Im Rahmen seines „Top-Skill-Radars“ hat sich der Experte für freies Projektgeschäft freelancermap mit der Frage befasst, welche Fähigkeiten bei Data Scientists besonders gefragt sind.

Was bringt das kommende Jahr für die Technologiebranche? Gartner und die International Data Corporation haben genau hingeschaut und erste Prognosen zu Trends und Themen abgegeben.

Daten als Wettbewerbsvorteil zu sehen, ist längst keine neue Errungenschaft mehr. Allerdings reichen technische Lösungen wie Data Warehouses oder Data Lakes nicht mehr aus, um einen echten Mehrwert aus den stetig wachsenden Datenmengen zu gewinnen. Moderne, ganzheitliche Datenplattformen berücksichtigen dabei vor allem auch den Faktor Mensch. Sie sind der Türöffner zu neuen, datennutzenden Geschäftsprozessen und zur flächendeckenden Nutzung von Daten durch Endanwender. Doch was macht eine Datenplattform aus?

Vor nicht allzu langer Zeit waren Data Stewards nur in den größten Unternehmen weltweit vorzufinden. Zu meiner Studienzeit arbeitete die einzige Person mit diesem Jobtitel, von der ich je gehört hatte, bei einem der drei großen Autohersteller in Detroit.

IBM erklärt gegenüber CloudComputing-Insider das Aus der intelligenten IoT-Plattform als eigenständigen Dienst: Funktionen sollen in einer umfassenderen Produkt-Suite zusammengeführt werden.

Mit dem Data-as-a-Product-Ansatz trägt Data Mesh dazu bei, die Qualität, Zugänglichkeit, Interoperabilität und Nutzbarkeit von Daten zu verbessern und damit eine datengesteuerte Organisation zu ermöglichen.

Drahtlose Sensoren im Internet der Dinge benötigen eine zuverlässige Stromquelle, die lange Zeit betriebsbereit ist. Sie muss kostengünstig und kompakt sein und in den Formfaktor des Sensors passen.

Geschäftskunden und Data Scientists haben verschiedene Bedürfnisse beim Umgang mit Daten. Mit dem Konzept des Data Lakehouse soll die Quadratur des Kreises gelingen, die beide Zielgruppen zufrieden stellt. Wie lässt sich das am besten in der Praxis umsetzen?

Immer mehr Unternehmen entwickeln digitale Geschäftsmodelle. Doch oft entpuppen sich ihre derzeitigen, in die Jahre gekommenen Data-Warehouse- und Messaging-Architekturen als hinderlich. Ein Streaming-getriebener neuer Ansatz hilft, die Flexibilität, Agilität und Skalierbarkeit der Infrastruktur zu erhöhen.

Der Datenspezialist Y42 hat seine Modern DataOps Cloud auf Grundlage von Snowflake und Big Query einem kompletten Relaunch unterzogen. Sie bietet nun eine vollständig verwaltete und leicht zugängliche Umgebung für Datenpipelines.

Mit dem Data-as-a-Product-Ansatz trägt Data Mesh dazu bei, die Qualität, Zugänglichkeit, Interoperabilität und Nutzbarkeit von Daten zu verbessern und damit eine datengesteuerte Organisation zu ermöglichen.

Vor nicht allzu langer Zeit waren Data Stewards nur in den größten Unternehmen weltweit vorzufinden. Zu meiner Studienzeit arbeitete die einzige Person mit diesem Jobtitel, von der ich je gehört hatte, bei einem der drei großen Autohersteller in Detroit.

In der Medizin werden Bildanalysen von Gewebeproben immer wichtiger. Doch die Auswertung solcher unstrukturierter Bilddaten ist anspruchsvoll. Professionelle Lösungen zur Analyse unstrukturierter Daten können die Ärztinnen und Ärzte bei den Diagnosen unterstützen. Das Interview von Insider Research mit Wolfgang Mertz und Marten Neubauer von Dell Technologies liefert spannende Einblicke in die digitale Pathologie.

Google ist eher spät ins Cloud-Geschäft eingestiegen und „nur“ die Nummer drei im weltweiten Cloud-Markt. Ungebrochen sind die Ambitionen, endlich auf die Mitbewerber aufzuschließen oder sogar zu überholen. Selbstbewusst signalisiert der Konzern: Dieses Ziel kann bald gelingen. Denn man sei schon längst weiter als andere.

