Daniel Schulz, Fraunhofer IAIS - GLT

Transcrição

BIG DATA –
VOM SENSOR ZUR GESCHÄFTSIDEE
Daniel Schulz, Fraunhofer IAIS, 07.10.2015
© Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
1
Agenda der Präsentation
Inhaltlicher Leitfaden
 Vorstellung Fraunhofer IAIS
 Big Data in der Praxis
 Projekt MONALISa
 Big Data in der Immobilienwirtschaft
2
VORSTELLUNG FRAUNHOFER
Dr. Dirk Hecker
3
Fraunhofer-Institut IAIS
Wir m achen m ehr aus Daten!

200 Data Scientists, IT-Spezialisten,
Nachwuchswissenschaftler, Auszubildende
und Verwaltungsangestellte

Spitzenforschung und innovative
Anwendungslösungen aus den Bereichen

(Big) Data Science

Machine Learning and Data Mining

Visual Analytics

Multimedia Pattern Recognition

Systemmodellierung und –analyse

Leitung der Fraunhofer-Allianz Big Data

Hochschulkooperationen mit:
4
Fraunhofer-Allianz Big Data
S trategien, Lös ungen und Training für »Data-Driv en Enterpris es «
 26 Ins titute bündeln ihre Kompetenzen in
einer „Big Data Factory“ für Deutschland
 Die Fraunhofer-Allianz Big Data
 begleitet Unternehmen bei der
Umsetzung von Big-Data-Strategien
 entwickelt Software und
datenschutzgerechte Systeme für Big Data
 bildet Fach- und Führungskräfte zu
Data Scientists aus
w w w .bigdata.fraunhofer.de
5
BIG DATA IN DER PRAXIS
Dr. Dirk Hecker
6
Proaktive Wartung von Rolls Royce
Neues Ges chäfts m odell m it Big Data Analy tics als Vorreiter
Condition Monitoring, Proaktive Wartung, „Power-by-the-hour“,
as-a-service Business Model – Flugstunden statt Ersatzteile
Source: Rolls Royce, Wikipedia
7
Big Data – live
Source: pennystocks.la
8
The “V“ – Dimensions of Big Data
(Data) Value
Data Volume
Source: Society of Computer Science
9
Internet of Everything
1990er:
1 Milliarde Nutzer des Internets
2000er:
2 Milliarden Nutzer des mobilen
Internets
2020:
50 Milliarden verbundene Geräte
Source: The Storage Networking Industry Association Data Protection and Capacity Optimization Group 2013
10
Analytics-Plattform für Big Data
Komplexe Daten flexibel und zeitnah verarbeiten und analysieren
Beispiel einer Lambda-Architektur mit open-source-Komponenten
Data S torage
Batch Lay er
Batch View
Anw endung
in Echtzeit
Big Data Analytics
In-stream Mining
S peed Lay er
Real-tim e
View
Datenströme
Buchverweis: N. Marz: Big Data: Principles and Best Practices of Scalable Real-time Data Systems. 2013
11
Big Data Living Lab
© Fraunhofer IAIS
Algorithmische und visuelle Datenexploration nach unterschiedlichen
Herstellern, Fahrzeugtypen, Raum und Zeit.
Quelle: Fraunhofer IAIS
12
Telematik im Automobil – Beispiele
https://www.envirocar.org
http://xone.vodafone.com
http://www.aviva.com/
https://www.o2online.de/apps-services/apps-entertainment/car-connection/
https://itunes.apple.com/de/app/dash-smarter-driving-every/id904108101
https://play.google.com/store/apps/details?id=org.prowl.torque&hl=de
http://www.blogcdn.com/de.autoblog.com/media/2011/01/aautoslogo2.jpg
13
Google – Nest Labs
http://www.digitaltrends.com/home/google-just-bought-nest-3-2-billion/
14
Masdar City
 CO2-neutrale Ökostadt im Emirat Abu Dhabi
 Ca. 6qkm Fläche für 40.000 – 50.000 Einwohner
 Baubeginn 2006 – Ende 2025
