Präsentation Reasonance GmbH
https://reasonance.de info@reasonance.de +49 721 50993420
Mai 2021
Unser Angebot
Cloud Lösungen und Engineering
Kosteneffiziente Nutzung von Cloud Ressourcen unter den Randbedingungen des Projekts
Modellierung und Simulation
Physikalische Modellierung und mathematische Simulation von Systemen und Vorgängen
Künstliche Intelligenz Supervised, Unsupervised
und Semi-Supervised Lernverfahren auf Daten aus verschiedenen Bereichen
Analytics Einsichten aus Daten verschaffen. Aufbau von Dashboards und Systemen für stetiges Monitoring und Analyse
Computer Vision Bildverarbeitung, Objekterkennung, Tracking,
Photogrammetrie
Probabilistic Neural Networks Beurteilen von Risiko und Plausibilität automatisierter Entscheidungen oder Vorhersagen Optimierung
Mathematische oder algorithmische Lösungen und Approximationen für komplexe Probleme
Softwarearchitektur und Softwareentwicklung Agile prozessgesteuerte Softwareentwicklung von komplexen Systemen und Vorgängen
Consulting IT-Beratung rund um die Themen Big Data, Machine Learning und Data Science
Unsere bisherigen Anwendungsfelder
Medizin
➔
Bildverarbeitung
➔
Machine Learning Lösungen für medizinische Fragestellungen
Media und Text
➔
Textverarbeitung & ETL
➔
Effiziente Speicherung &
Migration von großen Datenmengen
Energie
➔
Digital Twin Modellierung
➔
Netzfluss Optimierung
➔
Demand-Side Vorhersage
➔
Data Pipelining und Deployment
Industrie
➔
Analytics für Industriekunden
➔
Emissionsvorhersage (PEMS)
➔
Modellierung von Prozessen und physikalischen Systemen
➔
Digitalisierungslösungen
➔
Data Management und Pipelining
3
Allgemeiner Projektverlauf
1. Strategie und Beratung
2. Datenmanagement und -analyse
3. Modellierung und Optimierung
4. Machine Learning
Engineering 6. Cloud Engineering und Deployment
5. Software Engineering
und Implementierung 7. Maintenance und
Support
Unsere Arbeitsweise
Schnell zum Mehrwert.
Erfolg durch agil entwickelte state-of-the-art Data Science und Machine Learning
Lösungen.
Projektdauer von 3 - 12 Monaten
Team von bis zu 3 Personen
Inkrementelle und iterative Ergebnisse
Enge Zusammenarbeit mit dem Kunden vor Ort
5
Ausgewählte bisherige Kunden
Die verwendeten Logos sind Eigentum der dargestellten Unternehmen.
Ausgewählte abgeschlossene Projekte
Projekt. Wärmenetzoptimierung (HePi) (1)
Physikalische Modellierung
des Wärmenetzes
ProblembeschreibungEntwicklung eines Systems zur Echtzeitsteuerung und Optimierung des Betriebs eines Wärmenetzes. Eine solche Lösung kann für große Netze bzw.
industrielle Großanlagen Einsparungen generieren.
Optimierung und
Vorhersage vom Verbrauch, um
Transportverlustezu reduzieren
AWS-deploytes
System, welches in
Echtzeit dieoptimalen
Betriebsparameter
für ein Wärmenetz ausrechnet.
Nutzen für unseren Kunden
Reduzierung von Transportverlusten durch dynamische Anpassung der Laufzeitparameter des Netzes. Unter Verwendung eines
digitalen Twins des Netzes wird der Verbrauch vorhergesagt und anschließend die Laufzeitparameter optimiert.
Projektverantwortlicher
TODOR Kostov
Projekt. Wärmenetzoptimierung (HePi) (2)
Problembeschreibung Entwicklung eines Systems zur Echtzeitsteuerung und Optimierung des Betriebs eines Wärmenetzes. Eine solche Lösung kann für große Netze bzw.
industrielle Großanlagen Einsparungen generieren.
