EP2810192A2 - Bearbeitung einer datenmenge - Google Patents

Bearbeitung einer datenmenge

Info

Publication number
EP2810192A2
EP2810192A2 EP13716973.6A EP13716973A EP2810192A2 EP 2810192 A2 EP2810192 A2 EP 2810192A2 EP 13716973 A EP13716973 A EP 13716973A EP 2810192 A2 EP2810192 A2 EP 2810192A2
Authority
EP
European Patent Office
Prior art keywords
search pattern
data
query
search
pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
EP13716973.6A
Other languages
English (en)
French (fr)
Inventor
Holger Last
Christof STÖRMANN
Stefan Hagen Weber
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP2810192A2 publication Critical patent/EP2810192A2/de
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2425—Iterative querying; Query formulation based on the results of a preceding query
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2428—Query predicate definition using graphical user interfaces, including menus and forms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to a method and a device and a system for processing a (large) amount of data, in particular for finding at least one hit in the dataset.
  • Information technologies produce with progressive
  • Data mining refers to the systematic application of methods that are usually statically ⁇ -mathematically justified, to a database with the aim of recognizing new patterns. This is also about processing large amounts of data (which no longer could be processed manually), for which efficient metho ⁇ needed whose time complexity makes for such Since ⁇ tenmengen suitable. The methods are also used for smaller amounts of data.
  • KDD Knowledge Discovery in Databases
  • an algorithm for anomaly detection requires in advance a definition of normal behavior or the provision of normal data by the user.
  • This approach is also called "supervised machine learning ': means (such as monitoring ⁇ tes machine learning) or” Active Learning “(active Ler ⁇ NEN).
  • supervised machine learning means (such as monitoring ⁇ tes machine learning) or” Active Learning "(active Ler ⁇ NEN).
  • Visual Analytics (VA) is known as a interdisziplinä ⁇ rer approach that combines the advantages of different research areas. The goal of Visual Analytics
  • the method is to gain insights from large and complex data sets .
  • the approach combines the power of automatic data analysis with human capabilities, quickly capture patterns or trends visually. By qualified ⁇ designated mechanisms of interaction data can visually explored and findings obtained (see:
  • VA systems The interaction on the graphical representation of known VA systems consists essentially of selecting interesting patterns that already exist in the data. Here the user is limited to already existing patterns. A further flexibility is it not ge ⁇ endures.
  • the object of the invention is to avoid the above-ge ⁇ called disadvantages and in particular to provide an efficient way to search for information in large data sets.
  • a method for processing a data set, in particular for searching hits in a large amount of data,
  • This approach enables automatic pattern recognition based on an interactive visual query.
  • the user can select an existing pattern or create or modify a search pattern on existing data, or create a template without a template and adapt it to his liking.
  • the graphical search pattern provides the user with easy access to complex query structures, which he can easily capture and modify.
  • the graphic patterns are translated into the at least one query and applied to the dataset; This way, hits based on the graphic search pattern are found.
  • the creation of the search pattern may also include a modification of existing data or an existing search pattern.
  • One development is that the pattern is created through a gra ⁇ phical user interface.
  • the graphical user interface may for example include a graphi ⁇ rule editor.
  • the search pattern is created by means of a two- or three-dimensional scanner and / or by means of at least one camera.
  • movement or interaction of the user with the machine can be recorded and converted into a suitable Modifi ⁇ cation of the search pattern.
  • the user can virtually model data by means of a camera and / or by means of a scanner and thus adapt the graphic search pattern according to his ideas.
  • the search pattern is created based on data of the data set or on other data and / or based on at least one other search pattern.
  • search pattern is converted into at least one query by the graphical representation of the search pattern in rules, conditions
  • the method is used iteratively with the search pattern in each iteration step ⁇ created (for example, varied).
  • the query is applied to a dataset and at least one hit in the dataset is determined.
  • the matching results may have a predetermined similarity, for example, a minimum level of similarity with the Suchmus ⁇ ter.
  • the pre-admit ⁇ ne action at least one message, display and / or alarms includes optimization.
  • an automated alerting may occur in the detection of certain trends and constellations for detecting malfunctions of a network, or the like.
  • An embodiment is that the query is applied to a data ⁇ amount and the best match the search pattern matches are determined.
  • the search pattern is converted into at least one query, wherein the search pattern is scaled and / or normalized.
  • the normalization may include a compression and / or extension of the time interval.
  • a next embodiment is that properties of the search pattern are extracted, wherein these extracted properties are at least partially represented as variable parameters.
  • search pattern and / or the query is used as a target function for a machine learning method.
  • the search pattern can be used to search for similar patterns, to mark areas (clusters) in the data set (or a part thereof).
  • the search pattern is convertible into at least one query
  • the query is applicable to a dataset.
  • the above object is achieved by means of a system ⁇ at least one such device.
  • the statements made above concerning the method also apply correspondingly to the device and the system.
  • the presented solution further comprises a Computerpro ⁇ program product, directly loadable into a memory of a digital computer, comprising program code portions which are suitable to carry out steps of the method described herein.
  • a computer-readable storage medium e.g. any memory comprising computer-executable instructions (e.g., in the form of program code) adapted for the computer to perform steps of the method described herein.
  • FIG. 1A shows an amount of data indicating, over a time axis, a total power output in megawatt hours (MWh) with a section;
  • Fig.lB the detail of Fig.lA
  • Fig. 1C is a graphical search pattern modified by the user by means of a graphical interface, eg an editor
  • 2 shows a schematic flow diagram with steps of the method presented here.
  • the present approach proposes, based on similar patterns from existing data or according to one's own specifications, a search pattern, e.g. through an editing process.
  • This is preferably a graphical search pattern that is processed and / or created, for example, via a graphical editor.
  • the specific (edited or adapted) search pattern may (but need not) be identical to the data that the user wants to find in a data set (that is, a variety of data, also referred to as a database).
  • the user has the ability to define a subset of existing data by graphical editing (e.g., by dragging a frame).
  • the search pattern is preferably a graphic pattern that is entered or modified eg via a graphic editor, by means of data points and / or in the form of a freehand drawing. Accordingly, different input ⁇ possibilities can be realized: Thus, the graphical muscle can ter also be drawn on a sheet and digitized. Two- or higher-dimensional patterns are possible and can be used by the user to make their own search in the data volume more efficient.
  • the search pattern is inputted from the user ⁇ Be and / or modified and stored. Such a stored search pattern may be used repeatedly or further modified.
