Next Generation MMDBMS

Mustererkennung für jedermann: Lookup - Learn - Investigate. Eine weitere Sichtweise zur Abschätzung des Erfolgs wirtschaftlicher Anwendungen auf Basis von MMDBMS ist das Verständnis des menschlichen Prozesses der Mustererkennung. Dieser explorative und iterative Prozess besteht aus dem Nachschlagen einzelner Fakten (lookup), dem Aggregieren und dem Vergleichen von Datenverteilungen (learn) und deren Analyse, also oft dem Finden von Nischen oder der Entdeckung neuer Zusammenhänge (investigate). Die typische Domäne für lookup waren lange Websuchmaschinen und bestimmte Anwendungen im Unternehmen (CRM, ERP). Für learn sind typische Domänen Data Warehouse und Reporting-Anwendungen. Investigate wurde bisher weitgehend dem Spezialisten - und seinem oder ihrem Bauchgefühl - überlassen.

Stellenmarkt
  1. IT Systemadministrator*in (m/w/d)
    Stadtwerke München GmbH, München
  2. Leiter*in Informationstechnologie
    Städtisches Klinikum Karlsruhe gGmbH, Karlsruhe
Detailsuche

Schier unbegrenzte Rekombinationsmöglichkeiten von Daten gestalten den Prozess zur Erstellung von Vorhersagemodellen noch relativ aufwendig. Hersteller von MMDBMS haben daher begonnen, den gesamten Prozess in Anwendungen zu automatisieren. In Kombination mit einfachen Anwendungen ermöglichen die geringen Antwortzeiten des MMDBMS jedermann im Unternehmen die Berechnung von Was-wäre-wenn-Szenarien in wenigen Sekunden. Dazu gehören Szenarien zur Preisentwicklung, zur Abschätzung der Verfügbarkeit knapper Ressourcen im Unternehmen wie Lager, Fuhrpark, Personal oder Strom, zur Vorhersage der Wirksamkeit von Marketingkampagnen oder zur Risikoabschätzung der Bonität von Kunden, Zulieferern oder ganzer Lieferketten. MMDBMS sind auch schnell genug, um interaktiv sogar vom Kunden aus der Anwendung Signale einzusammeln - zum Beispiel Klick-Streams, Sentiments, Feedback aus dem Call Center - oder um bessere Vorhersagemodelle zu erstellen, wie zum Beispiel bei der Empfehlung von Produkten im Onlineshop.

Die aktuelle Forschung orientiert sich an diesen Szenarien. Insbesondere bei der Erkennung von Merkmalen (Signalen aus Prozessen) und deren Gewichtung bieten MMDBMS genügend hohe Interaktionszeiten, um den explorativen Data-Mining-Prozess möglichst interaktiv auch auf einem sehr großen Sample (idealerweise N=alle) auszuführen. Ein Schwerpunkt ist daher die Parallelisierung von Data-Mining-Verfahren zur Bildung statistischer Modelle im MMDBMS wie zum Beispiel im SAP HANA Modul PAL (Predictive Analytics Library). Besonders attraktiv erscheint derzeit die Forschung an der Parallelisierung von Ensemble Lernern.

Diese Verfahren haben das Potenzial sowohl diskriminative Merkmale aus hochdimensionalen Daten weitgehend automatisiert zu identifizieren als auch ein akkurates Klassifikationsmodell zu trainieren. Eine weitere Form sind sogenannte Active Learner, also Lernverfahren, die den Aufwand beim Training des Modells deutlich reduzieren können, indem beispielsweise gezielt nur Datenausschnitte mit besonderer Unsicherheit einem menschlichen Experten gezeigt werden. Die statistischen Modelle können, wenn sie im Hauptspeicher gehalten werden, durch menschliche Interaktion mit neuen Daten in wenigen Sekunden erweitert und neu trainiert werden. Dadurch werden Trendvorhersagen aufgrund frischer, transaktionaler Daten möglich.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed
 Neue OptimierungsprinzipienHybride Speicherorganisationen garantieren schnelle Ausführungszeiten 
  1.  
  2. 1
  3. 2
  4. 3
  5. 4
  6.  


Quantium40 21. Okt 2014

Welche Anwendungsfälle sollen das sein?

Quantium40 21. Okt 2014

Es gibt durchaus Szenarien, in denen solch scheinbarer Blödsinn durchaus sinnvoll sein...

holgerscherer 17. Okt 2014

Die gewisse Vorliebe hat ja auch gute Gründe ;-) -h

deefens 15. Okt 2014

An manchen Stellen evtl. ein bischen knapp gefasst, aber im Kern sehr informativ. Was...



Aktuell auf der Startseite von Golem.de
Urheberrechtsverletzung
US-Marine muss Strafe an deutsche Firma bezahlen

Noch während der Lizenzverhandlungen installierte die US-Marine eine Software auf über 500.000 Rechnern. Sechs Jahre später muss sie dafür bezahlen.

Urheberrechtsverletzung: US-Marine muss Strafe an deutsche Firma bezahlen
Artikel
  1. Karmesin und Purpur: Nintendo entschuldigt sich für Probleme mit Pokémon
    Karmesin und Purpur
    Nintendo entschuldigt sich für Probleme mit Pokémon

    Schwache Grafik und trotzdem Ruckler: Viele Spieler ärgern sich über den technischen Zustand von Pokémon Karmesin/Purpur.

  2. Bayern: Arbeitszeit von mehr als 10 Stunden am Tag gefordert
    Bayern
    Arbeitszeit von mehr als 10 Stunden am Tag gefordert

    Die bayerische Arbeitsministerin plädiert für mehr Flexibilität am Arbeitsplatz und will mehr als zehn Stunden Arbeit pro Tag erlauben.

  3. EuGH: Google legt erneut Einspruch gegen Milliardenstrafe ein
    EuGH
    Google legt erneut Einspruch gegen Milliardenstrafe ein

    Google will keine 4,125 Milliarden Euro zahlen und zieht mit dem Fall vor den Europäischen Gerichthof. Es geht um Android.

Du willst dich mit Golem.de beruflich verändern oder weiterbilden?
Zum Stellenmarkt
Zur Akademie
Zum Coaching
  • Schnäppchen, Rabatte und Top-Angebote
    Die besten Deals des Tages
    Daily Deals • PS5 jetzt bestellbar • LG OLED TV (2022) 55" 120Hz 949€ • Mindstar: Geforce RTX 4080 1.449€ • Tiefstpreise: G.Skill 32GB Kitt DDR5-7200 • 351,99€ Crucial SSD 4TB 319€, HTC Vive Pro 2 659€ • Samsung Cyber Week • Top-TVs (2022) LG & Samsung über 40% günstiger [Werbung]
    •  /