkennt ein parkendes Auto, die Häuserreihe auf der linken Seite, die Bäume und auch die Straße.
Link: http://mi.eng.cam.ac.uk/projects/segnet/demo.php#demo
Zeichnungen Erkennen
Google zeigt in seiner Anwendung Quickdraw, dass nicht nur Fotos eingeordnet werden können. Wer also gerade keine Kamera zur Hand hat und kein Stockfoto segmentieren lassen will, kann sich hier mit einem digitalen Stift austoben. Unser Testzeichner hat, um das System zu testen, natürlich keinen Keks gemalt, sondern einen Laptop. Und dieser ist noch nicht mal schön, sondern krumm und schief; mit überlappenden Linien. Trotzdem erkennt das Netz den Laptop. Es könnte aber auch ein Sandwich sein.
Link: https://quickdraw.withgoogle.com/#
Das Thema Data Science nimmt in Unternehmen, in Instituten und auch bei Data Nerds einen immer größeren Stellenwert ein. Folgerichtig war es nur eine Frage der Zeit bis sich eine Gruppe aus Interessierten Datenwissenschaftler in Ulm bildete. Im ersten großen Treffen bei Daimler TSS trafen sich knapp 40 Interessierte.
In einem ersten Vortrag unter dem Titel „AI for Car Diagnostics – from Lab to Worldwide Use“ erzählte Dr. Valentin Zacharias von Daimler TSS von der Entwicklung des Themas Data Science in seinem Betrieb. Nach diesem konzeptionellen Vortrag tauchte Dr. Simon Müller von AnoFox tief in die Methoden des maschinellen Lernens in seinem Vortrag „Unsupervised Anomalieerkennung und Vorhersage von Zeitreihen im Unternehmenskontext“ ein.
Wir von ATR sehen MongoDB als eine sehr gute Variante zum Verarbeiten von Maschinen- und Sensordaten. Dementsprechend waren wir sehr begeistert über das breite Spektrum an Vorträgen auf der MongoDB.local Munich Konferenz.
Schwerpunkte dieses Tagesworkshops waren u.a. MongoDB Stich, ein Service mit dem das Anwendungsbackend in die Cloud ausgelagert werden kann, Change Streams und MongoDB im Kontext von Data Science.
Besonderes Augenmerk haben wir auch auf den Vortrag zu Microservices gelegt, in welchem die Kombination aus Docker, Kubernetes, Kafka und MongoDB erläutert wurde.
Abschließend standen Entwicklungsexperten für ein Gespräch über konkrete Entwicklungsproblemstellungen bereit, welches wir ausgiebig für Best-Practice Diskussionen im Bereich der Zeitreihenanalyse nutzten.
ATR entwickelt schon seit mehreren Jahren erfolgreich mit inzwischen 2 Teams nach den agilen Prinzipien Software. Die Schulung diente teils als Auffrischung und für neue Mitarbeiter als Einführung in SCRUM. Während der 2 Tage wurde von den beiden Coaches die Entwicklung in der SW Entwicklung vom Wasserfall Modell hin zu den agilen Methoden skizziert. Ausgehend von Gedanken der Lean Factory bei Toyota, bei der Begriffe wie Kaizen (kontinuierliche Verbesserung), Muda (Verschwendung), Muri (Überlastung) und Mura (Unausgewogenheit) eine Rolle spielen, über die ersten agilen Ansätze von Kent Becks XP (Extreme Programming) führte der Weg hin zum agilen Manifest und den 12 agilen Prinzipien. Die sehr spannenden Ausführungen der beiden SCRUM Coaches wurden nach der jeweiligen Mittagspause unterbrochen von ersten praktischen Übungen zum agilen Vorgehen. Insbesondere das Ball Point Game veranschaulichte auf spielerische Art die Wirkungsweise des SCRUM Prinzips und bereitete der gesamten Mannschaft viel Spaß.
https://www.atr-software.de/wp-content/uploads/2018/04/20180313_ScrumBlau.png30244032Reinhold Haashttps://www.atr-software.de/wp-content/uploads/2017/03/Logo-RGB_Web-Header.pngReinhold Haas2018-04-06 15:00:072022-02-25 15:57:07Mitarbeiter Weiterbildung in SCRUM
Wie bekommt man einen visuellen Einblick in hochdimensionale Datensätze? Wir wählten hierfür eine Datenbrille aus dem Bereich Mixed Reality. Hierbei werden Hologramme in den Raum projiziert und in die reale Welt eingeblendet.
In Zusammenarbeit mit dem Institut für Datenbanken und Informationssysteme der Universität Ulm (DBIS), dem Tinnituszentrum Regensburg und dem Datenvisualisierungs-Experten Christian Schneider wurde eine Anwendung für die Microsoft HoloLens entwickelt, die einen Datensatz von ungefähr 40 000 Punkten anzeigt. Die normierten Daten werden mit einem Partikelsystem in einen Kubus projiziert. Somit ergeben sich an Stellen mit Häufungspunkten sehr helle Stellen. Mit Hilfe von Sprachsteuerung können anschließend die Achsen getauscht werden.
Dieser Prototyp eignet sich ideal um einen schnellen Einblick in zu analysierende Daten zu erhalten. Wir durften unsere Arbeit auf der TRI/TINNET Conference 2018 (http://2018.tri-conf.org/) vorstellen. Die medizinischen Daten stammten aus der Datenbank des Projektes TrackYourTinnitus.
Wir freuen uns die zahllosen neuen Möglichkeiten aus dem Feld der Augmented Reality in weiteren Projekten umzusetzen.
2D Ansicht einer Punktewolke im Kubus
https://www.atr-software.de/wp-content/uploads/2018/03/HololensBlogBlue.png19022412Burkhardhttps://www.atr-software.de/wp-content/uploads/2017/03/Logo-RGB_Web-Header.pngBurkhard2018-03-27 08:22:362022-02-25 15:56:28HoloLens Data Analytics