  • the pattern input may be the graphical editor, a graphical user interface, a two- or three-dimensional scanner, a camera, or the like. act.
  • the search pattern can be used to track or achieve at least one of the following goals:
  • a measure of a match between search pattern and found data may be determined and output;
  • the hits in the data can be displayed sorted according to their match (ie the measure).
  • a representative possible search pattern ⁇ true be by the search pattern is normalized au ⁇ tomatinstrument reference to the amount of data to increase the frequency of hits within the dataset.
  • Such Normie ⁇ tion may comprise, for example, a compression and / or extension of the time interval.
  • Certain properties of the search pattern can be extra ⁇ hiert. These extracted features extend the interface between the machine and the Benut ⁇ zer. The user can change as the characteristics of the pattern (graphical) and gets a Aktuali ⁇ tion of results displayed.
  • Search pattern can be used as an objective function for machine
  • the search pattern can be used to search for similar patterns, to mark areas (clusters) in an existing data set. 5.
  • the search pattern can be used in surveillance applications (as machine breacheses search ⁇ pattern for example). For example, an automated alerting he ⁇ follow in identifying certain trends and constellations to detect malfunctions of a network, oa
  • An exemplary question could be: "When and where can solar energy displace existing nuclear energy?"
  • Fig.lA shows a section of the data set, which gives the provided total power in MWh over a time axis ⁇ . Shown in FIG. 1A are the following forms of energy:
  • Wind power 110 The user himself can graphically determine a suitable search pattern. Alternatively, the user selects a section 109 from the diagram shown in Fig.lA. This section 109 is shown again in Fig.lB for illustrative purposes. The section 109 thus corresponds to a sample of the amount of data which serves as a starting basis for the search pattern.
  • Figure IC shows a search pattern that is graphically displayed by the user, e.g. with an editor, has been modified.
  • the statement associated with the search pattern reads: "Solar energy 108 displaces nuclear power 102".
  • This search pattern can now be used to find in the dataset results that correspond to the statement described above (with a prescribed minimum similarity), and thus the aforementioned exemplary question beantwor ⁇ th.
  • the aforementioned exemplary question beantwor ⁇ th can be found not only hits that with the search pattern are identical, but it can also such partial data are identified as hits having a predetermined minimum similarity with the search pattern.
  • FIG. 2 shows a schematic flow diagram with steps of the method presented here.
  • a search pattern is created, for example ba ⁇ sierend on existing data or existing search patterns.
  • the search pattern can also be created without a template.
  • the creation may involve a modification or rebuilding.
  • a graphical user interface or a graphical input medium can be used for this purpose.
  • the search pattern is converted to its query in at least one, and in step 203, the Minim ⁇ is applied later than a query on the amount of data.
  • the hit (s) - possibly prioritized - can be output in a next step. Subsequently, to step 201 branches back to ⁇ .
  • a step 204 it is determined whether (at least) one hit was found in the dataset.
  • a hit can be part of the dataset that has a given (minimum) similarity to the search pattern. If this is the case, a predetermined action is performed in step 205, e.g. an alarm is triggered. Subsequently, it is possible to branch back to step 203 or, as shown in FIG. 2, to step 201.
  • step 204 If no hit is determined in step 204, then it is possible to branch to step 203.
  • the interactive search suggested here can be used in conjunction with a visual analytics system.
  • a From ⁇ running can thereby example look like this, or at least ⁇ comprise a portion of the following:
  • evaluation of data and presentation of results Interaction with the evaluation / representation of the data.
  • the data are based on the amount of data (Datenba ⁇ sis) or on existing search patterns.
  • search pattern eg by means of graphical input.
  • the search pattern can be entered via any graphical user interface.
  • rules are defined, which are implemented in the form of a query by the machine, for example.
  • the data or the search patterns are displayed in an appropriate form. The user can receive different interaction possibilities, eg for selecting, for changing the search pattern, for drawing new search patterns.
  • the pattern is machine translated into information ( "translated") / the search pattern beschrei ⁇ ben. This information is used to perform a machine search.
  • a similarity measure is selected which allows data similar to the search pattern to be found in the dataset. Examples of similarity measures are: Pearson coefficient, cosine similarity, etc.
  • the similarities are calculated (eg distances between search pattern and data volume data).
  • the N most similar hits can be grouped.
  • the hits are sorted according to their quality (eg similarity); For example, the best matches will be displayed first.
  • a threshold value (alarm value) can be specified.
  • a distribution of the found similar hits is calculated. Processing the results a) The hits (patterns) are displayed. b) Optionally, the groups (clusters) of the hits can be displayed. c) A distribution of the hits found in the relevant or in given dimensions is displayed. d) A ranking of the hits can be displayed as a heatmap, optionally using one color scale per grouping.
  • a heat map (English for "heat map") is a diagram for the visualization of data whose dependent values of a two-dimensional definition set are represented as colors. Its purpose is to capture significant values quickly and intuitively in a large amount of data (compare:
  • One advantage is the improved ability to interact Zvi ⁇ rule the user and the system.
  • the user has the option of determining a search query for a large amount of data using a visual search pattern.
  • This allows a flexible way the implemen ⁇ tation of a "visual request", which is automatically converted from the machine into a query for the amount of data.
  • the user can flexibly intuitively determine his ideas for the search request, whereby, for example, a powerful search tool is provided by the visual two-dimensional or three-dimensional (possibly also colored) description of the search pattern.
  • the presented approach is suitable for a large number of applications, eg the monitoring of large amounts of data, the alarm when complex scenarios occur or before they actually occur.
  • the alarm when complex scenarios occur or before they actually occur.
  • the search patterns may be space-time data of a geo-database.
  • the search patterns may be space-time data of a geo-database.
  • it is proposed to find at least one hit in a large amount of data based on a graphical search pattern, wherein the graphical search pattern is recreated or modified by a user, preferably via a graphical interface.
  • the user can intuitively implement complex searches and specifically use a graphical representation of properties and / or relationships for the search.
  • the invention can be used for example in data mining, in the monitoring of conditions or in automated alerting.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Es wird vorgeschlagen, mindestens einen Treffer in einer großen Datenmenge anhand eines graphischen Suchmusters zu finden, wobei das graphische Suchmuster von einem Benutzer vorzugsweise über eine graphische Schnittstelle neu erstellt oder modifiziert wird. Hierbei ist es von Vorteil, dass der Benutzer intuitiv komplexe Suchen umsetzen kann und eine graphische Darstellung von Eigenschaften und/oder Zusammenhängen für die Suche gezielt nutzen kann. Die Erfindung kann beispielsweise im Data-Mining, bei der Überwachung von Zuständen oder bei der automatisierten Alarmierung eingesetzt werden.

