22.06.2020 - Montag

The INFORE project addresses the challenge of processing streams of large datasets and pave the way for real-time, interactive extreme-scale analytics and forecasting. Today, at an increasing rate, industrial and scientific institutions need to deal with massive data flows, streaming-in from a multitude of sources. For instance, maritime surveillance applications need to combine high-velocity data streams, including position data from thousands of ships across the world and acoustic signals of autonomous, unmanned vehicles. Life-Science simulation data and finance transaction data are another source of very fast and volatile data streams. Our work aims to simplify the design of complex process workflows . This allows subject experts to analyze large data streams and bridge the gap between data science and high performance computing. The proposed architecture is system agnostic and supports modern architectures, like Apache Flink, Kafka and Spark.

In Wissenschaft und Praxis herrscht Revolutionsstimmung. Sprachassistenten simulieren natürliche Gespräche, automatische Übersetzer gibt es mittlerweile in Googles Excel oder man schiebt gleich das ganze Word-Dokument in einen automatischen Übersetzer und bekommt den Text zurück als ob ein Dolmetscher involviert wäre. Dieser Eindruck drängt sich auf, aber vielleicht ist die Revolutionsstimmung auch nur eine Goldgräberstimmung. In unserer täglichen Arbeit versuchen wir automatisch potentielle Sprachprobleme in Texten aufzudecken – wie eine schlauere Rechtschreibprüfung. Wir arbeiten dabei bereits seit sechs Jahren mit Natural Language Processing (NLP) Techniken, insb. Lemmatization, Part-of-Speech Tagging, Syntax Parsing und Co-Reference-Resolution, und zuletzt stärker Topic Modelling. Weiterhin machen wir immer wieder Studien mit unterschiedlichsten Machine-Learning-Ansätzen. Das Herausfordernde in unserem Kontext: Mit den Ergebnissen unserer Analysen werden Menschen zum Teil auch kritisiert und gemessen und Sprache wird allgemein als etwas sehr persönliches wahrgenommen. Dadurch kommen zwei Faktoren ins Zentrum der Bewertung: Hohe Präzision und Erklärbarkeit. In diesem Vortrag möchte ich diese modernen Ansätze in der konkreten Anwendung aufzeigen und sowohl Chancen als auch die Probleme aus der Anwendung heraus diskutieren und reflektieren. Dabei wird auf Buzzwords garantiert verzichtet, stattdessen wollen wir uns anschauen, was die End-Nutzer dazu sagen. Wir schließen mit einer versöhnlichen Analyse wo und unter welchen Umstände aus unserer Erfahrung heraus NLP und Machine Learning sinnvoll anwendbar ist und wo nicht.

pmOne has extensive know-how in data integration and analytics and is constantly faced with requirements such as connecting many data sources, data modeling and security. More and more use cases using new technologies such as the cloud, forecasting algorithms and artificial intelligence find various data sources for analytics already available combined with new sources to be explored and integrated. Existing approaches such as Extract-Transform-Load (ETL) do not keep up with ever larger amounts of data and agile / iterative project procedures, where around 80% of the effort goes into data provision and preparation. We therefore looked at different solutions such as Data Virtuality, Presto and Denodo. In this talk we share our observations related to these technologies. In particular, the expansion of existing analytical data with new sources in a logical data warehouse is a promising area of application for data science with virtualized data.

Was wäre, wenn eine Virtual-Reality-Brille in Echtzeit Ihre Umwelt in ein riesiges räumliches Gemälde verwandeln könnte und alles im Stil eines Kunstwerkes von z.B. Van Gogh erscheinen würde? Eine der vielen spannenden Entwicklungen im Bereich der künstlichen Intelligenz ist der sogenannte „Style Transfer“. Darunter versteht man die Möglichkeit, eine Art Patchwork (vgl. Pastiche) aus zwei Bildern zu erzeugen. Ein Bild ist dabei die künstlerische Stilvorlage, während das andere den eigentlichen zu transformierenden Inhalt darstellt. Dem TNG Hardware-Hacking-Team ist es gelungen unter Anwendung von u.a. OpenCV und TensorFlow eine derartige Brille zu entwickeln. Mittels dieser erscheint die Umwelt dann im Stil von berühmten Malern wie z.B. Claude Monet oder Pablo Picasso. In diesem Vortrag erhalten Sie eine Einführung in die Welt des Realtime Style Transfers. Dabei wird insbesondere auf die Techniken im Bereich des Deep Learning eingegangen, die bei dieser Anwendung zum Einsatz kommen.