 Investitionsvolumen ca. 22 Mrd. $
 Planung: Fosters & Partner
 MIT, GE, Siemens
 Zukünftiger Sitz der IRENA
http://www.hansgrohe.de/11859.htm
http://www.dailymail.co.uk/home/moslive/article-1348558/Norman-Foster-City-future-camels-penguins-cars-dont-drive.html
15
MONALISA
Dr. Dirk Hecker
16
Entwicklung der CO2 - Konzentration
17
Entwicklung Energiepreise
Strom
Erzeugerpreisindizes bei Abgabe an
gewerblichen Anlagen und an
Sondervertragskunden sowie
Verbraucherpreise Strom 2010 = 100
Fossile Brennstoffe
Einfuhrpreisindex Erdgas, Erzeugerpreisindex
leichtes Heizöl, Erzeugerpreisindex Erdgas bei
Abgabe an die Industrie und Verbraucherpreise
Erdgas 2010 = 100
Statistisches Bundesamt, Wiesbaden 2015
18
Energiekonsumenten
Ca. 40% der Energie
wird durch Gebäude
verbraucht
 EU
 USA
The Buildings Performance Institute Europe (BPIE)
http://www.jetsongreen.com/2009/08/breaking-down-building-energy-use.html
19
Wie kann Energie gespart werden?
Energiesparmaßnahmen im Gebäude
Investiv
Nutzerverhalten
Niedrig Investiv
Suffizienz
Licht aus
Fehlfunktionen
Bescheidenheit
Fassade
Fenster zu
Bereitstellungsverluste
Heizung
Computer aus
Verschwendungspotential
etc.
etc.
Potential
Kosten
Fenster
Ca. 0,75 % /a
Ca. 0,25 % /a
>10 % nach 5 Jahren
Personalgewinnung und
Einarbeitung
20
steigend
MONALIsa - Automatisiertes MONitoring, Alarming und VisuaLIsieren
von Sensordaten der technischen Gebäudeausrüstung zur Erschließung
niedrig investiver Energieeinsparpotenziale
 Aufbau eines Prototypen zur automatisierten und
musterbasierten Auswertung von Sensordaten aus dem
Energie- und Gebäudemanagement
 Herausforderung: Erkennung von ungewöhnlichen
Systemzuständen vom Normalzustand
 Prototyp besteht aus 3 Komponenten:
 Aufbau einer Big Data – Architektur zur Erfassung
und Aufbereitung des Datenstroms
 Analyse der Sensordaten (Statistik, Data Mining,
Zeitreihenanalyse etc.)
 Visualisierung der gefundene Muster
 Datenbasis: Sensordaten aus zwei Gebäuden
Umweltbundesamt + Bundesministerium für Gesundheit
21
MONALIsa – Objekte des Projektes
Umweltbundesamt
Bundesministerium
für Gesundheit
 Baujahr Fertigstellung 2005
 Baujahr Fertigstellung 2007
 40.000 qm Bruttogeschossfläche
 17.000 qm Bruttogeschossfläche
 ca. 900 Beschäftigte
 ca. 400 Beschäftigte
http://www.umweltbundesamt.de/das-uba/wer-wir-sind/leitbild/umweltleitlinien
http://pinkarchitektur.de/index.php?id=16&tx_ttnews%5Btt_news%5D=22&cHash=ab5e324b2556ab47748f38784f990668
22
BIG DATA IN DER
IMMOBILIENWIRTSCHAFT
Dr. Dirk Hecker
Der Microsoft Campus in Redmond, Washington
“Give me a little data and I’ll
tell you a little,” he says. “Give
me a lot of data and I’ll save
the world.”
http://www.news.ucsb.edu/2015/014783/city-future
24
Der Microsoft Campus in Redmond, Washington

Redmond, Washington, Campus mit 125
Gebäuden, 40.000 Mitarbeiter

1986, gestartet mit 4 Gebäuden, danach mehr
oder weniger unkoordiniertes Wachstum.

„Die Gebäude können nicht miteinander
sprechen, und auch nicht zu einer Zentrale“.

Ab 2008 Aufbau eines zentralen
Gebäudemanagements. Gesamtbetriebskosten
2008: 60 M$.

> 30.000 Systemkomponenten, > 2.000.000
Sensorpunkte, 500.000.000 Datentransaktionen
pro Tag.

