D-LAB DATADRIVET LABB

Transkript

1 D-LAB DATADRIVET LABB Siamak Khatibi BLEKINGE INSTITUTE OF TECHNOLOGY Institutionen för Teknik och Estetik, DITE KARLSHAMN 1

2 CORE OF OUR ACTIVITIES AND ITS RELATION TO OTHER FIELDS 2

3 ONGOING PROJECTS: Scaling-Super resolution Semantic modeling (UAV) Camera sensor- dynamic range Image/video quality assessment Image content assessment Integral imaging-plenoptic Blurring artifact classifier Video tagging D-Lab 3

4 ANDRA DATA RELATERADE FORSKNINGSGRUPPER IN BTH Datoranvändning med människan i centrum för nya visuella och interaktiva applikationer (Human-Centered Computing for Novel Visual and Interactive Applications) BigData 4

5 VAD ÄR DATA-DRIVEN INNOVATION (DDI)? DDI avser användningen av data och analys för att förbättra eller främja nya produkter, processer, organisationsmetoder och marknader. 5

6 DATA ÄR DEN NYA R&D FÖR 21-TALET INNOVATIONSSYSTEMS Offentlig förvaltning Hälsa Detaljhandel Lantbruk Vetenskap och utbildning Transport 6

7 DATA ÄR INTE OLJA, UTAN EN INFRASTRUKTUR Data är icke-konkurerande (men exklusiv) Dataåteranvändning och icke-diskriminerande åtkomst kan maximera sitt värde Data möjliggör mångsidiga marknader Data är ett kapital med ökad avkastning Data kan återanvändas som ingång för vidare produktionen Data länkning är en nyckelkälla för innovativa idéer Data är en generell inmatning med inget inneboende värde Data är en ingång för flera ändamål Dess värde beror på komplementära faktorer relaterade till kapaciteten att extrahera information (t ex färdigheter, programvara) 7

8 DET FRAMVÄXANDE GLOBALA DATA EKOSYSTEMET Thousands Number of top sites hosted RUS Top locations by number of colocation data centres and top sites hosted Magnified DEU R² = CHN FRA JPN NLD CAN AUS IND GBR R² = USA DEU FRA GBR Number of co-location data centres Source: OECD (2015), Data-driven Innovation: Big Data for Growth and Well-Being, OECD Publishing 8

9 INFÖRANDET AV DDI OCH RELATERAD TEKNIK I FÖRETAG The diffusion of selected ICT tools and activities in enterprises, 2014 Percentage of enterprises with ten or more persons employed Gap 1st and 3rd quartiles Average Lowest Highest % 100 FIN FIN MEX NZL ISL BEL FIN NZL KOR 40 MEX KOR 20 0 TUR Broadband Website E-purchases Social media ERP Cloud computing JPN Source: Based on OECD Science, Technology and Industry Scoreboard 2015 (forthcoming), OECD, ICT Database; Eurostat, Information Society Statistics and national sources, July ISL POL MEX HUN E-sales Supply chain mngt. (ADE) CAN RFID 9

10 MED FOKUS PÅ SMÅ OCH MEDELSTORA FÖRETAG Use of cloud computing as a percentage of enterprises in each employment size class, 2014 % All enterprises Source: OECD, ICT Database; Eurostat, Information Society Statistics and national sources, January

11 BRISTEN PÅ DATASPECIALISTER ÄR OCKSÅ EN SAKNAD MÖJLIGHET FÖR SKAPANDE AV ARBETSTILLFÄLLEN % Data specialists as a share of total employment in selected OECD countries Source: OECD based on data from Eurostat, Statistics Canada, Australian Bureau of Statistics Labour Force Surveys and US Current Population Survey March Supplement, February

12 CLOUD-BASED AUTOMATIC DATA PROCESSING I D-Lab 12

13 IN GENERAL: TWO KEY STEPS Input Data Preprocessing Outliers / Mess Computer Vision/ Machine Learning Output Classification/ Prediction 13

14 EXAMPLE: TIME SERIES Normal Data Training Input Time Series Auto Imputation Auto Detection & Labelling Accident Data Training Output Prediction Event Data Training Different models for different situations to improve accuracy 14

15 TECHNICAL STACK Layer Software Examples Usage/Providing Library R-Caret, Python-Scikit-Learn, Weka, PLC, OpenCV, CaffeOnSpark Analysis Abilities Framework GPU, Spark, TensorFlow Parallel/Distributed Computing Persistent Storage Hadoop, Cassandra Distributed Data Platform Docker/Kubernetes, Mesos, Marathon/Jenkins Isolated Environment Infrastructure Openstack Virtual Machines 15

16 DEEP LEARNING IN WEB 16

17 DEEP LEARNING IN WEB 17

18 TARGETING: DRAG-DROP-CLICK MACHINE LEARNING

19 TARGETING: DRAG-DROP-CLICK MACHINE LEARNING

20 VINNOVA ANSÖKAN-2017 URBAN DATA AV SMÅ OCH MEDELSTORA STÄDER Mål Ett datadrivet innovationslabb avses att startas och bedrivas inom det tematiska området urban data i små och medelstora städer. Labbet blir en öppen arena för att tillgängliggöra och förädla data. Detta skapar i sin tur förutsättningar för innovationer för såväl offentliga sektorn, näringslivet och privata entreprenörer. Etableringen av labbet med sin virtuella miljö möjliggör lärande, utveckling och användning av tjänster baserade på urban data. 20

21 VINNOVA ANSÖKAN-2017 URBAN DATA AV SMÅ OCH MEDELSTORA STÄDER Partner BTH-DITE Karlskrona Kommun Karlshamn kommun NetPort Science Park 21