Description

Beschreibung
Bearbeitung einer Datenmenge Die Erfindung betrifft ein Verfahren sowie eine Vorrichtung und ein System zur Bearbeitung einer (großen) Datenmenge, insbesondere zum Auffinden mindestens eines Treffers in der Datenmenge . Informationstechnologien produzieren mit fortschreitender
Durchdringung der Gesellschaft eine beachtliche Flut von Da¬ ten und Informationen. Eine wachsende Herausforderung ist es, das Wissen in diesen Daten für unterschiedliche Anwendungen nutzbar zu machen.
Unter Data-Mining (der englische Begriff bedeutet etwa "aus einem Datenberg etwas Wertvolles extrahieren") versteht man die systematische Anwendung von Methoden, die meist statis¬ tisch-mathematisch begründet sind, auf einen Datenbestand mit dem Ziel, neue Muster zu erkennen. Hierbei geht es auch um die Verarbeitung sehr großer Datenbestände (die nicht mehr manuell verarbeitet werden könnten) , wofür effiziente Metho¬ den benötigt werden, deren Zeitkomplexität sie für solche Da¬ tenmengen geeignet macht. Die Methoden finden aber auch für kleinere Datenmengen Anwendung. In der Praxis, vor allem im deutschen Sprachgebrauch, etablierte sich der angelsächsische Begriff "Data-Mining" für den gesamten Prozess der so genannten "Knowledge Discovery in Databases" (Wissensentdeckung in Datenbanken; KDD) , der auch Schritte wie die Vorverarbeitung beinhaltet (vergleiche: http://de.wikipedia.org/wiki/Data- Mining) .
In der Praxis erweckt Data-Mining oft falsche Erwartungen, wonach sich "interessantes Wissens" automatisch - also ohne wesentlichen Beitrag des Benutzers - extrahieren lassen sollte. Dieser Ansatz wird auch als "Unsupervised Machine Lear- ning" (etwa: maschinelles Lernen ohne Überwachung) bezeichnet . In den letzten Jahrzehnten wurden mehrere Algorithmen entwickelt, die interessante Teilaspekte aus großen Datenmengen extrahieren können. Jedoch besteht das "interessante Wissen", das automatisch extrahiert werden kann, immer aus relativ einfachen Aspekten wie häufigen Muster, bestimmten Clustern und Strukturen, die in den Daten gesucht (und ggf. gefunden) werden. Die Interpretation und Bewertung der Güte des algorithmisch extrahierten Wissens liegt beim Benutzer.
Ferner ist eine Interaktion mit dem Benutzer nötig. Beispielsweise erfordert ein Algorithmus zur Anomalie-Erkennung vorab eine Definition von normalem Verhalten oder die Bereitstellung von normalen Daten durch den Benutzer. Dieser Ansatz wird auch als "Supervised Machine Learning" (etwa: überwach¬ tes maschinelles Lernen) oder "Active Learning" (aktives Ler¬ nen) bezeichnet. Je komplexer die Fragenstellungen an ein Da- ta-Mining System sind, umso ausführlicher gestaltet sich die Interaktion mit dem Benutzer.
Hierbei besteht das Problem einer geeigneten Kommunikations¬ möglichkeit zwischen dem Benutzer und der Maschine, z.B. in Form einer vorteilhaften Mensch-Maschine-Schnittstelle. Dies liegt daran, dass zwischen der maschinell extrahierten Information und dem für den Menschen Brauchbaren eine große Diskrepanz besteht: Beispielsweise ist es erforderlich, Mo¬ dellparameter interaktiv zu beeinflussen, um sukzessive den Anteil nutzbaren Wissens zu maximieren. Gerade große Daten- mengen mit komplexen Zusammenhängen stellen hierbei erhebliche Anforderungen an die Leistungsfähigkeit des Systems.
"Visual Analytics" (VA) ist bekannt als ein interdisziplinä¬ rer Ansatz, der die Vorteile aus unterschiedlichen For- schungsgebieten verbindet. Das Ziel der Visual Analytics-
Methode ist es, Erkenntnisse aus großen und komplexen Daten¬ sätzen zu gewinnen. Der Ansatz kombiniert die Stärken der automatischen Datenanalyse mit den Fähigkeiten des Menschen, schnell Muster oder Trends visuell zu erfassen. Durch geeig¬ nete Interaktionsmechanismen können Daten visuell exploriert und Erkenntnisse gewonnen werden (vergleiche:
http : //de . wikipedia . org/wiki/Visual_Analytics ) .
Die Interaktion auf der graphischen Darstellung bekannter VA Systeme besteht im Wesentlichen aus einem Selektieren interessanter Mustern, die in den Daten bereits vorhanden sind. Hierbei ist der Nutzer auf bereits existierende Muster be- schränkt. Eine weitergehende Flexibilität wird ihm nicht ge¬ währt .
Die Aufgabe der Erfindung besteht darin, die vorstehend ge¬ nannten Nachteile zu vermeiden und insbesondere eine effi- ziente Möglichkeit für die Suche nach Informationen in großen Datenmengen zu schaffen.
Diese Aufgabe wird gemäß den Merkmalen der unabhängigen Ansprüche gelöst. Bevorzugte Ausführungsformen sind insbesonde- re den abhängigen Ansprüchen entnehmbar.
Zur Lösung der Aufgabe wird ein Verfahren angegeben zur Bearbeitung einer Datenmenge, insbesondere zur Suche von Treffern in einer großen Datenmenge,
- bei dem ein graphisches Suchmuster erstellt wird,
- bei dem das Suchmuster in mindestens eine Abfrage um¬ gewandelt wird,
- bei dem die Abfrage auf eine Datenmenge angewandt
wird .
Dieser Ansatz ermöglicht eine automatische Mustererkennung basierend auf einer interaktiv erstellten, visuellen Suchanfrage. Somit kann der Benutzer als Suchmuster ein existierendes Muster selektieren oder ein Suchmuster auf existierenden Daten erstellen bzw. modifizieren oder aber ein Suchmuster ohne Vorlage zu erstellen und nach seinen Vorstellungen zu adaptieren. Das graphische Suchmuster schafft für den Benutzer einen einfachen Zugang zu komplexen Abfragestrukturen, die er leicht erfassen und modifizieren kann. Die graphischen Muster werden in die mindestens eine Abfrage übersetzt und auf die Datenmenge angewandt; so werden Treffer gefunden, die auf dem graphischen Suchmuster basieren.
Hierbei sei angemerkt, dass die Erstellung des Suchmusters auch eine Modifikation bestehender Daten oder eines bereits vorhandenen Suchmusters umfassen kann. Eine Weiterbildung ist es, dass das Suchmuster über eine gra¬ phische Benutzerschnittstelle erstellt wird.
Die graphische Benutzerschnittstelle kann z.B. einen graphi¬ schen Editor umfassen.
