Search

Today, intelligent systems that offer artificial intelligence capabilities often rely on machine learning. Machine learning describes the capacity of systems to learn from problem-specific training data to automate the process of analytical model building and solve associated tasks. Deep learning is a machine learning concept based on artificial neural networks. For many applications, deep learning models outperform shallow machine learning models and traditional data analysis approaches. In this article, we summarize the fundamentals of machine learning and deep learning to generate a broader understanding of the methodical underpinning of current intelligent systems. In particular, we provide a conceptual distinction between relevant terms and concepts, explain the process of automated analytical model building through machine learning and deep learning, and discuss the challenges that arise when implementing such intelligent systems in the field of electronic markets and networked business. These naturally go beyond technological aspects and highlight issues in human-machine interaction and artificial intelligence servitization.

ABSTRACTSupervised machine learning methods for image analysis require large amounts of labelled training data to solve computer vision problems. The recent rise of deep learning algorithms for recognising image content has led to the emergence of many ad-hoc labelling tools. With this survey, we capture and systematise the commonalities as well as the distinctions between existing image labelling software. We perform a structured literature review to compile the underlying concepts and features of image labelling software such as annotation expressiveness and degree of automation. We structure the manual labelling task by its organisation of work, user interface design options, and user support techniques to derive a systematisation schema for this survey. Applying it to available software and the body of literature, enabled us to uncover several application archetypes and key domains such as image retrieval or instance identification in healthcare or television.

Die voranschreitende Digitalisierung revolutioniert sämtliche Wirtschaftszweige und bringt somit auch langfristige Veränderungen für den landwirtschaftlichen Sektor mit sich, wo auf Basis intelligenter Informationssysteme zahlreiche Daten gesammelt und im Zuge neuer Geschäftsmodelle ausgewertet werden. Vor diesem Hintergrund präsentiert der vorliegende Beitrag eine Big-Data-Analytics-Fallstudie aus dem Bereich des Weinanbaus, wo mithilfe von mobilen Aufnahmegeräten umfangreiches Bildmaterial aufgezeichnet wurde, um eine automatisierte Objekterkennung zur Unterstützung von operativen Winzertätigkeiten, wie zum Beispiel das Zählen von Reben, die Identifikation von Rebfehlstellen oder die Prognose von potentiellem Erntegut, realisieren zu können. Hierbei bestand die Herausforderung unter anderem darin, landwirtschaftlich relevante Weinobjekte wie Reben, Trauben und Beeren über die einzelnen Hierarchieebenen hinweg erkennen zu können und diese auch in Bezug auf bewegtes Bildmaterial folgerichtig zu zählen. Zur Bewältigung derartiger Herausforderungen werden einige Lösungsansätze vorgestellt, die auf modernen Deep-Learning-Verfahren der bildbasierten Objekterkennung basieren. Der Beitrag wird abgerundet mit einer Diskussion und Implikationen für analytische Anwendungen in der landwirtschaftlichen Praxis.

