Maschinelles Lernen und prognostizierende Big Data-Analytik

Hochschule im Dialog: Big Data und Künstliche Intelligenz - die Treiber der Digitalisierung

Referent: Ralf Klinkenberg, Co-Founder & Head of Data Science Research | RapidMiner GmbH

Grußwort: Professor Dr. Andreas Frey, Rektor der HfWU

Leitung: Professor Dr. Mathias Engel, Professur für IT-Anwendungen in der Betriebswirtschaft, HfWU

Nach einer kurzen Einführung in maschinelles Lernen und Predictive Analytics wird anhand zahlreicher Anwendungsbeispiele aus der Industrie gezeigt, wie sich aus den immer größer werdenden Datenmengen (Big Data) wirtschaftliche Mehrwerte für Unternehmen und die Gesellschaft generieren lassen. Automatische Produktempfehlungen sind vielen bereits aus Web-Shops bekannt: „Wer Produkt A gekauft hat, hat meistens auch Produkt B gekauft“, z.B. wer eine Digitalkamera kauft, kauft meistens auch einen passenden Ersatz-Akku und eine passend Speicherkarte.

Bei anderen kundenzentrierten Analysen geht es beispielsweise darum, Marketing-Kampagnen kundenindividuell zu optimieren: „Wem zeigt man am besten wann welche Werbung, damit es zu einem Verkaufserfolg kommt?“ oder darum Kündigungen von Kunden vorherzusagen und durch geeignete Angebote abzuwenden (Kündigerprävention oder Customer Churn Prediction & Prevention).

Auch Daten von und über Maschinen werden immer häufiger analysiert. Maschinelle Lernalgorithmen lernen beispielsweise automatisch vorherzusagen, ob und wann eine Maschine ausfallen wird, noch ehe sie ausfällt, damit man den Ausfall gegebenenfalls mit einer rechtzeitigen Wartung und/oder Belastungsänderung noch verhindern kann (Prädiktive Wartung oder Predictive Maintenance).

Andere Anwendungen umfassen beispielsweise die Prognose und Optimierung der Produktqualität möglichst früh im Produktionsprozess oder die Prognose von Montagezeiten und Montageplänen für neue 3D-Produktdesigns.

In Zukunft wird maschinelles Lernen individuellere Behandlungen ermöglichen und vielleicht präventive Medizin, also vorausschauende Warnungen vor medizinisch kritischen Gesundheitssituationen und deren Vermeidung durch geeignete personalisierte Handlungs- oder Behandlungsempfehlungen.

Der Vortrag zeigt unter anderem Anwendungen aus der Luftfahrts- und Automobilbranche, der Stahl- und Chemie-Industrie, von Energie- und Handelsunternehmen und aus anderen Bereichen. Eine Live Demonstration, die den visuellen Data-Mining-Prozessentwurf in RapidMiner und eine Anwendung zur automatischen Maschinenausfallprognose wird ebenfalls am Veranstaltungsabend gezeigt.

Kurzvita: Ralf Klinkenberg ist Gründer und Forschungsleiter des Predictive Analytics Softwareanbieters RapidMiner. Er verfügt über mehr als 25 Jahre Erfahrung in den Bereichen Data Mining, Text Mining, Predictive Analytics, maschinelles Lernen, Big Data und Anwendungen in zahlreichen Branchen. 2001 gründete er mit Dr. Ingo Mierswa und Dr. Simon Fischer das Open-Source-Software-Projekt RapidMiner. 2007 gründete er mit Dr. Ingo Mierswa das Unternehmen RapidMiner GmbH. 2008 gewann er den European Open Source Business Award und 2016 den European Data Innovator Award. 2017 berief ihn die deutsche Bundesregierung in den Lenkungskreis der Plattform Lernende Systeme. RapidMiner hat über 385.000 registrierte Anwender in über 100 Ländern weltweit.

Anmeldung
Durch Ihre Anmeldung bis zum 15. Oktober erleichtern Sie unsere Planung. Externe Gäste nutzen dazu bitte das Webformular. Hochschulangehörige bitten wir um Anmeldung über neo. Auch Kurzentschlossene ohne Anmeldung sind herzlich willkommen.

Kontakt: studium.generale@hfwu‎.‎de

Fotoaufnahme
Während dieser Veranstaltung können im Auftrag der Hochschule Foto- oder Filmaufnahmen erstellt und gegebenfalls in Publikationen oder in Online-Medien der Hochschule veröffentlicht werden.