- Modellierung von komplexen physikalischen Zusammenhängen und Optimierung von Wärmenetzen.
- Numerische Simulation und Verifikation des modellierten Digital Twins anhand historischer Messdaten.
-
Echtzeitfähiges, verteiltes, parallelisiertes System zur Simulation und Optimierung von Wärmenetzen➔ Systemzustand wird jede Minute durch die 14-stufige Pipeline ausgewertet, vorhergesagt und optimiert.
➔ Deployment in AWS Elastic Kubernetes Service
Technology Stack:
Python, Pandas, Numba, MongoDB, GCP, AWS, Kubernetes, REST, PostgreSQL
Technische Aspekte
Projektverantwortlicher
TODOR Kostov
9
Projekt. AI basierte Netzplanung (Grida) (1)
Neue Methodiken, die auf Heuristiken und Reinforcement Learning basieren als Ansätze für die
Netzplanung
Bis zu 30 %
Kostenersparnis im Vergleich zur
bestehenden Planung Wie kann ein
Netzbetreiber seine Netzplanung
automatisieren?
Nutzen für unseren Kunden
Die von uns entwickelte Lösung bietet eine extrem schnelle Möglichkeit zur Evaluation von neuen Netzinfrastrukturen für Netzbetreiber. Wir konnten eine Kostenersparnis von 30 % im Vergleich zu derzeit genutzten Algorithmen erzielen.
Projektverantwortlicher
TODOR Kostov
Problembeschreibung DerzeitigeNetzplanungsalgorithmen sind langsam und extrem rechenintensiv und haben einen erheblichen
Modellierungsaufwand. Die Nutzung von neuartigen Methoden stellt eine effiziente Alternative dar.
Projekt. AI basierte Netzplanung (Grida) (2)
- Modellierung vom Netz als reguläres Gitter mit beliebiger Granularität.
- Optimale Positionierung von Trafo/Produzent basierend auf Vebrauchsverteilung (NP-hartes Problem)
- Optimale Verbindung zwischen Konsumenten und Produzenten (NP-hartes Problem)
-
Gleichzeitige approximative Lösung von beiden Problemen➔ Durch neuartige Deep RL Verfahren für kombinatorische Optimierung
➔ Deployed als REST-API in GCP
➔ Vorgestellt bei der CIRED Konferenz in 2019 in Madrid
Technology Stack:
Python, TensorFlow, Flask, REST, NumPy, LP_Solve
Technische Aspekte
Projektverantwortlicher
TODOR Kostov
11
Problembeschreibung Derzeitige
Netzplanungsalgorithmen sind langsam und extrem rechenintensiv und haben einen erheblichen
Modellierungsaufwand. Die Nutzung von neuartigen Methoden stellt eine effiziente Alternative dar.
Projekt. Detektion im Grid (Mystique II) (1)
Analyse von
Unregelmäßigkeiten und Zyklen in den Daten
Konfidente Detektion von verschiedenen Erzeugern und Verbrauchern ohne Wissen der Ground Truth Welche Verbrauchs-
bzw.
Einspeiseeinheiten befinden sich hinter einem Transformator?
Nutzen für unseren Kunden
Erkennung von Inkonsistenzen in den Stammregisterdaten.
Erkenntnisse über das Verhalten des Niederspannungsnetzes schaffen, um potentielle Engpässe zu frühzeitig zu erkennen und und den Netzbetrieb und dessen Planung zu unterstützen.
Projektverantwortlicher
KONSTANTIN Tsenkov
ProblembeschreibungDurch den steigenden Ausbau von Solaranlagen sowie den Zuwachs an Elektromobilität wird die Erkennung von neuen Verbraucher- und
Erzeuger-Profilen hinter Umspannstationen immer wichtiger, um
Überlastungen im Netz zu vermeiden und Netzausbau effizienter zu planen.
