ki im einsatz der mitarbeitereffizienz - doag.org · >>> oracle agis: ausgangslage. agis:...
Post on 04-Jun-2018
219 Views
Preview:
TRANSCRIPT
>>> KI im Einsatz der Mitarbeitereffizienz
Alexandre GiroudManaging Director, MBA
Diso AG
19.11.2014
Wer bin ich?
Alexandre G iroud
Wer bin ich?
Manag ing Direc tor
Wer bin ich?
Wer bin ich?
Dozent
Wer bin ich?
C hang e Manag ement
Wer bin ich?
Datenhaltung Präsentation
Analyse Modellierung
Beratung
Cloud Mobile
Entwicklung
Was machen wir?
Daten
DataP e r f o r m a n c e
Was beschäftigt uns?
Was beschäftigt uns?
K I W I
P e rfo rma nce
K i l l i t w i t h I r o n
Was beschäftigt uns?
Was beschäftigt uns?
Was beschäftigt uns?
E ffiz ie nz =Total zur Verfügung stehende Zeit
Benötigte Zeit für eine Einheit
Was beschäftigt uns?
E ffiz ie nz =Total zur Verfügung stehende Zeit
Benötigte Zeit für eine Einheit
Was beschäftigt uns?
Prof. Wolfgang Benn, TU Chemnitz
Prof. Wolfgang Benn, TU Chemnitz
K.I.
Teuvo Kohonen, Ingenieur - Finnland
S OM
Teuvo Kohonen, Ingenieur - Finnland
S e lf- O rg anis ing Ma ps
Teuvo Kohonen, Ingenieur - Finnland
S e lbs to rg a nis ie re ndeKa rte n
Teuvo Kohonen, Ingenieur - Finnland
Selbstorganisierende Karten
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Selbstorganisierende Karten
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Selbstorganisierende Karten
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Selbstorganisierende Karten
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Selbstorganisierende Karten
Quelle: http://de.wikipedia.org/wiki/Selbstorganisierende_Karte
Selbstorganisierende Karten
F ina nz
Selbstorganisierende Karten
Ha nde l
Selbstorganisierende Karten
N a turwis s e ns c hafte n
Selbstorganisierende Karten
S pra c hwis s e ns c ha fte n
Selbstorganisierende Karten
32
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4)
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
Die Lösung
SQL Anfrage
Resultat
SQL Anfrage
Resultat
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
Optimierung
KI
Die Lösung
SQL Anfrage
Resultat
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
SELECT distinct sp_id
FROM AGIS.S10693_IDX$
WHERE
(gx >= :1 AND gx <= :2 AND
gy >= :3 AND gy <= :4) AND
minx <= :e1 AND miny <= :e2 AND
maxx >= :e3 AND maxy >= :e4
Optimierung
KI
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
KI
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
KI
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
KI
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
ID123234345456…
999
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
KI
Die Lösung
SQL Anfrage
Resultat
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
KI
Die Lösung
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
X
YKunde
Prod.
Zeitspanne
>>> Datensätze werden als Punkte in
einem multi-dimensionalen Raum
betrachtet.
Farbe = Wann hat welcher Kunde
welches Produkt zu welcher
Frequenz gekauft?
Indexierungs-Prinzip
SELECT 1 SHAPE, OBJECTID, …
FROM AGIS.VA_LSPARZ
WHERE SDE.ST_EnvIntersects(VA_LSPARZ.SHAPE,:1,:2,:3,:4) = 1
bind position: 1 == 648910.8987
bind position: 2 == 261135.2732
bind position: 3 == 650799.8511
bind position: 4 == 262251.6407
>>> Bildung semantischer Cluster
Indexierungs-Prinzip
Farbe = Wann hat welcher Kunde
welches Produkt zu welcher
Frequenz gekauft?
Daten-
raum
Alter
Ge
ha
lt
Gruppierung ähnlicher Daten
Level 1
L.2
Abfrage: zeig mir alle Werte, für welche:
K1=>‚X‘ e K1 < ‚Y‘, ...
Abfrage: zeig mir alle Werte, die
nahe an Paket „815“ liegen
Vorarbeit:
1) Definition der Dimensionen
(ex. 2, 700 or more)
Autonome Gruppierung von
ähnlichen Daten:
1) Gruppierung von ähnlichen
Daten
(Bsp. 3 Gruppen – Level 1)
2) Bildung von weiteren,
kleineren Gruppen (Level 2)
Daraus resultiert Geschwindigkeit:
1) Regionale Abfrage
2) Ähnlichkeits-Abfrage Um die Lesbarkeit zu vereinfachen, wurden nur zwei Dimensionen gewählt .
Indexierungs-Prinzip
Aus der Praxis
AGIS: Ausgangslage
GIS Produkte von ESRI im Einsatz:
>>> ArcSDE
>>> ArcGIS Server
>>> ArcGIS Desktop
Die geografische Datenbank ist auf ArcSDE
>>> ORACLE
AGIS: Ausgangslage
AGIS: Systemverhalten
>>> Jede Aktion/Änderung der angezeigten
Information löst Abfragen auf der Datenbank aus!
AGIS: Zielvorgaben
>>> Verbesserung der Antwortzeiten auf den geografischen
Daten
>>> Reduzierung der Engpässe/Flaschenhälse
>>> Schaffen eines Performance-Puffers für zusätzliche
Nutzer
>>> Keine Änderungen an der Applikationsarchitektur, der
Datenübermittlung und dem Datenmanagement
>>> Verbesserung der Antwortzeiten auf den geografischen
Daten
>>> x 35
AGIS: Zielerreichung
>>> Reduzierung der Engpässe/Flaschenhälse
>>> Schaffen eines Performance-Puffers für zusätzliche
Nutzer
originalKI
AGIS: Zielerreichung
>>> Keine Änderungen an der Applikationsarchitektur, der
Datenübermittlung und dem Datenmanagement
AGIS: Zielerreichung
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
Siebel CRM
Die Mobiliar: Siebel CRM
Siebel CRM
Die Mobiliar: Siebel CRM
• ungenügende Performance bei…
• Abfragen
• Reports
• Analysen
Die Mobiliar: Siebel CRM
• Führt zu…
• eingeschränkter Nutzung von Siebel
• Verwendung von statischen
Reports…
• …anstelle des Siebel GUI
• Verzicht auf voll CRM-Funktionalität
Die Mobiliar: Siebel CRM
• und…
• unzufriedenen Benutzern
• Fehlern
• Fehlmanipulationen
• Ausweichmanövern
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek
SQL 17 01h 58min 56sek
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek
SQL 17 01h 58min 56sek
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek 2sek
SQL 17 01h 58min 56sek
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek 2sek X 6’183
SQL 17 01h 58min 56sek
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek 2sek X 6’183
SQL 17 01h 58min 56sek 2sek
Die Mobiliar: Siebel CRM
SQL 16 03h 26min 06sek 2sek X 6’183
SQL 17 01h 58min 56sek 2sek X 3’568
Beispiel: TPC-H 100 Benchmark
0 sec
20 sec
40 sec
60 sec
80 sec
100 sec
77 sec
19 sec
0.2 sec
Ohne KI
1 Core
Ohne KI
Max. Cores
(exclusive access)
Mit KI
1 Core
Diso AG
Morgenstrasse 1
CH-3073 Gümligen
Tel. +41 31 958 90 90
Fax +41 31 958 90 99
Info@diso.ch
www.diso.ch
top related