Die Fähigkeit des menschlichen Sehens ist von grundlegender Bedeutung, nicht nur für den Menschen selbst, sondern auch für die Wertschöpfung in Unternehmen. Der technologische Fortschritt ermöglicht es, diese menschliche Fähigkeit mittels Computer Vision Systems (CVS) zu automatisieren. Dies wiederum hat Auswirkungen auf den Wertbeitrag, welchen Unternehmen ihren Kunden offerieren, und wirkt sich daher auch auf deren Geschäftsmodell aus. In diesem Spannungsfeld ließen sich Einflussfaktoren auf den Wertbeitrag durch CVS identifizieren.

Zielpublikum: Researchers, Unternehmerische Entscheidungsträger:innen, Strateginnen und Strategen, CTOs, Process Engineers, Computer Vision Experts, Data Scientists
Voraussetzungen: Grundlegende Data Science-Kenntnisse
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract:
Die Erfassung und kognitive Verarbeitung von visuellen Reizen sowie die darauf basierende Ausführung einer adäquaten Reaktion ist für den Menschen alltäglich. Es befähigt ihn, angemessen auf eine bestimmte Situation zu reagieren, Handlungen auszuführen und Aufgaben zu lösen. Daher ist diese menschliche Fähigkeit auch von grundlegender Bedeutung für die Wertschöpfung in Unternehmen. Der technologische und methodische Fortschritt ermöglicht es nun, diese Fähigkeit mittels Computer Vision Systems (CVS) zu automatisieren. So kann das menschliche Sehen nicht nur nachgeahmt und automatisiert werden, vielmehr lassen sich auch Verbesserungen und Optimierungen durch CVS erzielen. In Vorstudien konnten Hinweise auf den Einfluss von CVS auf das Wertversprechen von Unternehmen ausgemacht werden.

Das Wertversprechen definiert in diesem Kontext den Nutzen, den Kunden von Produkten und Dienstleistungen eines Unternehmens erwarten können. Dabei geht das Wertversprechen über den relevanten Mehrwert der Technologie für die Endnutzer hinaus, sondern umfasst vielmehr den gesamten Wert, den ein Kunde durch das Produkt oder die Dienstleistung erhält. Osterwalter et al. (2011) definieren den Wertbeitrag als die zentrale, von insgesamt neun, Komponenten eines Geschäftsmodells. Eine Transformation des Wertbeitrags durch CVS wirkt sich daher maßgeblich auf das Geschäftsmodell von Unternehmen aus und begründet die Relevanz der thematischen Betrachtung.

Der Forschungsbeitrag befasst sich daher mit der Frage, welchen Einfluss ein CVS auf den Wertbeitrag von Unternehmen haben kann. Zur Beantwortung dieser Fragen wurde ein sequenzieller Mixed-Methods-Forschungsansatz verwendet. Als Ergebnis konnte der Zusammenhang zwischen CVS und Wertversprechen in Organisationen bestätigt werden. Darüber hinaus konnten Einflussfaktoren und ihre Merkmale identifiziert werden.

Deep learning methods archive stunning performances in many disciplines like computer vision or natural language processing. For factory automation, deep learning is applied to detect anomalies and monitor the machine condition to increase productivity. In practice, we need to overcome multiple challenges: low quality datasets, missing domain knowledge and lack of performance metrics standards. In this session, we explain the usage of open source frameworks and configurable deep learning tools to create a condition-based maintenance system.

Target Audience: Decision Makers, Data Scientist, Factory Automation Experts
Prerequisites: Basic knowledge in data processing.
Level: Basic

Mehr Inhalte dieses Speakers? Kein Problem, schaut doch mal bei sigs.de vorbei: https://www.sigs.de/autor/torsten.priebe

Metadaten- und Datenqualitätsmanagement sind wichtige Bestandteile jeder Datenarchitektur. Das Werkzeugangebot ist vielfältig und dynamisch, der Markt ist neben umfangreichen Datenmanagementlösungen von 'disruptiven' Innovatoren geprägt. Wir ordnen die betrachteten Teilbereiche der Data Governance ein, vergleichen aktuelle Werkzeuge und identifizieren Entwicklungen und Trends. Dabei erfolgt die Einschätzung nicht durch die Sprecher, sondern basiert auf einer Metastudie einschlägiger Veröffentlichungen von Analysten wie Gartner und Forrester.

Zielpublikum: Chief Data Officer, Data Governance Manager, IT-Leiter:innen, IT-Architekt:innen, IT-Berater:innen
Voraussetzungen: Grundkenntnisse in Datenmanagement und Data Governance
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Der Markt von Werkzeugen zur Unterstützung von Datenmanagement und Data Governance befindet sich im Wandel. Automatisierungsmöglichkeiten durch den Einsatz von künstlicher Intelligenz und maschinellem Lernen oder die Verwendung semantischer Technologien wie Knowledge Graphs eröffnen neue Möglichkeiten. Dies betrifft insbesondere die Bereiche Metadaten- und Datenqualitätsmanagement. Neben klassischer Business Intelligence treten vermehrt Data-Science-Anwendungsfelder in die Betrachtung, woraus sich neue Anforderungen ergeben. Der Vortrag gibt einen Marktüberblick und identifiziert aktuelle und zukünftige Entwicklungen und Trends auf Basis einer Metastudie. Hierzu wurden einschlägige Veröffentlichungen von Gartner, Forrester, IDC und G2 analysiert und kombiniert.

Large Language Models wird das Potential zugesprochen, geradezu revolutionäre Umwälzungen in Unternehmen und Gesellschaft zu ermöglichen. Nach einer kurzen Einführung in die Thematik stellt der Vortrag aktuell realisierbare Anwendungen vor, um dann anhand realer Projekterfahrungen die Potentiale, aber auch die Voraussetzungen und Grenzen des Einsatzes der Technologie auszuloten.

Mit den aktuellen Fortschritten im Deep Learning wird es erstmalig möglich, in Texten maschinell sprachliche Nuancen zu erkennen, Inhalte in ihrem inhaltlichen Kontext zu interpretieren, unstrukturierte Datentypen in die Analysen einzubeziehen, benutzbare natürlichsprachige Benutzerschnittstellen bereitzustellen und Zusammenhänge zielgruppengerecht zu erläutern. Damit werden einige alte Weisheiten des betrieblichen Datenmanagements obsolet. Es stellt sich die Frage, ob nicht hierdurch Aufgaben von der Metadatengenerierung, dem Auffinden und der Integration von Datenquellen, der Formatanpassung und Dublettenbereinigung bis hin zur Generierung von Abfragen und Berichten automatisiert werden können – oder sogar in letzter Konsequenz das gesamte Datenmanagement.