Prädiktive Instandhaltung stellt eine vorrausschauende Wartungsstrategie dar, die darauf abzielt, bevorstehende Fehler oder die restliche Lebensdauer einer technischen Anlage zu prognostizieren. Mit den Vorhersagen können Wartungsmaßnahmen proaktiv und zustandsabhängig eingeleitet werden, was einen optimierten Ressourceneinsatz ermöglicht. Grundlage dieses Ansatzes ist die Aufzeichnung umfangreicher Maschinendaten und deren Analyse mit Verfahren des maschinellen Lernens, um komplexe Zusammenhänge zwischen Zustandsdaten und entsprechenden Zielvariablen (z. B. der Restlaufzeit) abzubilden. Das Vorhandensein zahlreicher Monitoring-Daten führt jedoch nicht per se zu einer guten Informationslage für die Entwicklung von zielführenden Prognosemodellen. Im vorliegenden Beitrag wird beispielsweise eine Fallstudie vorgestellt, wo die Herausforderung darin bestand, den optimalen Zeitpunkt für einen verschleißbedingten Werkzeugwechsel einer Fräsmaschine vorherzusagen. Da in der Vergangenheit die Fräswerkzeuge häufig weit vor ihrer tatsächlichen Laufzeit getauscht wurden, würde ein Prognosemodell auf Basis dieser Werkzeugstandzeiten ein irrtümliches (in diesem Fall zu risikoscheues) Bild wiedergeben. Vor diesem Hintergrund beschäftigt sich der vorliegende Beitrag mit der Entwicklung eines Verfahrens zur Optimierung einer Wartungsstrategie unter eingeschränkten Informationen ausgehend von einer Fallstudie der industriellen Praxis. Zum Einsatz kommen Verfahren zur Feature Extraction in Zeitreihen, Techniken des Unsupervised Learnings zum Clustern von Zustandsdaten sowie rekurrente neuronale Netze für die Entwicklung eines Prognosemodells zur Bestimmung der Restlaufzeit. Mit dem entwickelten Ansatz ist es möglich, bislang subjektive Entscheidungen durch datengetriebene Entscheidungen zu ersetzen und damit die durchschnittliche Werkzeugstandzeit zu verlängern. Der Beitrag demonstriert weiterhin, wie trotz zunächst unzureichender Informationslage mit Machine Learning Entscheidungsunterstützungssysteme entwickelt werden können. Predictive maintenance is an anticipatory maintenance strategy designed to predict impending errors or the remaining useful lifetime of a technical system. With its predictions, maintenance actions can be taken condition-based and proactively leading to an efficient use of resources. The basis for this approach is the recording of extensive machine data and their analysis with means of machine learning to learn complex relationships between condition data and related target variables, e. g. the remaining useful life. However, the existence of numerous monitoring data does not imply that there is a good information base for the development of meaningful predictive models. In this paper, for example, a study is presented where the challenge was to predict the optimal time to replace a wear-induced tool of a milling machine. Since in the past the milling tools were often replaced way before the end of their actual lifetime, a predictive model based on this training data would describe a risk averse and thus non-optimal maintenance strategy. Against this background, the present paper deals with the development of a methodology for optimizing a maintenance strategy based on incomplete information from industrial practice. The proposed methodology is based on a broad range of analytical techniques, including feature extraction for the preprocessing of time series data, unsupervised learning for clustering condition monitoring data and a recurrent neural network for the development of a predictive model to determine the remaining useful life. With the approach developed, it is possible to replace decisions which were so far taken based on subjective criteria with data-driven decisions to increase the milling tool lifetime. Additionally, this work contributes to the question how to develop decision support systems despite vague and insufficient information with the means of machine learning.