Projekt. Detektion im Grid (Mystique II) (2)
Projektverantwortlicher
KONSTANTIN Tsenkov
- Überprüfung der Datenqualität und Erkennung von Messfehlern - Zeitreihenanalyse der Sensormesswerte (ungelabelte
Datensätze)
- Erkennung und Schätzung der installierten PV-Leistung im Netz - Detektion und Erkennung von Verbraucherprofilen wie
Elektrofahrzeugen und Wärmepumpen in den Daten
- Statistische Auswertung und Simulation der Belastung vom Transformator, um Engpässen im Netz vorzubeugen
- Identifizierung und Clustering von Signalmustern, die bei Industrie- bzw. Haushaltsverbrauchern typisch sind
- Ausführung der Analysen als Pipeline inkl. Visualisierung und Reporting
Technology Stack:
Python, Tensorflow, NumPy, Pandas, scikit-learn, Jupyter, Matplotlib
Technische Aspekte
13
Problembeschreibung Durch den steigenden Ausbau von Solaranlagen sowie den Zuwachs an Elektromobilität wird die Erkennung von neuen Verbraucher- und
Erzeuger-Profilen hinter Umspannstationen immer wichtiger, um
Überlastungen im Netz zu vermeiden und Netzausbau effizienter zu planen.
Projekt. Fraud Detection (Marilyn) (1)
Entwicklung einer Pipeline zur
Klassifikation mit einer Genauigkeit von über 99.99 %.
Deployment als Web API in AWS
Automatisiertes Blocken von Nutzern basierend auf
Vertrauensmetrik Automatisches
Erkennen von Ausreißern.
Datenquellen AWS und GCP
Nutzen für unseren Kunden
Ermöglichung der Automatisierung der Detektion von “Fraud
Usern” innerhalb einer Dating-App sowie Generierung erheblicher Einsparpotentiale durch Reduktion manueller Prozesse &
Integration/Entwicklung einer Web-API.
Projektverantwortlicher
TODOR Kostov
Problembeschreibung Gerade im Bereich von Social Media kommt es verstärkt zu Fällen in denen diese Plattformen missbraucht werden.Die Erkennung solcher Fälle und die
Identifizierung der Nutzer ist notwendig, um die Seriosität solcher Apps/Anbieter zu gewährleisten.
Projekt. Fraud Detection (Marilyn) (2)
- Modellierung von seltenen Events, die 0.01% der Daten darstellen (unbalancierter Datensatz)
-
Hoher Automatisierungsgrad erwünscht-
Reduzierung von Kundenrisiko (False Positive - Kunde verliert Kunden, True Negative - Dienstleistungsqualität vom Kunde verringert)- Reduzierung von manueller Processing beim Kunden
➔ In AWS deploytes System
➔ Automatisierter Datenpull aus Google Big Query
➔ Kontinuierliche Verbesserung beim Retraining
➔ Automatisiertes Retraining vom System
Technology Stack:
Python 3.6, Pandas, AWS Sagemaker, Flask, Rest
Technische Aspekte
Projektverantwortlicher
TODOR Kostov
15
Problembeschreibung Gerade im Bereich von Social Media kommt es verstärkt zu Fällen in denen diese Plattformen missbraucht werden.
Die Erkennung solcher Fälle und die
Identifizierung der Nutzer ist notwendig, um die Seriosität solcher Apps/Anbieter zu gewährleisten.
Projekt. Prozessautomation (AutoCatalogue) (1)
Generierung der Produktkataloge basierend auf Produktdaten
Automatisierte
Qualitätsprüfung der generierten
Produktkataloge Automatische
Erkennung von
Produktdaten durch reguläre Ausdrücke
Nutzen für unseren Kunden
Vollständige Automatisierung der Erstellung und Überprüfung von Produktkatalogen, die bisher durch einen komplexen und
fehlerbehafteten manuellen Prozess weder aktuelle noch überprüfte Produktdaten beinhaltet haben.
