Big Data

Der verstärkte Einsatz von Edge-Computing in IIoT-Szenarien erfordert heute sowohl Kompetenzen im Bereich Engineering als auch in den Bereichen Datenverarbeitung und Algorithmen. Eine Herausforderung für industrielle IoT-Projekte besteht daher darin, Engineering (Industrial Computing, PLC) und Data Science (Daten, KI-Modelle, Statistik, Cloud-IT) zusammenzubringen. Der vorliegende Artikel stellt e..

Digitale Transformationen gepaart mit Data Analytics führen zunehmend zur Disruption existierender Geschäftsmodelle. Obwohl Unternehmen bereits Erfahrungen im Bereich Data Analytics gesammelt haben, bleibt oft die Herausforderung, die Integration von Data-Analytics-Fähigkeiten in bestehende Geschäftsprozesse sicherzustellen – und das nachhaltig sowie wertbeitragsorientiert. Aus der Praxis wurde ei..

Schon seit einigen Jahren wird KI, Künstliche Intelligenz, als Antwort auf viele Fragen in einem Unternehmen gehandelt. Der Hype um vermeintliche Wunderthemen und Technologien wiederholt sich regelmäßig und ist mittlerweile auch in gemeinhin als konservativ eingestuften Branchen wie dem Versicherungssektor angekommen. War gestern noch Big Data in aller Munde, ist es heute KI. Allerdings können nur..

Viele Probleme in der BI haben ihre Wurzel in der Anlieferung der Daten. Häufig wird für diese wichtige Übergabe von Daten nicht einmal mehr das Wort Schnittstelle verwendet. Dabei verursacht eine unzulänglich gestaltete Schnittstelle nicht nur massiv Mehrarbeit, weil nicht gelieferte Daten errechnet oder nachgefordert werden müssen. Vielmehr kann eine solche schlechte Schnittstelle bei systematis..

In vielen Unternehmen sind KI-Projekte nicht zentral gesteuert, sondern gleichzeitig in unterschiedlichen Fachbereichen entstanden. Agil wird nach Use-Cases gesucht, das nötige Datenmaterial aus diversen Quellen gesammelt und das Ergebnis verprobt. Das klassische Data Warehouse (DWH) spielt oft nur eine untergeordnete Rolle in diesen schnelllebigen Experimenten, da Data Scientists lieber auf Rohda..