Matematik inom tekniksektorn Adam Andersson, MY-dagen 2016

Transkript

1 Matematik inom tekniksektorn Adam Andersson, MY-dagen 2016

2 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016

3 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader

4 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader Doktorand i matematik på Chalmers

5 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader Doktorand i matematik på Chalmers Z-teknolog på Chalmers, (inriktning teknisk matematik)

6 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader Doktorand i matematik på Chalmers Z-teknolog på Chalmers, (inriktning teknisk matematik) Vad som driver mig: Kreativt arbete

7 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader Doktorand i matematik på Chalmers Z-teknolog på Chalmers, (inriktning teknisk matematik) Vad som driver mig: Kreativt arbete Lära mig att behärska avancerade teorier och verktyg

8 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin under 15 månader Doktorand i matematik på Chalmers Z-teknolog på Chalmers, (inriktning teknisk matematik) Vad som driver mig: Kreativt arbete Lära mig att behärska avancerade teorier och verktyg Arbeta med problem som kräver abstrakta lösningar

9 Om Syntronic Snart 600 anstälda (hälften i Sverige) Säljer konsulttjänster inom elektronik och mjukvara Sveriges tredje mest välutrustade elektroniklabb Idag hårdvarudominant I framtiden HW/SW-balans 20/80 Mer innehåll i form av avancerade algoritmer Konsekvens: mer matte!

10 Om Syntronic Gävle Sandviken Göteborg Stockholm Linköping Kuala Lumpur & Penang, Malaysia Shanghai, Beijing, Chengdu, Kina Ottawa, Kanada Jakarta, Indonesien Tokyo, Japan Lagos, Nigeria Dhaka, Bangladesh Istanbul, Turkiet

11 Om Syntronic Kontoret i Göteborg öppnade 2015 och är i en uppbyggnadsfas

12 Om Syntronic Kontoret i Göteborg öppnade 2015 och är i en uppbyggnadsfas Bredvid Syntronics kärnområden bygger vi upp en algoritmgrupp med sikte att vara med och utveckla framtidens självkörande bilar.

13 Om Syntronic Kontoret i Göteborg öppnade 2015 och är i en uppbyggnadsfas Bredvid Syntronics kärnområden bygger vi upp en algoritmgrupp med sikte att vara med och utveckla framtidens självkörande bilar. Fokusområden: Datorseende Maskininlärning Sensorfusion/statistik Reglerteknik

14 Om Syntronic Kontoret i Göteborg öppnade 2015 och är i en uppbyggnadsfas Bredvid Syntronics kärnområden bygger vi upp en algoritmgrupp med sikte att vara med och utveckla framtidens självkörande bilar. Fokusområden: Datorseende Maskininlärning Sensorfusion/statistik Reglerteknik Viktiga verktyg: Bayesiansk statistik Optimering Differentialekvationer Matematisk modellering

15 Om Syntronic Kontoret i Göteborg öppnade 2015 och är i en uppbyggnadsfas Bredvid Syntronics kärnområden bygger vi upp en algoritmgrupp med sikte att vara med och utveckla framtidens självkörande bilar. Fokusområden: Datorseende Maskininlärning Sensorfusion/statistik Reglerteknik Viktiga verktyg: Bayesiansk statistik Optimering Differentialekvationer Matematisk modellering Självklart: Analys, linjär algebra, sannolikhetsteori

16 Stora fratida teknikområden Sakernas internet Autonoma fordon Maskininlärning

17 Sakernas Internet Experter uppskattar att 2020 kommer omkring 50 miljarder föremål vara uppkopplade till internet. Det kan vara fordon, hushållsapparater, leksaker, sensorer, motorer, kläder,...

18 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter:

19 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information.

20 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information. Statistik, signalbehandling, beräkningsmatematik.

21 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information. Statistik, signalbehandling, beräkningsmatematik. Data används för beslut, klassificering, styrning.

22 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information. Statistik, signalbehandling, beräkningsmatematik. Data används för beslut, klassificering, styrning. Statistik, maskininlärning, reglerteknik, optimering.

23 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information. Statistik, signalbehandling, beräkningsmatematik. Data används för beslut, klassificering, styrning. Statistik, maskininlärning, reglerteknik, optimering. Data (och beräkningsuppgifter) skickas mellan noder i internet på ett robust och distribuerat sätt.

24 Sakernas Internet Sakernas internet ger enorma mängder data och stora utmaningar och möjligheter: Data behöver tvättas och data från olika källor sammanfogas för att extrahera värdefull information. Statistik, signalbehandling, beräkningsmatematik. Data används för beslut, klassificering, styrning. Statistik, maskininlärning, reglerteknik, optimering. Data (och beräkningsuppgifter) skickas mellan noder i internet på ett robust och distribuerat sätt. Grafteori, diskret sannolikhetsteori, optimering, kryptografi.

25 Autonoma fordon Bilens perception = sensorer + statistik + maskininlärning Radar Avstånd: noggrant Rel. hastighet: noggrann Vinkel: ej noggrann Bayesiansk statistik Ickelinjär filterteori Dataassimilering Kamera Vinkel: noggrann Sensorfusion Positioner och hastigheter av omgivande objekt Bildanalys Objektidentifiering Maskininlärning Digital bild av bilens omgivning framåt

26 Autonoma fordon Med LIDAR (Light detection and ranging) kompletteras bilens perception ytterligare. Används för att bygga upp en så kallad occupancy grid. Gråskala där Svart = sannolikhet 1 Vit = sannolikhet 0 Sannolikhet 0.5 där ingen detektion gjorts.

27 Maskininlärning Klassificering: Träna algoritmer att lära sig klassificera data Rådata Feature extraction Processad data Artificiellt neuralt Klassificerare Dialekt nätverk Klass Dialekt

28 Maskininlärning Klassificering: Träna algoritmer att lära sig klassificera data Rådata Feature extraction Processad data Artificiellt neuralt Klassificerare Dialekt nätverk Klass Dialekt Exjobb som handleds av Syntronic/matematiska vetenskaper under våren 2017: Automatisk dialektklassificiering Rå röstdata Datans signatur Artificiellt neuralt nätverk Dialekt

29 Ytterligare exjobb Bildkomprimering

30 Ytterligare exjobb Bildkomprimering Spårning av multipla mål

31 Autonoma fordon Tack för er uppmärksamhet!