Projektverantwortlicher
MANUEL Lang
Problembeschreibung Ein komplexerProduktkatalog muss aus teils unstrukturierten Daten händisch erstellt werden.
Der Prozess der Erstellung der Katalogdaten ist
fehlerbehaftet, zeitintensiv und erfordert detailliertes Domänenwissen.
Projekt. Prozessautomation (AutoCatalogue) (2)
- Erkennung von Produktinformationen durch reguläre Ausdrücke
-
Zusammenführen von verschiedenen Datenquellen aus Excel-,CSV- und XML-Dateien
-
Reduzierung von Kundenrisiko durch automatisierteÜberprüfungen (bspw. Anzahl von Duplikaten, Validierung von Produktinformationen und Sicherstellen der richtigen
Katalogstruktur)
- Reduzierung von manuellen Prozessen beim Kunden
➔ ETL-Pipeline lädt, verarbeitet und exportiert Daten in benötigte Formate
➔ Anbindung an existierende Systeme, um automatisiert auf aktuellsten Datenstand zuzugreifen
➔ Automatisierung der Qualitätsprüfung der Produktkataloge Technology Stack:
Python, NumPy, Pandas, RegExp
Technische Aspekte
Projektverantwortlicher
MANUEL Lang
17
Problembeschreibung Ein komplexer
Produktkatalog muss aus teils unstrukturierten Daten händisch erstellt werden.
Der Prozess der Erstellung der Katalogdaten ist
fehlerbehaftet, zeitintensiv und erfordert detailliertes Domänenwissen.
Weitere Anwendungsfälle
Anwendung. LiDAR x Intralogistik
In der Pipeline wird die Szene mit 50 Hz. Freq.
rekonstruiert. Die Szene wird dann an das KI- Modul zur Schätzung und Analyse geschickt.
KPIs und Ergebnisse sind dann im Web- Frontend für die Facility Manager bereitgestellt.
LiDAR-Daten über UDP erfassen und aufberei- ten. Einspeisung der LiDAR Daten in eine mehrstufige Daten- Pipeline.
Nutzen
Durch diese Lösung kann unser Kunde mit Hilfe von LiDAR Sensoren den Zustand des Fließbands in Echtzeit überwachen. Im Web-Frontend werden Erkennung von Pakettypen, Statistiken sowie Probleme (wie z.B. offene, verformte und unbekannte Pakettypen) visualisiert.
Ansprechpartner
TODOR Kostov
19
Problembeschreibung
Die Qualitätssicherung und das Accounting von Fließband- Bearbeitung von Paketen ist ein aufwändiger manueller Prozess.
Für diese Problem- stellung haben wir mit Hilfe von LiDAR Sensoren die Paketdaten und Geschwindigkeiten erfasst und gezeigt, wie man den Prozess mit Hilfe einer Nahe-Echtzeit Datenpipeline automatisieren kann.
Anwendung. ToF Kamera x Objekterkennung
Verfahren aus der Geometrie und KI (CV) haben es erlaubt, die Objekte zu segmentieren und durch einfache
Primitive darzustellen.
Die erkannten Objekte werden dann durch eine REST API an das
IT-System des Kunden übermittelt.
Ein ToF Kamera liefert 0.7 Milliarden 6D Datenpukte für eine Halle. Auswertung muss in weniger als 1 Minute funktionieren.
Nutzen
Diese Anwendung ermöglicht dem Kunden die mathematische Optimierung von Objektplazierungen und Konfiguration in Hallen in großen Hallen (siehe nächste Folie). Weitere Anwendungen sind denkbar.
Ansprechpartner
TODOR Kostov
ProblembeschreibungEine zentimetergenaue Ab- bildung von Produktionshallen und Anlagen erlaubt eine genaue Planung und Position- ierung von neuen Geräten. Eine 3D-Rekonstruktion und die anschließende Erkennung von Objekten innerhalb von ToF Kamera Punktwolken ist die Voraussetzung, die dafür erfüllt werden muss.
