Empfehlungen für die datengestützte Degradationsabschätzung

In einer neuen Veröffentlichung auf der 15. International Conference on Research Challenges in Information Science geben die Autor:innen Empfehlungen für die datengestütze Abschätzung des Degradierungszustandes inkl. zweier Fallstudien aus den Bereichen Fertigung und Schaffahrt. Autoren: Nils Finke (Oldendorff Carriers GmbH & Co. KG., Universität zu Lübeck), Marisa Mohr (inovex GmbH, Universität zu Lübeck), Alexander Lontke Weiterlesen

KOSMoS auf dem Flower Summit 2021

Marisa und Christian stellen KOSMoS am 11. Mai KOSMoS auf dem Flower Summit 2021 vor und sprechen darüber, wie man Modelle zur vorausschauenden Wartung unternehmensübergreifend trainieren kann, ohne die Privatsphäre der Daten zu verletzen. Die Teilnahme ist kostenlos. Hier könnt ihr euch registrieren: https://flower.dev/conf/flower-summit-2021 Slides Die Speaker Marisa Mohr ist Senior Machine Learning Engineer bei inovex Weiterlesen

Mit Blockchain transparent und firmenübergreifend warten

KOSMoS im atp magazin 3/2021 In der neuen Ausgabe des atp magazin – Automatisierung und digitale Transformation stellen Tobias Bux, Jonas Gross, Constantin Lichti und Marisa Mohr das firmenübergreifende Wartungskonzept vor, wie es im Projekt “KOSMoS” erarbeitet wurde. “Maschinen können mit Hilfe moderner Technologien die höchsten Produktionsanforderungen erfüllen. Die Wartung bleibt noch häufig dahinter zurück. Dabei können durch den Einsatz Weiterlesen

KubeEdge Teil 3: Vom Sensor bis zur Visualisierung in Grafana

Im letzten Teil dieser Artikelserie zu KubeEdge wird in einem Beispiel gezeigt, wie Daten von einem Sensor über die Edge bis hin zur Cloud gesendet werden. Die gesendeten Daten werden in der Cloud in einer Time Series Database abgelegt und anschließend über Grafana visualisiert. Hier geht es zum dritten Teil: https://www.inovex.de/blog/kubeedge-use-case-vom-sensor-bis-zur-visualisierung-in-grafana/

KubeEdge Teil 2: Einrichtung

Die dreiteilige Artikelserie über “KubeEdge” bildet ein Tutorial für KubeEdge, in dem die Technologie erklärt und anhand eines Anwendungsbeispiels näher beschrieben wird. Im zweiten Teil beschreibt inovexler Jan Unterbrink wie man KubeEdge einrichtet. Hier geht es zum zweiten Teil: https://www.inovex.de/blog/kubeedge-einrichten/

KubeEdge Teil 1: Einführung

inovexler Jan Unterbrink, der im KOSMoS Projekt Ansprechpartner für alle Belange rund um die Infrastruktur ist, schreibt über KubeEdge. Die dreiteilige Artikelserie bildet ein Tutorial für KubeEdge, in dem die Technologie erklärt und anhand eines Anwendungsbeispiels näher beschrieben wird. Im ersten Teil geht er näher auf den Aufbau und die Funktionsweise von KubeEdge ein. Hier Weiterlesen

Mit Blockchain und Federated Learning zur unternehmensübergreifenden Predictive Maintenance

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

INFORMATIK 2020: Auf dem Weg zur kollaborativen prädiktiven Instandhaltung durch die Nutzung privater unternehmensübergreifender Daten

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

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

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