Referenzen im Bereich Data Science

Kunde: Energieversorger

Herausforderung

Anhand des Stromverbrauchs eines Haushalts soll entdeckt werden welche Geräte in welcher Zeit benutzt wurden. Als Datengrundlage stehen Zeitreihendaten zur Verfügung, welche im 15 Minuten Takt aggregiert zur Verfügung gestellt wurden.

Ansatz

Verwendete Machine Learning Algorithmen:

  • Neuronale Netzwerke (im speziellen ein Convolutional Neuronal Network) zur Erkennung der angeschalteten Geräte.
  • Genetische Algorithmen basierend auf Bayes, welche zunächst die einzelnen Verbraucher analysieren und dann dafür verwendet werden um den Gesamtverbrauch zu entdecken.

Verwendete Technologien:

TensorFlow

Keras

Python

C++

Kunde: Telekommunikationsunternehmen

Herausforderung

Bei einem großen Telekommunikationsanbieter entwickeln wir Algorithmen im Bereich Natural Language Processing, damit Maschinen gesprochene Sätze besser verstehen können. Auf Grundlage unserer Entwicklungen gibt die Maschine, ähnlich wie Amazon Alexa, Antworten zurück.

Ansatz

Die Algorithmen werden in Python entwickelt. Zur Speicherung der Daten verwenden wir Elasticsearch, welches auch für das Monitoring verwendet wird.

Außerdem erstellen wir auf Grundlage von Docker, Kubernetes, Java und Kafka eine hoch skalierbare und hochverfügbare Infrastruktur für Machine Learning Services.

Verwendete Machine Learning Algorithmen:

  • Verschiedene Algorithmen im Bereich Natural Language Understanding, Natural Language Processing

Verwendete Technologien:

Python

Docker

Kubernetes

Java

Kafka

Elasticsearch

Kunde: Staatliche Ölfirma

Herausforderung

In diesem Projekt sollte die Wahrscheinlichkeit von Ölvorkommen im Meer vorhergesagt werden. Anhand von Sonardaten, welche die Dichte Unterwasserbodens gemessen haben wurden Bodentypen gruppiert und klassifiziert werden.

Ansatz

Die Klassifikation wurde u.a. mit k-nearest neighbour Algorithmen im Tool Weka klassifiziert. Explorative Datenanalyse wurde in MATLAB durchgeführt, und es wurde ein Visualisierungstool in C++ entwickelt, um das Profil des Bodens zu verstehen und die Wahrscheinlichkeit von Ölvorkommen in verschiedenen Regionen des untersuchten Gebiets zu bestimmen.

Verwendete Machine Learning Algorithmen:

  • u.a. K-nearest Neighbour

Verwendete Technologien:

MATLAB

C++

Kunde: Medienunternehmen

Herausforderung

Anhand von Machine Learning Methoden sollen Videoszenen automatisch getaggt werden. Die Use Cases reichen von der Anzeige kontextueller Werbung auf Smart TVs, bis hin zur Erkennung von Jugendschutz. Es sollen u.a. Personen, Handlungen der Personen, Objekte erkannt und klassifiziert werden.

Ansatz

Verwendete Technologien:

Python

Docker

TensorFlow, Caffe, OpenCV

PostgreSQL

Haben Sie Fragen?