Eine andere Weiterbildung ist es, dass das Suchmuster mittels eines zwei- oder dreidimensionalen Scanners und/oder mittels mindestens einer Kamera erstellt wird. Beispielsweise können Bewegungen oder Interaktionen des Benutzers mit der Maschine erfasst und geeignet in eine Modifi¬ kation des Suchmusters umgesetzt werden. So kann der Benutzer mittels einer Kamera und/oder mittels eines Scanners Daten virtuell modellieren und so das graphische Suchmuster seinen Vorstellungen entsprechend anpassen.
Insbesondere ist es eine Weiterbildung, dass das Suchmuster basierend auf Daten der Datenmenge oder auf anderen Daten und/oder basierend auf mindestens einem anderen Suchmuster erstellt wird.
Auch ist es eine Weiterbildung, dass das Suchmuster in mindestens eine Abfrage umgewandelt wird, indem die graphische Repräsentation des Suchmusters in Regeln, Bedingungen
und/oder Zustände konvertiert wird. Ferner ist es eine Weiterbildung, dass das Verfahren iterativ eingesetzt wird, wobei das Suchmuster in jedem Iterations¬ schritt erstellt (z.B. verändert) wird. Im Rahmen einer zusätzlichen Weiterbildung wird die Abfrage auf eine Datenmenge angewandt und mindestens ein Treffer in der Datenmenge bestimmt.
Hierbei ist es eine Weiterbildung, dass die Abfrage auf eine Datenmenge angewandt wird und eine vorgegebene Aktion ausge¬ führt wird, wenn ein mit dem Suchmuster übereinstimmende Treffer ermittelt wurde.
Der übereinstimmende Treffer kann eine vorgegebene Ähnlich- keit, z.B. ein Mindestmaß einer Ähnlichkeit mit dem Suchmus¬ ter, aufweisen.
Eine nächste Weiterbildung besteht darin, dass die vorgegebe¬ ne Aktion mindestens einen Mitteilung, Anzeige und/oder Alar- mierung umfasst.
Somit kann die vorgestellte Lösung für automatisierte Überwa¬ chungs-Anwendungen eingesetzt werden. Beispielsweise kann eine automatisierte Alarmierung erfolgen bei der Erkennung be- stimmter Trends und Konstellationen zur Aufdeckung von Fehlfunktionen eines Netzes, o.ä.
Eine Ausgestaltung ist es, dass die Abfrage auf eine Daten¬ menge angewandt wird und die am besten mit dem Suchmuster übereinstimmenden Treffer bestimmt werden.
Hierzu ist es eine Weiterbildung, dass die Treffer in einer vorgegebenen Reihenfolge, insbesondere entsprechend einer Gü¬ te der Übereinstimmung mit dem Suchmuster, dargestellt oder referenziert werden. Eine alternative Ausführungsform besteht darin, dass das Suchmuster in mindestens eine Abfrage umgewandelt wird, wobei das das Suchmuster skaliert und/oder normiert wird. Die Normierung kann eine Stauchung und/oder Streckung des Zeitintervalls umfassen.
Eine nächste Ausgestaltung ist es, dass Eigenschaften des Suchmusters extrahiert werden, wobei diese extrahierten Ei- genschaften zumindest teilweise als veränderbare Parameter dargestellt werden.
Diese extrahierten Eigenschaften erweitern die Schnittstelle zwischen der Maschine und dem Benutzer. Der Benutzer kann z.B. die Eigenschaften des Suchmusters (graphisch) verändern und bekommt (z.B. nach Durchlauf der Suche) eine Aktualisie¬ rung der Treffer angezeigt.
Auch ist es eine Ausgestaltung, dass das Suchmuster und/oder die Abfrage als Zielfunktion für ein maschinelles Lernverfahren eingesetzt wird.
Beispielsweise kann das Suchmuster zur Suche von ähnlichen Mustern, zur Markierung von Bereichen (Clustern) in der Da- tenmenge (oder einem Teil davon) eingesetzt werden.
Zusätzlich wird die vorstehende Aufgabe gelöst mittels einer Vorrichtung zur Bearbeitung einer Datenmenge mit einer Verarbeitungseinheit, die derart eingerichtet ist, dass
- ein graphisches Suchmuster erstellbar ist,
- das Suchmuster in mindestens eine Abfrage umwandelbar ist,
- die Abfrage auf eine Datenmenge anwendbar ist. Auch wird die obige Aufgabe gelöst mittels eines Systems um¬ fassend mindestens eine solche Vorrichtung. Die vorstehend gemachten Ausführungen betreffend das Verfahren gelten entsprechend auch für die Vorrichtung sowie das System. Die hier vorgestellte Lösung umfasst ferner ein Computerpro¬ grammprodukt, das direkt in einen Speicher eines digitalen Computers ladbar ist, umfassend Programmcodeteile, die dazu geeignet sind, Schritte des hier beschriebenen Verfahrens durchzuführen .
Weiterhin wird das oben genannte Problem gelöst mittels eines computerlesbaren Speichermediums, z.B. eines beliebigen Speichers, umfassend von einem Computer ausführbare Anweisungen (z.B. in Form von Programmcode), die dazu geeignet sind, dass der Computer Schritte des hier beschriebenen Verfahrens durchführt .
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden schematischen Beschreibung von Ausführungsbeispielen, die im Zusammenhang mit den Zeichnungen näher erläutert werden. Dabei können zur Übersichtlichkeit gleiche oder gleichwirkende Elemente mit gleichen Bezugszei- chen versehen sein.
Es zeigen:
Fig.lA eine Datenmenge, die über einer Zeitachse eine be- reitgestellte Gesamtleistung in Megawattstunden (MWh) angibt mit einem Ausschnitt;
Fig.lB der Ausschnitt aus Fig.lA; Fig. IC ein graphisches Suchmuster, das von dem Benutzer mittels einer graphischen Schnittstelle, z.B. einem Editor, modifiziert wurde; Fig.2 ein schematisches Ablaufdiagramm mit Schritten des hier vorgestellten Verfahrens.
Der vorliegende Ansatz schlägt insbesondere vor, ausgehend von ähnlichen Mustern aus existierenden Daten oder nach eigenen Vorgaben ein Suchmuster, z.B. durch einen Editiervorgang, zu bestimmen.
Dabei handelt es sich vorzugsweise um ein graphisches Such- muster, das beispielsweise über einen graphischen Editor bearbeitet und/oder erstellt wird.
Das so bestimmte (editierte oder angepasste) Suchmuster kann (aber muss nicht) identisch zu den Daten sein, die der Benut- zer in einer Datenmenge (also einer Vielzahl von Daten, auch bezeichnet als Datenbasis) finden möchte.
Im Gegensatz zu bestehenden Systemen hat der Benutzer die Möglichkeit, durch eine graphische Bearbeitung (z.B. durch ein Ziehen eines Rahmens) eine Untermenge von existierenden Daten zu definieren.
