Unsere Inhouse-Forschung im Bereich Künstlicher Intelligenz
Das ONTEC AI Team überzeugt nicht nur in der Praxis, sondern auch durch seine akademischen Beiträge in den Bereichen künstlicher Intelligenz, Human-Computer-Interaction, Data Analytics und mehr. Auf dieser Seite bieten wir einige der Forschungsarbeiten des Teams zur Einsicht.
Eljasik-Swoboda, T., Rathgeber, C., Hasenauer, R.: Assessing Technology Readiness for Artificial Intelligence and Machine Learning based Innovations.
Jede Innovation beginnt mit einer Idee. Um aus dieser Idee einen Erfolg zu machen, müssen Innovationsprojekte nach zwei primären Aspekten gemanagt werden: Market-Readiness misst wie bereit ein Markt für ein innovatives Produkt ist. Technology-Readiness misst, wie bereit die Technik ist, um das Produkt herzustellen. Der READINESSnavigator ist ein “State of the Art”-Software-Tool zur Messung von Market-Readiness und Technology-Readiness.
Die Bewertung von Technology-Readiness fokussiert sehr auf die Herstellung von physischen Produkten, kann aber nicht die Readiness-Maßstäbe für daten-basierende Produkte wie AI und Machine Learning abbilden. In dieser Arbeit befassen wir uns deshalb mit der Anwendung des READINESSnavigators auf diese Bereiche und evaluieren seinen Nutzen im Kontext von 25 verschiedenen AI-Projekten.
Eljasik-Swoboda, T., Rathgeber, C., Hasenauer, R.: Artificial Intelligence for Innovation Readiness Assessment.
Eine Innovation ist dann erfolgreich, wenn zwei Aspekte vorhanden sind: Der Zielmarkt muss bereit sein, die Innovation zu kaufen. Und die Technologie muss dazu in der Lage sein, die Innovation zu produzieren. Beides wird durch den READINESSnavigator gemessen. In dieser Arbeit erforschen wir, wie künstliche Intelligenz genutzt werden kann, um die Messung zu vereinfachen und einen automatischen Innovations-Coach zu erschaffen.
Eljasik-Swoboda, T., Demuth, W.: Leveraging Clustering and Natural Language Processing to Overcome Variety Issues in Log Management.
Bei der Einführung von Log Management oder Security Information and Event Management (SIEM) Umgebungen stehen Unternehmen regelmäßig vor Gartner’s 3 V-Problemen von Big Data:
1.Volume: Es müssen sehr viele Daten verarbeitet werden.
2.Velocity: Die Daten werden schnell erzeugt.
Die ersten beiden Probleme lassen sich gut durch aktuelle Scale-Out Architekturen lösen.
Das 3. V steht für Variety: Es gibt kein normiertes Format für Log Files und alle Komponenten schreiben unterschiedlich. Diese Forschungsarbeit beschreibt den LAMaLearner. Eine künstliche Intelligenz, die dabei hilft, Variety Probleme in Log Management Projekten zu lösen.
Fachkonferenzen
-
6th International Conference on Cloud Computing and Services Science (CLOSER 2016)
-
DocEng 16: ACM Symposium on Document Engineering 2016
-
6th International Conference on Data Science, Technology and Applcations (DATA 2017)
-
7th International Conference on Data Science, Technology and Applications (DATA 2018)
-
8th International Conference on Data Science, Technology and Applications (DATA 2019)
-
The Collaborative European Research Conference 2019
Literatur
Data Management Technologies and Applications (aus der Serie Communications in Computer and Information Science)
Springer Lecture Notes in Computer Science Volume 10084 (von 2016)
KONTAKT AUFNEHMEN
Christian Casari
ONTEC AG
Begeisterung schaffen heißt für mich, Menschen zu inspirieren und bei der Verwirklichung innovativer Ideen zu unterstützen.