2 Millionen kWh pro Tag im Schnitt

Kooperation mit 3 Facility Management
Anbietern. Analytische Ebene zur
Fehlererkennung und Diagnose on top wurde
selbst entwickelt

Erfolg: 20% Einsparung an Energiekosten im Jahr
maps.google.de
http://www.microsoft.com/presspass/images/press/2006/02-09campus-map_med.jpg
25
Bloomberg‘s „Transparenzoffensive“ Immobilien
Michael Bloomberg, Mayor NYC, Eigentümer der Finanzdaten-Agentur Bloomberg
L.P., 27 Mrd$ Vermögen:
„In God we trust. Everyone else, bring data.“

June 2012: Reis Commercial Real Estate Data Available to Bloomberg Users

Sept. 2013: Zillow Real Estate Market Data Now Available to Bloomberg
Subscribers
26
… und New York City geht selbst voran
 Bloomberg selbst stellt “seine” Immobilien-Daten
über NYC online und macht sie für Makler,
Entwickler und Immobilienunternehmen einfach
recherchierbar.
 Bloomberg schuf 2009 in der Stadtverwaltung die
Stelle eines „Chief Data Analy tics Officer“.
 Er besetzte die Stelle mit Michael Flow ers : „It‘s all
about cross-checking with whatever intelligence you
can collect. If I´m in construction, I want to gather as
much as I can about where I can build.“

Bei Einleitung einer Zwangsvollstreckung erfolgen
Prüfungen der Gebäude auf mögliche Verletzung von
Gesundheit und Sicherheit.