Somit ist es möglich, dass der Benutzer ein Suchmuster gezielt nach seinen Vorstellungen generieren und/oder verändern kann. Damit ist er nicht länger darauf angewiesen, dass er genau das Suchmuster, das er anwenden möchte, zuerst in den Daten finden muss bevor er es auf die Datenmenge bzw. auf die weiteren Daten anwenden kann. Das Suchmuster ist vorzugsweise ein graphisches Muster, das z.B. über einen graphischen Editor, mittels Datenpunkten und/oder in Form einer Freihandzeichnung eingegeben oder modifiziert wird. Entsprechend können unterschiedliche Eingabe¬ möglichkeiten realisiert werden: So kann das graphische Mus- ter auch auf einem Blatt gezeichnet und digitalisiert werden. Zwei- oder höherdimensionale Muster sind möglich und können von dem Benutzer eingesetzt werden, die eigene Suche in der Datenmenge effizienter zu gestalten. Mittels einer Muster-Eingabe wird das Suchmuster von dem Be¬ nutzer eingegeben und/oder modifiziert und abgespeichert. Ein solches gespeichertes Suchmuster kann wiederholt verwendet oder weiter modifiziert werden.
Bei der Muster-Eingabe kann es sich um den graphischen Editor, eine graphische Benutzeroberfläche, einen zwei- oder dreidimensionalen Scanner, eine Kamera, o.a. handeln.
Mit dem Suchmuster kann mindestens eines der folgenden Ziele verfolgt bzw. erreicht werden:
1. Es kann eine Eingrenzung (Drilldown) auf Daten, die
gleich dem Suchmuster sind oder die eine vorgegebene Ähnlichkeit zu dem Suchmuster aufweisen, erfolgen. Beispielsweise kann ein Maß für eine Übereinstimmung zwischen Suchmuster und gefundenen Daten bestimmt und ausgegeben werden; vorzugsweise können die Treffer in den Daten entsprechend ihrer Übereinstimmung (also dem Maß) sortiert angezeigt werden.
2. Es wird ein möglichst repräsentatives Suchmuster be¬ stimmt, indem an Hand der Datenmenge das Suchmuster au¬ tomatisiert normiert wird, um die Häufigkeit der Treffer innerhalb der Datenmenge zu erhöhen. Eine solche Normie¬ rung kann z.B. eine Stauchung und/oder eine Streckung des Zeitintervalls umfassen.
3. Es können bestimmte Eigenschaften des Suchmusters extra¬ hiert werden. Diese extrahierten Eigenschaften erweitern die Schnittstelle zwischen der Maschine und dem Benut¬ zer. Der Benutzer kann z.B. die Eigenschaften des Suchmusters (graphisch) verändern und bekommt eine Aktuali¬ sierung der Treffer angezeigt.
4. Suchmuster kann als eine Zielfunktion für maschinel
Lernverfahren verwendet werden. Beispielsweise kann das Suchmuster zur Suche von ähnlichen Mustern, zur Markierung von Bereichen (Clustern) in einem bestehenden Datensatz eingesetzt werden. 5. Das Suchmuster kann (z.B. als maschinell gelerntes Such¬ muster) in Überwachungs-Anwendungen eingesetzt werden. Beispielsweise kann eine automatisierte Alarmierung er¬ folgen bei der Erkennung bestimmter Trends und Konstellationen zur Aufdeckung von Fehlfunktionen eines Netzes, o.a.
Beispiel: Interaktive Suche in Energiedaten
Beispielsweise kann zur Analyse bzw. Optimierung nationaler und/oder regionaler Stromerzeugung ein Ausbau von alternativen Energiequellen näher betrachtet werden im Hinblick auf unterschiedliche Optimierungsziele, z.B. Kosten, C02- Emission, o.ä. Die Analyse erfolgt für große Datenmengen, die auch Wetterda¬ ten und Verbraucherdaten für beliebige Standorte enthalten können. Systematische manuelle Suchen wären immens zeitauf- wändig, fehleranfällig und teilweise - sofern (theoretisch) überhaupt durchführbar - jedenfalls nicht praktikabel.
Eine beispielhafte Fragestellung könnte sein: "Wann und wo kann Solarenergie existierende Kernenergie verdrängen?"
Untersucht wird hierbei eine bestimmte Mischung aus Energie- quellen. Spezifische könnte die Frage lauten: "Gibt es in ei¬ ner Region zu irgendeinem Zeitpunkt Konstellationen, wo eine gewünschte Energieform (z.B. Solarenergie) oder ein Mischung mit Solarenergie die Basislast der Energieversorgung beste¬ hend aus Wasserkraft und Atomenergie ersetzen kann?"
Beispielhaft seien die folgenden Energieformen genannt: Solar-, Windenergie, Kernkraft, Biomasse, Öl, Gas, Wasserkraft, Gas-und-Dampf (GuD) , Kohle. -
Ausgehend von der vorstehenden exemplarischen Fragestellung ergibt sich für den Benutzer ein Suchmuster, das graphisch definiert oder in graphischer Form selektiert und gegebenen- falls modifiziert werden kann.
Fig.lA zeigt einen Ausschnitt aus der Datenmenge, die über einer Zeitachse die bereitgestellte Gesamtleistung in MWh an¬ gibt. Gezeigt sind in Fig.lA die folgenden Energieformen:
- Wasserkraft 101,
- Kernkraft 102,
- Öl 103,
- GuD 104,
- Kohle 105,
- Gas 106,
- Biomasse 107,
- Solarenergie 108,
- Windkraft 110. Der Benutzer kann selbst ein geeignetes Suchmuster graphisch bestimmen. Alternativ selektiert der Benutzer einen Ausschnitt 109 aus dem in Fig.lA gezeigten Diagramm. Dieser Ausschnitt 109 ist zur Veranschaulichung nochmals in Fig.lB dargestellt. Der Ausschnitt 109 entspricht somit einer Stichpro- be aus der Datenmenge, die als eine Ausgangsbasis für das Suchmuster dient.
Fig. IC zeigt ein Suchmuster, das von dem Benutzer graphisch, z.B. mit einem Editor, modifiziert wurde. Die mit dem Such- muster verbundene Aussage lautet: "Solarenergie 108 verdrängt Kernkraft 102".
Dieses Suchmuster kann nun verwendet werden, um in der Datenmenge Treffer zu finden, die der oben beschriebenen Aussage (mit einer vorgegebenen Mindest-Ähnlichkeit ) entsprechen und somit die vorstehend genannte beispielhafte Frage beantwor¬ ten. Hierbei können nicht nur Treffer gefunden werden, die mit dem Suchmuster identisch sind, sondern es können auch solche Teildaten als Treffer identifiziert werden, die eine vorgegebene Mindest-Ähnlichkeit mit dem Suchmuster aufweisen.
Fig.2 zeigt ein schematisches Ablaufdiagramm mit Schritten des hier vorgestellten Verfahrens.
In einem Schritt 201 wird ein Suchmuster erstellt, z.B. ba¬ sierend auf vorhandenen Daten oder vorhandenen Suchmustern. Alternativ kann das Suchmuster auch ohne Vorlage erstellt werden. Die Erstellung kann ein Modifizieren oder ein Neuerstellen umfassen. Beispielsweise kann hierfür eine graphische Benutzerschnittstelle oder ein graphisches Eingabemedium genutzt werden. In einem Schritt 202 wird das Suchmuster in mindestens seine Abfrage umgewandelt und in einem Schritt 203 wird die mindes¬ tens eine Abfrage auf die Datenmenge angewandt.
Optional (nicht in Fig.2 dargestellt) kann in einem nächsten Schritt der oder die Treffer - ggf. priorisiert - ausgegeben werden. Anschließend kann zu Schritt 201 rückverzweigt wer¬ den .