Anwendung. Optimierung x Fabrikflächenplanung
In der Konzeptionsphase haben wir 3 Vorschläge identifiziert, die als
vielversprechender gelten und eine zulässige Lösung in wenigen Minuten pro- duzieren, welche nah an dem theoretischen Optimum liegt.
Das ausgearbeitete Verfahren wird in die Planungslösung von unserem Kunden
integriert und als Docker Containers mit Frontend und Backend deployed.
Unsere Analyse der theoretischen Eigenschaften des Problems hat gezeigt, dass kein Standard- algorithmus existiert, der eine zulässige Lösung liefert.
Nutzen
Durch diese Optimierung wird unser Kunde seine Lösung kosteneffektiver und schneller anbieten. Dadurch wird seine Marktposition gestärkt.
Ansprechpartner
TODOR Kostov
21
Problembeschreibung
Bei der Ausstattung von Fabriken mit Geräten und Sensoren sind eine Reihe von Nebenbedingungen zu beach- ten. Leider sind oft die unter- liegenden Probleme NP-hart, d.h. dass eine zulässige Lösung durch Standardalgorithmen nicht erreichbar ist. Diese Lösung ist aber erwünscht, damit man die Planungskosten reduzieren kann.
Anwendung. KI x Produktionsstraßen
Diese Schätzung ist dem Operator in einer Web- Oberfläche präsentiert.
Falls die geschätzten Cp*
Werte unter dem festge- legten Wert liegen wird auch eine Warnmeldung übermittelt.
Im nächsten Schritt wird eine Empfehlung zur Neukalibrierung der Produktionsstrasse gegeben. Der Operator kann die neuen
Einstellungen im Interface verfeinern und an die Maschinen automatisch übermitteln.
Die internen Produk- tionsstraßen werden durch Sensorik erfasst und an unsere Lösung übergeben. Die Lösung schätzt dann die Cpk/
Cpm Werte und leitet das Ergebnis weiter.
Nutzen
Durch das System wird unser Kunde in der Lage sein, den täglichen Ausschuss um tausende Einheiten zu reduzieren. Zusätzlich wird Zeit der Operatoren (Ingenieure) bei der Rekalibrierung der Produktionsstrassen eingespart.
Ansprechpartner
TODOR Kostov
ProblembeschreibungKunde aus der Herstellungs- industrie produziert täglich mehrere tausende Einheiten auf mehreren automatisierten Produktionsstraßen. Die Qualitätssicherung kann erst am Tag danach gemacht werden. Mit Hilfe einer KI- basierten Lösung beabsichtigt der Kunde, die Qualität durch präventive Maßnahmen zu erhöhen.
23
Gründe, die für uns sprechen
Forschungshintergrund der Mitarbeiter:
- Carnegie Mellon University, Fraunhofer Gesellschaft, KIT
- Publizierte Papers bspw. ICLR
Wir kennen die passenden Tools, die auf dem europäischen Markt bisher kaum
Verwendung finden.
Wir arbeiten mit Bayesian, physikalisch- oder prozessmotivierten Modellen.
Wir bieten Full-Stack maschinelles Lernen mit ML-Ops Erfahrungen weit über die
Verwendung von Sagemaker hinaus.
Schnelle Adoption von aktuellster Technologie aus der Forschung. Hochspezifische
Lösungen für Ihre Use-Cases.
Hochperformante Lösungen ohne
aufwändige Hardware. Durch LLVM können wir Python-Code um ein vielfaches
(Referenzprojekt Faktor 80) beschleunigen.
Besser interpretierbare Ergebnisse.
Lösungen leiden seltener unter Overfitting.
Lösungen benötigen weniger Daten zum Training.
Wir entwickeln und deployen für Sie komplette KI Systeme - von einfachen REST-Services bis zu fehlertolerante Kontrollsysteme.