Der Gebäudebestand wird aufgrund von dieser und
weiterer Priorisierungen gezielter zu Inspektionen
aufgesucht. Wesentlich häufiger werden Hochrisikofälle
entdeckt.
27
Battle of the Buildings
 Zur Unterstützung des Klima Aktionsplans von Präsident Obama die
Energieeffizienz um 20% bis zum Jahre
2020 zu steigern
 Wettbewerb seit 2009
 Teilnahme aller Gebäude, außer
Privathäusern
 Teilnehmer benötigen zur Teilnahme
Minimum 1 Jahr an historischen Daten
 Begleitung des Wettbewerbs durch
Workshops
 Maßstab ist größte Reduzierung der
verbrauchten Energie
 2014: 5.500 Gebäude und 112 Teams
http://www.energystar.gov/battleofthebuidlings
28
https://www.whitehouse.gov/blog/2014/07/10/competitors-team-power-down-year-s-energy-star-battle-buildings
Battle of the Buildings – Biggest Loosers
http://www.energystar.gov/battleofthebuidlings
29
The Building Genome Project
 Ziel: Gewinnung eines tieferen
Verständnis des Energieverbrauchs von
Gebäuden
 Methodik: Statistische Analyse und
Data Mining auf Daten aus der
Gebäudeleittechnik
 Verwendung von öffentlich
verfügbaren Daten
 „Was wäre wenn“ – Fragestellungen
 Kombinierte Anwendung von Big Data
Analytics Techniken und entwickelter
Software
 Verwendung der Retroficiency's
Building Efficiency Intelligence (BEI)
Plattform
http://www.retroficiency.com/
30
The Building Genome Project – New York
 New York City war die erste
Stadt, die im Rahmen des
Projektes analysiert wurde
 Daten: öffentlich verfügbare
Daten von 30.000 Gebäuden
mit jeweils über 50qm,
verteilt über alle Stadtteile
 Es konnten Einsparungen der
Energie in Höhe von $382
Millionen Dollar ermittelt
werden
http://www.retroficiency.com/
31
Bewertung der Standortqualität
http://www.blockavenue.com/
32
Realogy’s Partnerschaft mit Meredith Corp
 2007 erhielt Realogy von dem Medienhaus Meredith eine
Lizenz, unter dem Label ihrer Zeitschrift “Better Homes
and Gardens” ein neues nationales Maklerbüro zu
eröffnen
 Realogy’s Better Homes and Gardens Real Estate
brokerages.
 Der neue Makler erhielt im Gegenzug Zugang zu
Meredith’s Daten von ca 100 Mio Kunden mit jeweils 800
Attributen.
 Perriello explains: “If someone in that database is asking
about cooking, the photo of a house for sale that I send
that person isn’t of the front of the house. It’s of the
kitchen. At the company level, it can make your
marketing and prospecting efforts far more efficient.”
33
http://www.bhg.com/
HERZLICHEN DANK
Dr. Dirk Hecker
Welche Fragestellungen sind zu beantworten
Fraunhofer-Institut
 Welche Use CasesIAIS
sollen behandelt werden?
Schloss
 Pro Use
Birlinghoven
Case Aufnahme der Datenlandschaften
53757
 Sankt
Welche
Augustin
Datenquellen liegen vor?
 Mit welchen Inhalten?
www.iais.fraunhofer.de
 In welcher Form? (strukturiert, unstrukturiert)
 Mit welchen Rechten (Daten-Owner)?
 Müssen noch Metadaten erschlossen werden?
 Welche Fragestellungen sollen beantwortet werden?
Kontakt:
Daniel Schulz
Projektleitung – Knowledge Discovery
Tel:
02241-14 2401
Email: [email protected]
Dr. Dirk Hecker
Disclaimer
Copyright © by
Fraunhofer-Gesellschaft
Hansastraße 27 c
80686 München
Copyright © by
Fraunhofer Gesellschaft
Hansastraße 27 c
80686 München
All rights reserved.
Alle Rechte vorbehalten.
All copyright for this presentation is owned in full by the FraunhoferGesellschaft.
Die Urheberrechte dieser Präsentation liegen vollständig bei der
Fraunhofer Gesellschaft.
Image copyrights remain with the respected owner. Images provided by
Fraunhofer-Gesellschaft (Source: Fraunhofer) may be used for
editorial purpose only. There is no charge for its use, provided the
source reference is given and two free copies of the publication are
sent to Fraunhofer-Gesellschaft in Munich. Graphical alterations to
the photo – except for highlighting the main motif – are not
permitted.
Bildrechte verbleiben bei ihren Urhebern. Bildmaterial der Fraunhofer
Gesellschaft (Quelle: Fraunhofer) kann für journalistische Zwecke
genutzt werden, sofern ein Verweis auf den Urheber erfolgt sowie 2
kostenlose Belegexemplare an die Fraunhofer Gesellschaft
zugesandt werden.
It is hereby expressly ONLY permitted to copy, print, and distribute these
presentation in full, slides or part of slides as well as the attached
content for personal purposes.
The presentation and content provided herein may only be used for
informational purposes and adheres to the context in which this
document (digital print-out) has been provided in or named in the
respected email this presentation material was attached to. If no
distinct purpose is given in any of the sources, this presentation
material may be considered for personal use only. These
presentation in part or full may not be used for commercial
purposes. Each copy (this also applies to excerpts) must apply to the
named usage purpose and must include the above mentioned proof
of copyright.
Ein Kopieren, Weiterversandt oder Ausdruck dieser Veröffentlichung ist
ausschließlich für den persönlichen Gebrauch gestattet. Alle darüber
hinaus gehenden Verwendungen, insbesondere die kommerzielle
Nutzung und Verbreitung, sind grundsätzlich nicht gestattet und
bedürfen der schriftlichen Genehmigung.
Die Nutzung dieses Dokumentes ist nur im Rahmen der intendierten
Verwendung statthaft, die beim Übersandt in der eMail oder in
einem Anschreiben explizit genannt sind. Für den Fall, dass keine
Nutzungsbedingungen expliziert sind, gilt diese Präsentation als
vertrauliches Material und darf nur für den Eigengebrauch
verwendet warden.
Verantwortlich/ Kontakt:
Daniel Schulz, [email protected]
Responsible and contact person:
Daniel Schulz, [email protected]
36

Daniel Schulz, Fraunhofer IAIS - GLT

Transcrição

Documentos relacionados

Zusammenfassung

Sonntag - Lotter metall

MONTAGE VON MIKROOPTIKEN FÜR MOBILE DVD

Programm Fachforum

Reporting - Investment Controlling

Einführung in das wissenschaftliche Arbeiten

SEPA-Basislastschrift-Mandat für wiederkehrende Zahlungen

Flyer zur Tagung »Ressource Holz« 2016 inkl. Anmeldeunterlagen

Plattensalat - bluesimon.at

Lackieranlage