Business Intelligence
Business Intelligence & Maschinelles Lernen
Gartner (vgl. Mike Walker, “2018 Hype Cycles, Riding the Innovation Wave.”) bezeichnet das Gebiet der Künstlichen Intelligenz (bzw. Maschinelles Lernen) als eine der disruptivsten Technologien des Jahres 2018. Speziell der Themenbereich der Deep Neural Networks nimmt im Hype Cycle for Emerging Technologies 2018 einen hohen Stellenwert ein. Diese Technologie eignet sich besonders für das Erkennen von Mustern in Bildern, Texten, Sprachaufzeichnungen oder Videos und ist zudem ein Treiber vieler weiterer Themen des IDW wie Smart Factory etc. Ein wichtiger Aspekt der Künstlichen Intelligenz (KI) ist deren Interdisziplinarität. So wird KI beispielsweise in der Medizin, der Industrie oder der Freizeit eingesetzt. Die Vielzahl der daraus resultierenden Anwendungsdomänen eröffnet zukünftigen Unternehmensgründern, die sich mit diesem Thema auseinandersetzen, eine hohe Bandbreite an Entscheidungsmöglichkeiten. Vor diesem Hintergrund wird die Errichtung einer Sparte für Maschinelles Learning bzw. den erweiterten Bereich des Business Intelligence (BI) innerhalb des Lab4DTE als besonders wichtig erachtet. Der disruptive Charakter der KI zusammen mit deren noch nicht ausgeschöpftem Potential und der Vielzahl der möglichen Einsatzfelder birgt für zukünftige Unternehmensgründungen einzigartige Chancen.
Bisherige Arbeiten im Themengebiet
Der Fachbereich Wirtschaftsinformatik an der RWU befasst sich bereits seit einigen Jahren intensiv mit dem Aufbau einer Bibliothek von Methoden und Datensätzen speziell im Bereich Business Intelligence, Data Mining und maschinelles Lernen. So werden kontinuierlich studentische Arbeiten in diesem Bereich speziell aufbereitet und für nachfolgende Arbeiten verfügbar gemacht. Nach demselben Prinzip werden in regelmäßigen Abständen Daten von diversen Plattformen gesammelt, mit dem Ziel einen umfangreichen Bestand an Informationen zu generieren, der zur Validierung von Ideen oder zur Generierung neuen Wissens genutzt werden kann. Zusätzlich zu der Bibliothek der Methoden, Handlungsempfehlungen und Datensätzen ist ein BI-Server im Einsatz, der mit vielen wichtigen Frameworks und Entwicklungsumgebungen ausgestattet ist.
Geplante Aktivitäten
Dieser Ansatz wird konsequent weiterverfolgt und ausgebaut. Das bestehende Angebot soll sukzessive erweitert und dadurch in einen Inkubator innovativer Ideen überführt werden. Dieser soll zum einen den Studierenden praxisnahe Use Cases vermitteln und so schon in einer frühen Phase des Studiums die Möglichkeiten des Themengebiets demonstrieren. Zum anderen soll die BI-Sparte des LAB4DTE die prototypische Umsetzung potentieller Gründungsideen ermöglichen.
Use Case
Ein konkreter Anwendungsfall, der sich mit der aufgelisteten Hard- und Software umsetzen lässt, ist beispielsweise die Entwicklung einer Deep Learning Anwendung für die Hautkrebsdiagnose. Mittels der bereitgestellten Deep Learning Hard- und Software-Umgebung, verfügbarer Datensätze sowie bereitgestelltem Know-how ist eine sofortige prototypische Umsetzung und Erprobung der Geschäftsidee möglich, isnb. in Bezug auf die notwendige Präzision und Zuverlässigkeit der Krebsdiagnose oder der Kosteneffizienz aufgrund der benötigten Rechenleistung.
Innovationsprojekte
Big Data Analyse für die Bodenseeregion am Beispiel der Social Media Plattform Flickr
ProjektDurchführung
Zehui Wang
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Big Data Analyse für die Bodenseeregion am Beispiel der Social Media Plattform Instagram
ProjektTeam
Zehui Wang1, Luca Koroll1, Wolfram Höpken1 und Matthias Fuchs
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Department of Economics, Geography, Law and Tourism (EJT), Mid-Sweden University
Sentiment-Analyse und Topic Detection
ProjektDurchführung
Prof. Dr. Wolfram Höpken
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Zielsetzung des Projekts war es die bahu Smart Bench mit einem digitalen Terminal zu kombinieren um eine spielerische Interaktion und eine personalisierte Restaurant-Empfehlung zu ermöglichen.
Projektteam
Friederike Kerekes, Johannes Kiener, Johannes Schwegler, Johannes Vollmer
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Entwicklung eines Object Detection Models
ProjektTeam
Dominic Regitz,
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Kano-Modellierung auf Basis von Kundenfeedback (UGC)
ProjektTeam
Iris Carl, Daria Daniker
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Projektteam
J. Sasse, R. Jenke, RWU Ravensburg-Weingarten University ofApplied Science
L. Prasolb, Hilti AG
Dieses Projekt ging der Frage nach, ob sich die Anzahl touristischer Ankünfte auf Basis des Volumens von Kundenfeedback in sozialen Medien schätzen lässt.
Projektdurchführung
Nadine Liedtke
Forschungsgruppe Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Verbesserung durch Big Data und neuronale Netze
ProjektTeam
Prof. Dr. Wolfram Höpken, Tobias Eberle
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Erstellung eines Frameworks für die Vorhersage von Verspätungen für alle Phasen eines Flugabwicklungsprozesses
ProjektDurchführung
Noah Leupolz
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)
Kontakt & Personen
Kontakt & Personen
Allgemeine Kontaktinformationen
Besuchsadresse |
Gebäude E
Leibnizstr. 15
88250 Weingarten |
---|---|
Postadresse |
RWU Hochschule Ravensburg-Weingarten University of Applied Sciences Postfach 30 22 D 88216 Weingarten |
Ansprechpartner für den Bereich Business Intelligence
Prof. Dr.-Ing. Wolfram Höpken
