Big Data und KI 2

Big Data Analytics Potenziale

Neue Datenquellen

• Bei KI-Anwendungen werden Informationen aus Algorithmen extrahiert, die auf bereitgestellten Daten basieren.
• Unvollständige oder fehlerhafte Daten führen zu schlechten Ergebnissen, unabhängig von der Qualität des Algorithmus.
• Der Zugriff auf klassifizierte, aussagekräftige Datensätze ist entscheidend für die Erstellung und Bewertung neuer Algorithmen.
• Das Internet hat die Verfügbarkeit von Daten gefördert und die Zusammenarbeit bei der Erstellung von Datensätzen ermöglicht.
• Die ImageNet-Community ist ein Beispiel für eine Internet-Community, die Daten zur Bildklassifizierung erstellt.
• Die Erstellung und Kennzeichnung von Trainingsdaten war in der Vergangenheit zeitaufwendig und für große Datensätze fast unmöglich.
• Ein Bilddatensatz für Gesichtserkennung umfasste 1997 etwa 165 Instanzen, während ein ImageNet-Datensatz für Gesichter bereits 1570 vollständig klassifizierte Instanzen enthält.
• ImageNet liefert fast 15 Millionen klassifizierte Bilder, die für das Training und die Bewertung von KI-Algorithmen verwendet werden können.
• Der leichte Zugang zu großen Datenmengen ermöglicht es Forschern und Praktikern, neue Algorithmen zu verbessern, zu entwickeln, schnell zu testen und zu validieren.
• Dies war vor zwei Jahrzehnten nicht möglich.

Infrastruktur und neue Daten

• Neue Technologien und die Basisinfrastruktur durch Cloud Computing sowie die Verbesserung von Datenbanken spielen eine wichtige Rolle im Kontext von Big Data.
• In den letzten Jahrzehnten haben sich die Datenbanken hinsichtlich der Performance verbessert, insbesondere durch In-Memory-Computing.
• Dieses neue Paradigma verhalf Datenbanken, die zuvor auf klassischen Festplatten organisiert waren, zu bisher unbekannter Performance.
• Durch diese infrastrukturelle und datenbanktechnische Neuerung wurden neue Kalkulationen im Sinne von Big Data ermöglicht.
• Die Kalkulation war ohne die Anpassung der bestehenden Algorithmen an neue Infrastrukturen nicht möglich.
• Die Interpretierbarkeit von Daten ist ein entscheidender Faktor, und die Verfügbarkeit der Ergebnispräsentation spielt eine wichtige Rolle.
• Mit fortschreitender Zeit verliert eine Information an Wert, daher müssen neue Berechnungen in kurzer Zeit bereitgestellt werden.
• Der Wert einer Information nimmt mit der Zeit ab.
• Durch Big-Data-Konzepte sind wichtige Informationen schneller verfügbar, was die proaktive Handlungsfähigkeit von Unternehmen verbessert.

Cloud- und Edgecomputing

• Edge-Computing ist eine verteilte, offene Plattform am Rand eines Netzwerks, nahe an den beteiligten "Dingen" oder Datenquellen.
• Edge-Computing integriert die Fähigkeiten von Netzwerken, Speichern und Anwendungen.
• Durch den Betrieb in der Nähe mobiler Geräte oder Sensoren ergänzt Edge Computing zentralisierte Cloud-Knoten und ermöglicht Analysen und Informationserzeugung nahe am Ursprung und Verbrauch von Daten.
• Dies ermöglicht die Erfüllung der Schlüsselanforderungen der Industriedigitalisierung in Bezug auf agile Konnektivität, Echtzeitdienste, Datenoptimierung, Anwendungsintelligenz, Sicherheit und Schutz der Privatsphäre.
• Cloud- und Edge-Computing ermöglichen den Zugang zu kosteneffizienten, skalierbaren Computing-Ressourcen und spezialisierten Dienste.
• KI profitiert von der Nutzung von Edge-Computing.
• Die Lokalisierung der Datenerfassung und -speicherung ermöglicht die Vorverarbeitung der Daten.
• Nur Entscheidungen oder Alarme werden an die Cloud-Server weitergeleitet.
• Eine schnellere und effizientere Entscheidungsfindung kann durch die Platzierung von Algorithmen des maschinellen Lernens auf den Edge-Geräten erreicht werden.
• Die Häufigkeit des Kontakts mit den Cloud-Servern wird verringert, und die Auswirkungen der Round-Trip-Verzögerung werden verringert.
• Daten können in der Nähe ihrer Quelle durch lokales Identitätsmanagement und anwendungsspezifische Zugriffsrichtlinien und unter Einhaltung lokaler Vorschriften gesichert werden.
• Die Kommunikation zwischen Edge-Computing-Knoten ermöglicht die Verteilung von KI-Fähigkeiten und die gemeinsame Nutzung von Intelligenz zwischen den verteilten KI-Knoten.

Internet der Dinge (IoT)

• Das IoT konzentriert sich auf das Sammeln von Daten von Geräten.
• Das IoT ist besonders relevant für die Produktion und die Verbraucherinformation.
• Die Entwicklung des IoT hat zu einer Ausweitung der Rechenkapazitäten auf kleinere und intelligentere Geräte geführt.
• Basierend auf dieser Entwicklung wird das IoT von ISO/IEC definiert als die "Infrastruktur von miteinander verbundenen Objekten, Menschen, Systemen und Informationsressourcen zusammen mit intelligenten Diensten".
• Das IoT ermöglicht es, Informationen der physischen und virtuellen Welt zu verarbeiten und zu reagieren.
• Es wird erwartet, dass die Anzahl der weltweit installierten angeschlossenen Geräte von über 23 Milliarden im Jahr 2018 auf etwa 75 Milliarden im Jahr 2025 steigen wird.
• Dies veranschaulicht den Einfluss des IoT auf die Datenerfassung.
• Die Datenmenge, die in KI-Anwendungen verwendet werden kann, wird weiter zunehmen und damit die Leistung von Algorithmen verbessern.
• IoT-Anwendungen ermöglichen die Erfassung von Leistungs- und umweltbezogenen Daten mit Hilfe von Sensoren, die an Geräten angebracht sind.
• Dies ermöglicht die Analyse von Daten entweder lokal oder über Cloud-Plattformen.
• In Zukunft wird das Echtzeitverhalten solcher Systeme für zeitkritische Anwendungen wie das autonome Fahren immer wichtiger werden.
• Angesichts der großen Datenmengen, die von diesen angeschlossenen Sensoren erzeugt werden, wird die Rolle des KI-Computing am Rand (oder Edge-Computing) noch wichtiger werden.
• Es ist unpraktisch und manchmal sogar unmöglich, alle erzeugten Daten an eine zentrale Stelle zu übertragen.
• Es ist daher von entscheidender Bedeutung, einfache Analysen oder Entscheidungen vor Ort durchführen zu können.
• Dieser Trend wird auch zu einfacheren KI-Algorithmen führen, die lokal auf Geräten laufen, die auf Edge-Computing angewiesen sind.
• KI am Rand wird das IoT auf das nächste Level an Fähigkeiten bringen.

Prüfung von Big-Data-Konzepten im Bezug auf Datenbanken, Algorithmen und Edge Computing. Untersucht den Einfluss von In-Memory-Computing und die Bedeutung der Anpassung von Algorithmen im Kontext von Big Data.