In einer Schritt 204 wird festgestellt, ob (mindestens) ein Treffer in der Datenmenge gefunden wurde. Ein Treffer kann ein Teil der Datenmenge sein, der mit dem Suchmuster eine vorgegebene (Mindest- ) Ähnlichkeit aufweist. Ist dies der Fall, so wird in einem Schritt 205 eine vorgegebene Aktion durchgeführt, z.B. ein Alarm ausgelöst. Anschließend kann zu Schritt 203 oder - wie in Fig.2 gezeigt - zu Schritt 201 rückverzweigt werden.
Wird in der Schritt 204 kein Treffer ermittelt, so kann zu Schritt 203 verzweigt werden. Beispielhafter Ablauf / Workflow:
Die hier vorgeschlagene interaktive Suche kann in Verbindung mit einem Visual Analytics System eingesetzt werden. Ein Ab¬ lauf kann dabei beispielhaft wie folgt aussehen bzw. zumin¬ dest einen Teil der folgenden Schritte umfassen:
1. Optional: Auswertung von Daten und Darstellung der Ergebnisse; Interkation mit der Auswertung/Darstellung der Daten. Die Daten basieren auf der Datenmenge (Datenba¬ sis) oder auf bereits existierenden Suchmustern.
2. Definition eines Suchmusters z.B. mittels graphischer Eingabe. Das Suchmuster kann über eine beliebige graphische Benutzerschnittstelle eingegeben werden. Anhand des Suchmusters werden Regeln definiert, die z.B. in Form einer Abfrage von der Maschine umgesetzt werden. Vor¬ zugsweise werden die Daten bzw. das Suchmuster in geeigneter Form angezeigt. Der Benutzer kann unterschiedliche Interaktionsmöglichkeiten erhalten, z.B. zum Selektieren, zum Verändern des Suchmusters, zum Zeichnen neuer Suchmuster .
3. Anfrage an das System basierend auf dem Suchmuster
4. Bearbeitung der Anfrage durch das System: a) Das Suchmuster wird maschinell in Informationen umgesetzt ("übersetzt")/ die das Suchmuster beschrei¬ ben. Diese Informationen werden genutzt, um eine maschinelle Suche durchzuführen. b) Es erfolgt die Auswahl eines Ähnlichkeitsmaßes, das es erlaubt, Daten, die dem Suchmuster ähnlich sind, in der Datenmenge zu finden. Beispiele für Ähnlichkeitsmaße sind: Pearson-Koeffizient , Kosinus- Ähnlichkeit, etc. c) Es werden die Ähnlichkeiten berechnet (z.B. Abstände zwischen Suchmuster und Daten der Datenmenge) . d) Optional können die N ähnlichsten Treffer gruppiert werden . e) Die Treffer werden nach ihrer Güte (z.B. Ähnlichkeit) sortiert; beispielsweise werden die besten Treffer zuerst angezeigt. f) Optional kann ein Schwellwert (Alarmierungswert ) vorgegeben sein. Wenn die Ähnlichkeit den Schwell¬ wert erreicht oder überschreitet kann eine vorgege¬ bene Aktion ausgeführt werden. Auch können mehrere Schwellwerte definiert und geprüft und/oder mit mehreren vorgegebenen Aktionen verknüpft werden. Auf diese Weise ist es möglich, automatisiert einen Alarm auszulösen (oder eine sonstige vorgegeben Aktion einzuleiten) , sofern das Suchmuster mit einer vorgegebenen Güte in den Daten gefunden wurde. g) Es wird eine Verteilung der gefundenen ähnlichen Treffer berechnet. Aufbereitung der Ergebnisse a) Die Treffer (Muster) werden angezeigt. b) Optional können die Gruppen (Cluster) der Treffer angezeigt werden. c) Es wird eine Verteilung der gefundenen Treffer in den relevanten bzw. in vorgegebenen Dimensionen angezeigt . d) Eine Rangfolge der Treffer kann als eine Heatmap angezeigt werden, wobei optional eine Farbskala pro Gruppierung verwendet werden kann. Eine Heatmap (englisch für "Hitzekarte") ist ein Diagramm zur Visualisierung von Daten, deren abhängige Werte einer zweidimensionalen Definitionsmenge als Farben repräsentiert werden. Sie dient dazu in einer großen Datenmenge intuitiv und schnell markante Werte erfassen zu können (vergleiche:
http : //de . wikipedia . org/wiki /Heatmap) .
Weitere Ausgestaltungen und Vorteile:
Ein Vorteil ist die verbesserte Interaktionsfähigkeit zwi¬ schen dem Benutzer und dem System. Durch grundsätzliche Änderungsmöglichkeiten über das übliche Markieren und Eingrenzen hinaus erhält der Benutzer die Möglichkeit, eine Suchanfrage auf eine große Datenmenge mittels eines visuellen Suchmusters zu bestimmen. Dies ermöglicht auf flexible Art die Implemen¬ tierung einer "visuellen Anfrage", die von der Maschine automatisch in eine Abfrage für die Datenmenge umgewandelt wird. Somit kann der Benutzer flexibel intuitiv seine Vorstellungen für die Suchanfrage bestimmen, wobei z.B. durch die visuelle zwei- oder dreidimensionale (ggf. auch farbige) Beschreibung des Suchmusters ein mächtiges Suchwerkzeug bereitgestellt wird .
Dies hat wiederum den Vorteil, dass der Benutzer das Suchmus¬ ter besser auf seine Anforderungen ausrichten kann und somit weniger Iterationen für die Suche nach den gewünschten Daten in der großen Datenmenge anfallen.
Insbesondere können bestimmte Muster, die nur andeutungsweise oder gar nicht in den Daten vorkommen, bestimmt werden. Durch die Suche nach Daten, die zu dem Suchmuster ähnlich sind, kann gewährleistet werden, dass vielversprechende Treffer ge- funden werden.
Der vorgestellte Ansatz eignet sich für eine Vielzahl von Anwendungen, z.B. die Überwachung großer Datenmengen, die Alar- mierung bei Eintreten komplexer Szenarien bzw. vor deren tatsächlichen Eintreten. So ist es z.B. möglich, im Rahmen des Energie-System-Designs in einer Echtzeit-Überwachung Suchmus¬ ter zu definieren, die nur in Extremsituationen, z.B. kurz vor einem Blackout im Strom-Verteilungsnetz vorkommen.
Beispielsweise kann es sich bei den Suchmustern um Raum-Zeit- Daten einer Geo-Datenbank handeln. Somit wird vorgeschlagen, mindestens einen Treffer in einer großen Datenmenge anhand eines graphischen Suchmusters zu finden, wobei das graphische Suchmuster von einem Benutzer vorzugsweise über eine graphische Schnittstelle neu erstellt oder modifiziert wird. Hierbei ist es von Vorteil, dass der Benutzer intuitiv komplexe Suchen umsetzen kann und eine graphische Darstellung von Eigenschaften und/oder Zusammenhängen für die Suche gezielt nutzen kann. Die Erfindung kann beispielsweise im Data-Mining, bei der Überwachung von Zuständen oder bei der automatisierten Alarmierung eingesetzt werden.
Obwohl die Erfindung im Detail durch das mindestens eine ge¬ zeigte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht darauf eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.

