mohr, Autor bei

Mit Blockchain und Federated Learning zur unternehmensübergreifenden Predictive Maintenance

Posted on2. November 20202. November 2020Authormohr

Am 20.10.2020 waren Marisa Mohr und Christian Becker mit ihrem Vortrag “Mit Blockchain und Federated Learning zur unternehmensübergreifenden Predictive Maintenance” auf der Data2Day. Aufgrund der aktuellen Lage fand die Konferenz dieses Jahr online statt. Hier findet ihr alle Infos, sowie die Vortrags-Slides. Abstract Die Genauigkeit eines Predictive-Maintenance-Modells wird weitestgehend durch die verfügbaren Trainingsdaten bestimmt. Maschinelle Weiterlesen

Auf dem Weg zur kollaborativen prädiktiven Instandhaltung durch die Nutzung privater unternehmensübergreifender Daten

Posted on16. Oktober 202026. Oktober 2020Authormohr

Am 28.09.2020 haben Marisa Mohr und Christian Becker ihr Workshop-Paper “Towards Collaborative Predictive Maintenance Leveraging Private Cross-Company Data” auf dem Workshop “KI für kleine und mittelständische Unternehmen” (KI-KMU) der INFORMATIK 2020 vorgestellt. Der Workshop KI-KMU hat das Ziel, KI in KMUs greifbar zu machen. Dabei adressiert der Workshop zwei Schwerpunkte: Einerseits sollen Forschungsansätze präsentiert werden, Weiterlesen

Federated Learning: Frameworks für dezentralisiertes privates Lernen – Teil 2

Posted on14. Oktober 202014. Oktober 2020Authormohr

Mit Federated Learning können Machine-Learning-Modelle auf sensiblen Daten unter Wahrung der Privatsphäre trainiert werden. Durch diese Technik können zahlreiche bisher unbrauchbare Datenquellen für kollaboratives maschinelles Lernen genutzt werden. In einem letzten Blogpost wurden die Grundlagen von Federated Learning diskutiert und vorgestellt, welche Datenschutztechniken notwendig sind, um den Schutz sensibler Daten zu gewährleisten. Um ein Machine-Learning-Projekt Weiterlesen

Federated Learning: Ein Leitfaden zum kollaborativen Training mit dezentralisierten sensiblen Daten – Teil 1

Posted on10. August 202010. August 2020Authormohr

Heutzutage hat der Zugang zu qualitativ hochwertigen Daten aus der realen Welt einen großen Einfluss auf den Erfolg datengesteuerter Projekte, da die Qualität einer Lösung mittels maschinellem Lernen stark von den verfügbaren Trainingsdaten abhängt. Andererseits sind die Dateneigentümer oft nicht in der Lage, ihre Daten weiterzugeben, da diese sensible Informationen wie Betriebsgeheimnisse oder persönliche Informationen, Weiterlesen

TimescaleDB vs. influxDB – Experten für Zeitreihen in Zeiten von IIoT

Posted on6. August 20206. August 2020Authormohr

Eine technologische Fragestellung im Rahmen des Forschungsprojekts KOSMoS stellt die Wahl einer geeigneten Zeitreihen-Datenbank dar, die es erlaubt, hochfrequente Maschinendaten effizient zu speichern und für analytische Zwecke einfach verfügbar zu machen, dar. Michael Schneider von inovex diskutiert unsere Erfahrungen mit den zwei populären Open-Source-Zeitreihen-Datenbanken TimescaleDB und InfluxDB. tl;dr Flexibilität Für das einfache Ablegen von (zeitabhängigen) Weiterlesen

Vortrag auf der “data2day”

Posted on3. August 202011. August 2020Authormohr

Dieses Jahr wird die data2day ein wenig anders stattfinden als gewohnt. Die Konferenz wird wie viele andere Konferenzen online durchgeführt: Mit einem Workshop-Tag und einem Konferenztag mit drei Tracks. Marisa Mohr und Christian Becker vertreten KOSMoS am 20.10. um 15 Uhr mit einem Vortrag zum Thema „Auf dem Weg zu Collaborative-Predictive-Maintenance: Blockchain und Federated Learning Weiterlesen

KOSMoS auf der “Informatik 2020” in Karlsruhe

Posted on13. Juli 20203. August 2020Authormohr

Towards Collaborative Predictive Maintenance Leveraging Private Cross-Company Data: Marisa Mohr, Christian Becker, Ralf Möller und Matthias Richter haben einen Beitrag auf dem Workshop »KI für kleine und mittlere Unternehmen« eingereicht und dort einen Teilaspekt von KOSMoS beschrieben. Der Beitrag »Towards Collaborative Predictive Maintenance Leveraging Private Cross-Company Data« hat die Jury überzeugt und wird im Rahmen der 50. Weiterlesen

Federated Machine Learning: über Unternehmensgrenzen hinaus aus Produktionsdaten lernen

Posted on18. Mai 20209. Juli 2020Authormohr

In vielen Produktionsunternehmen des deutschen Mittelstands spielt die Digitalisierung eine immer größere Rolle. Die derzeit übliche Datenerfassung und -analyse beschränkt sich auf die Optimierung unternehmensinterner Prozesse. In einem nächsten Schritt werden produzierende Unternehmen miteinander verbunden und ein sicheres, digitales Wertschöpfungsnetz geschaffen. Die zentrale Sammlung von Daten über die Unternehmensgrenzen hinweg stellt den Mittelstand vor besondere Weiterlesen