In den letzten Jahren wurden digitale Plattformen zunehmend zum Gegenstand intensiver Diskussionen in Forschung und Praxis. Schließlich existieren genug Beispiele darüber wie digitale Plattformen in der Lage sind, ganze Märkte umzustrukturieren, indem sie Netzwerkeffekte nutzen, um schnell zu skalieren und verschiedene Akteure miteinander zu verbinden. Doch in den Anwendungsdomänen mit sensitiven Daten kommt das viel erforschte Konzept digitaler Plattformen an seine Grenzen. Während die Forschung an sog. Datenplattformen sich noch im Anfangsstadium befindet, wird über verschiedene Dezentralisierungsmaßnahmen debattiert, um die inhärenten Problematiken digitaler Plattformen wie Machtasymmetrien zu adressieren und die Datenökonomie zu fördern. Neben der aktuellen Übersicht solcher Problematiken werden in diesem Vortrag auch einige vielversprechende Ansätze, die in der aktuellen Forschung diskutiert werden, präsentiert. 

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.