Betriebliche Informationssysteme bilden das Rückgrat moderner Wertschöpfungstätigkeiten. Durch den flächendeckenden Einsatz von Informations- und Kommunikationstechnik sowie die fortschreitende Digitalisierung von Geschäftsprozessen entstehen dabei unzählige Datenmengen, die vielfältige Nutzenpotentiale zur Generierung neuer Mehrwerte versprechen. Häufig mangelt es jedoch an Fachpersonal, welches die erforderlichen Kompetenzen aufweist, um aus den anfallenden Datenbeständen die versteckten Potenziale zu bergen. Aus diesem Defizit heraus entwickelte sich in den letzten Jahren unter dem Titel „Data Scientist“ eines der gefragtesten Berufsbilder des 21. Jahrhunderts. Gleichzeitig entstehen zahlreiche Weiterbildungsangebote, die darauf abzielen, die notwendigen Qualifikationsbedarfe zu decken. Vor diesem Hintergrund beschäftigt sich der vorliegende Beitrag mit der Gegenüberstellung von Data-Science-Kompetenzanforderungen und der Abdeckung durch aktuelle Weiterbildungsangebote, um den Status quo zu skizzieren und Differenzen zwischen Nachfrage und Angebot zu eruieren. Während aus Nachfragesicht existierende Kompetenzprofile systematisiert und konsolidiert werden, erfolgt aus Angebotssicht eine inhaltsanalytische Untersuchung aktuell auf dem Markt befindlicher Weiterbildungsangebote. Ausgehend von den Ergebnissen beider Erhebungen werden Handlungsempfehlungen für die betriebliche Praxis sowie anknüpfende Forschungsarbeiten abgeleitet. Enterprise information systems are the backbone of modern business activities. Due to the extensive use of information and communication technology as well as the increasing digitization of business processes, vast amounts of data are generated that promise a wide range of potentials for generating new insights. However, there is a lack of specialists, who have the necessary skills to conquer this situation and unveil hidden potentials from those vast amounts of data. As a result, the profession of the so-called “data scientist” has evolved as one of the most wanted job profiles of the 21st century. At the same time, numerous qualification programs have been developed in order to address the necessary skill requirements. Against this background, this paper deals with the comparison of data science competence requirements and the coverage of current qualification programs in order to outline the status quo and identify differences between demand side and supply side. For the identification of data science skill requirements from a demand perspective, existing competence profiles are systematized and consolidated into a generic scheme. The resulting categories are then used to carry out an in-depth content analysis of qualification programs currently available on the market from a supply perspective. Based on the results of both surveys, recommendations are derived for business practice and related research.

Um die Vielzahl an heterogenen Datenströmen im Zeitalter von Big Data in für Unternehmen entscheidungsrelevante Informationen zu transformieren, wurden in den letzten Jahren nicht nur Business-Analytics-Ansätze entwickelt. Auch ein neues Berufsbild wurde Mittelpunkt zahlreicher Diskussionen: der Data Scientist. Die Vielzahl an Kompetenzen, die diese neue Berufsgruppe mit sich bringen sollte, wurde in verschiedenen Fachbeiträgen beschrieben und wird in diesem Artikel durch ein systematisches Literature Review zusammengefasst. Dabei werden die einzelnen, durch die Inhaltsanalyse ermittelten Kompetenzen nicht nur aufgezählt, sondern erstmalig in ein Kompetenzmodell eingeordnet. Der Data Scientist sollte zahlreiche Fachkompetenzen, wie Kenntnisse in Statistik oder den KDD-Prozess betreffende Kompetenzen zur Datenselektion-, -aufbereitung, -analyse und Interpretation, aber auch Sozialkompetenzen, wie Team- und Kommunikationsfähigkeit, sowie Selbstkompetenzen, wie Neugier oder Kreativität, mit sich bringen. Hierbei wird ersichtlich, dass ein Data Scientist allein nicht alle Kompetenzen erfüllen kann. Es bedarf vielmehr an die Aufgaben und Rollen im Unternehmen angepasste Typen von Data Scientists mit unterschiedlichen Kompetenzschwerpunkten. Folglich werden ausgehend von den Erkenntnissen der Literatur- und Inhaltsanalyse Handlungsempfehlungen zur Entwicklung von spezifischeren Anforderungsprofilen ausgesprochen. To transform the variety of heterogeneous data streams into enterprise decision-relevant information, not just modern business analytics approaches have been developed in recent years. In addition, a new job profile called for attention within the rising era of Big Data: the Data Scientist. The variety of skills that come along with this new profession has been described in various technical papers and is now summarized in this article through a systematic literature review. For this purpose, the identified competences are not only enumerated, but also classified within a competency model using a content analysis. The result of this examination is that according to the literature a Data Scientist should provide an extensive skill set – including professional skills such as statistics or KDD-relevant skills for the selection, preprocessing, analysis and interpretation of data, but also social skills such as teamwork and communication, as well as personal skills such as curiosity or creativity. Here it becomes evident that a Data Scientist alone cannot meet all these competencies. Rather, it requires individual types of Data Scientists with different major focus depending on the roles and duties within the enterprise. For this purpose the article provides recommendations for the development of specific Data Scientist profiles based on the results of the literature and content analysis.