Claims

Patentansprüche
1. Verfahren zur Bearbeitung einer Datenmenge,
- bei dem ein graphisches Suchmuster erstellt wird
(201) ,
- bei dem das Suchmuster in mindestens eine Abfrage um' gewandelt wird (202),
- bei dem die Abfrage auf eine Datenmenge angewandt
wird (203) .
2. Verfahren nach Anspruch 1, bei dem das Suchmuster über eine graphische Benutzerschnittstelle erstellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Suchmuster mittels eines zwei- oder dreidimensi¬ onalen Scanners und/oder mittels mindestens einer Kamera erstellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Suchmuster basierend auf Daten der Datenmenge oder auf anderen Daten und/oder basierend auf mindestens einem anderen Suchmuster erstellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Suchmuster in mindestens eine Abfrage umgewan¬ delt wird, indem die graphische Repräsentation des Such¬ musters in Regeln, Bedingungen und/oder Zustände konvertiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren iterativ eingesetzt wird, wobei das Such¬ muster in jedem Iterationsschritt erstellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Abfrage auf eine Datenmenge angewandt wird und mindestens ein Treffer in der Datenmenge bestimmt wird. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Abfrage auf eine Datenmenge angewandt wird und eine vorgegebene Aktion ausgeführt wird (205) , wenn ein mit dem Suchmuster übereinstimmende Treffer ermittelt wurde (204) .
Verfahren nach Anspruch 8, bei dem die vorgegebene Akti¬ on mindestens einen Mitteilung, Anzeige und/oder Alarmierung umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Abfrage auf eine Datenmenge angewandt wird und die am besten mit dem Suchmuster übereinstimmenden Treffer bestimmt werden.
Verfahren nach Anspruch 10, bei dem die Treffer in einer vorgegebenen Reihenfolge, insbesondere entsprechend ei- ner Güte der Übereinstimmung mit dem Suchmuster, darge- stellt oder referenziert werden .
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Suchmuster in mindestens eine Abfrage umgewan¬ delt wird, wobei das das Suchmuster skaliert und/oder normiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem Eigenschaften des Suchmusters extrahiert werden, wo¬ bei diese extrahierten Eigenschaften zumindest teilweise als veränderbare Parameter dargestellt werden.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Suchmuster und/oder die Abfrage als Zielfunktion für ein maschinelles Lernverfahren eingesetzt wird.
15. Vorrichtung zur Bearbeitung einer Datenmenge mit einer Verarbeitungseinheit, die derart eingerichtet ist, dass - ein graphisches Suchmuster erstellbar ist, - das Suchmuster in mindestens eine Abfrage umwandelbai ist,
- die Abfrage auf eine Datenmenge anwendbar ist.
16. System umfassend mindestens eine Vorrichtung nach An¬ spruch 15.
17. Computerprogrammprodukt, das direkt in einen Speicher eines digitalen Computers ladbar ist, umfassend Pro¬ grammcodeteile, die dazu geeignet sind, die Schritte de Verfahrens nach einem der Ansprüche 1 bis 14 durchzufüh ren .
18. Computerlesbaren Speichermediums umfassend von einem Computer ausführbare Anweisungen, die dazu geeignet sind, dass der Computer Schritte des Verfahrens nach ei nem der Ansprüche 1 bis 14 durchführt.
EP13716973.6A 2012-05-29 2013-03-25 Bearbeitung einer datenmenge Ceased EP2810192A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012208999A DE102012208999A1 (de) 2012-05-29 2012-05-29 Bearbeitung einer Datenmenge
PCT/EP2013/056203 WO2013178376A2 (de) 2012-05-29 2013-03-25 Bearbeitung einer datenmenge

Publications (1)

Publication Number Publication Date
EP2810192A2 true EP2810192A2 (de) 2014-12-10

Family

ID=48139888

Family Applications (1)

Application Number Title Priority Date Filing Date
EP13716973.6A Ceased EP2810192A2 (de) 2012-05-29 2013-03-25 Bearbeitung einer datenmenge

Country Status (6)

Country Link
US (1) US10191938B2 (de)
EP (1) EP2810192A2 (de)
CN (1) CN104321770A (de)
DE (1) DE102012208999A1 (de)
IN (1) IN2014DN07790A (de)
WO (1) WO2013178376A2 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015034759A1 (en) * 2013-09-04 2015-03-12 Neural Id Llc Pattern recognition system
EP3001360A1 (de) * 2014-09-29 2016-03-30 Siemens Aktiengesellschaft Rechenvorrichtung und verfahren zur verarbeitung grosser datenmengen

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608899A (en) * 1993-06-04 1997-03-04 International Business Machines Corporation Method and apparatus for searching a database by interactively modifying a database query
US7469226B2 (en) * 2001-12-11 2008-12-23 Recognia Incorporated Method of providing a financial event identification service
US7664830B2 (en) 2002-03-29 2010-02-16 Sony Corporation Method and system for utilizing embedded MPEG-7 content descriptions
WO2003088085A1 (en) 2002-04-04 2003-10-23 Arizona Board Of Regents Three-dimensional digital library system
JP4516957B2 (ja) * 2003-01-25 2010-08-04 パーデュー リサーチ ファンデーション ３次元オブジェクトについて検索を行なうための方法、システムおよびデータ構造
US7328220B2 (en) 2004-12-29 2008-02-05 Lucent Technologies Inc. Sketch-based multi-query processing over data streams
EP1901241A1 (de) * 2006-09-06 2008-03-19 Kba-Giori S.A. Verfahren zur Qualitätskontrolle eines gedruckten Dokuments auf der Basis von Mustererkennung
JP2008146603A (ja) * 2006-12-13 2008-06-26 Canon Inc 文書検索装置、文書検索方法、プログラム及び記憶媒体
CN101093559B (zh) 2007-06-12 2010-06-23 北京科技大学 一种基于知识发现的专家系统构造方法
US8165406B2 (en) * 2007-12-12 2012-04-24 Microsoft Corp. Interactive concept learning in image search
JP5268595B2 (ja) * 2008-11-28 2013-08-21 ソニー株式会社 画像処理装置、画像表示方法及び画像表示プログラム
US9405772B2 (en) * 2009-12-02 2016-08-02 Google Inc. Actionable search results for street view visual queries
US8640079B2 (en) * 2010-03-02 2014-01-28 Cadence Design Systems, Inc. Method and system for searching and replacing graphical objects of a design
US9165029B2 (en) * 2011-04-12 2015-10-20 Microsoft Technology Licensing, Llc Navigating performance data from different subsystems
US20120283574A1 (en) * 2011-05-06 2012-11-08 Park Sun Young Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback
US8553981B2 (en) * 2011-05-17 2013-10-08 Microsoft Corporation Gesture-based visual search

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
None *

Also Published As

Publication number Publication date
WO2013178376A2 (de) 2013-12-05
IN2014DN07790A (de) 2015-05-15
US10191938B2 (en) 2019-01-29
CN104321770A (zh) 2015-01-28
US20150339345A1 (en) 2015-11-26
DE102012208999A1 (de) 2013-12-05
WO2013178376A3 (de) 2014-06-26

Similar Documents

Publication Publication Date Title
DE112020000227T5 (de) Maschinelles lernen eines computermodells auf grundlage von korrelationenvon trainingsdaten mit leistungstrends
DE69901626T2 (de) Fall-basiertes deduktives system, verfahren und gerät für sensor-prediktion in einem technischen prozess, insbesondere in einem zementofen
DE102014223226A1 (de) Diskriminator, Unterscheidungsprogramm und Unterscheidungsverfahren
DE10149693A1 (de) Objekte in einem Computersystem
EP3853778B1 (de) Verfahren und vorrichtung zum betreiben eines steuerungssystems
WO2021104608A1 (de) Verfahren zum erzeugen eines engineering-vorschlags für eine vorrichtung oder anlage
DE102022201780A1 (de) Visuelles Analysesystem zum Bewerten, Verstehen und Verbessern tiefer neuronaler Netze
DE112020004120T5 (de) Überwachen eines status eines computersystems durch implementieren eines netzwerks für tiefes, unüberwachtes binäres codieren
EP2439691A1 (de) Vorrichtung und Verfahren zum maschinellen Erstellen eines Prozessdiagramms
DE112020005732T5 (de) Erzeugen von trainingsdaten zur objekterkennung
EP3841732B1 (de) Verfahren, computersystem und computerprogramm zur automatischen verarbeitung von datenbezeichnern
DE102016223484B4 (de) Bestimmen von Ähnlichkeiten in Computersoftwarecodes zur Leistungsanalyse
EP2810192A2 (de) Bearbeitung einer datenmenge
EP3812949A1 (de) Konfigurierbarer digitaler zwilling
DE102012105664A1 (de) Verfahren und Vorrichtung zur Kodierung von Augen- und Blickverlaufsdaten
DE102021204550A1 (de) Verfahren zum Erzeugen wenigstens eines Datensatzes zum Trainieren eines Algorithmus maschinellen Lernens
EP2924585A1 (de) Verfahren zur Kompression von Beobachtungen einer Vielzahl von Testabläufen
DE202023105419U1 (de) Ein System zur Extraktion von Web-Informationen
EP4184350A1 (de) Computer-implementiertes verfahren zum erkennen eines eingabemusters in mindestens einer zeitreihe einer mehrzahl von zeitreihen
DE202022101929U1 (de) Intelligentes System zur Vorhersage der Sekundärstruktur von RNA unter Verwendung von faltbaren neuronalen Netzen und künstlicher Intelligenz
DE102020212328A1 (de) Vorrichtung und computerimplementiertes Verfahren für eine Netzwerkarchitektursuche
DE102025112668A1 (de) System und Verfahren zum Vorhersagen diverser zukünftiger Geometrien mit Diffusionsmodellen
DE102020106857A1 (de) Mikroskopiesystem und verfahren zum verarbeiten von mikroskopbildern
LU601421B1 (de) Ein auf Algorithmen der künstlichen Intelligenz basierendes Dateninteraktionsverfahren und -system
DE102024118222A1 (de) Verfahren und informationsverarbeitungseinrichtung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20140905

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

17Q First examination report despatched

Effective date: 20180320

REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20191014