Die Pflicht zur Berichterstattung über Nachhaltigkeitsaspekte steht den meisten deutschen Unternehmen schon bald bevor. Damit die neuen ESG Reportings (Environment, Social, Governance) den Mittelstand nicht überfordern, gilt es nicht nur im Controlling rechtzeitig neue Prozesse aufzusetzen, sondern auch die dafür notwendigen Daten möglichst automatisiert zu erheben und auszuwerten. Schließlich fängt man auch bei der Steuererklärung im Januar und nicht erst im Dezember an, Belege zu sammeln.

Das Business Application Research Center (BARC) hat die Ergebnisse seiner „The BI & Analytics Survey 23“ veröffentlicht. Die Studie gibt Einblicke rund um Auswahl, Einsatz und Zufriedenheit mit derartigen Lösungen.

Die Analyse aller verfügbaren Daten ist für viele Unternehmen unverzichtbar, um im Wettbewerb bestehen zu können und Innovationen voranzutreiben. Einfach ist das aber nicht: Das nötige Fachpersonal ist immer noch rar und teuer. Unterstützung durch externe Big-Data-Consultants kann hier wichtige Hilfestellung geben.

Im Rahmen seines „Top-Skill-Radars“ hat sich der Experte für freies Projektgeschäft freelancermap mit der Frage befasst, welche Fähigkeiten bei Data Scientists besonders gefragt sind.

Die gesamte Wirtschaft setzt immer mehr auf datengetriebene Erkenntnisse und Entscheidungen, um sich Wettbewerbsvorteile zu sichern. Allerdings sind dazu leistungsfähige Systeme erforderlich, die nicht selten die verfügbaren Budgets übersteigen. Eine belastbare Alternative steht aber mit Big Data as a Service (BDaaS) zur Verfügung.

Täglich werden gigantische Mengen an Daten generiert. Das Empfangen, Verarbeiten und Analysieren dieser Informationen erfordert ständig neue Technologien und Speicherformate. Mit anderen Worten – die Verwaltung großer Datenmengen ist für Tech-Unternehmen eine komplexe Herausforderung.

Bei vielen Aspekten ist die Weltwirtschaft aktuell nur sehr schwierig einzuschätzen. Der Krieg in der Ukraine und weitere Krisenherde werden auch 2023 die Schlagzeilen bestimmen.

Die Abwicklung der Zahlungs- und anderer Backend-Aufgaben hinter digitalen Abos und die erfolgreiche Ansprache neuer Kunden sind die Aufgabe von Zuora. Gerade wurden neue Büroräume bei Regus in München bezogen.

Zwei Drittel davon fließen in die Entwicklung und den Ausbau von Zukunftstechnologien rund um Nachhaltigkeit, Mobilität und Industrie 4.0. Auch Aus- und Weiterbildung sind ein Schwerpunkt.

Bereits im Juni hat Siemens die digitale Businessplattform Siemens Xcelerator vorgestellt. Das Unternehmen legt nun mit weiteren Neuheiten rund um die Digitalisierung nach.

Die Richtlinie soll dabei helfen, Big Data effektiv einzusetzen und die eigenen Prozesse in der Fertigung zu verbessern.

Wenn sich die Security-Branche trifft, dann ist der Fachkräftemangel eines der führenden Themen. Hoffnungsträger ist Künstliche Intelligenz (KI). Doch was kann KI oder Machine Learning bereits in der Security übernehmen? Wie sind die Erwartungen, was in Zukunft möglich wird? Kann KI eine vollautomatische Security Realität werden lassen? Die it-sa 2022 ermöglichte hierzu Einblicke.

Anonos, Anbieter einer Technologie, die in Verwendung befindliche Daten mit hundertprozentiger Genauigkeit schützen soll, gab die Übernahme der Statice GmbH bekannt, einem Anbieter für synthetische Daten.

Daten sind der größte Innovationstreiber des digitalen Zeitalters. Betrachten wir neue Technologien wie IoT-Anwendungen in der fertigenden Industrie, künstliche Intelligenz (KI) oder Anwendungen zum autonomen Fahren, sind diese nur durch die schnelle Auswertung enormer Datenmengen möglich. Synthetische Daten sollen hier einen hohen Informationsgewinn bei gleichzeitig höchsten Datenschutzanforderungen gewährleisten.

Zehn Jahre – so lange kann es dauern bis eine Herzerkrankung diagnostiziert wird. Eine neue Gesundheits-App des Fraunhofer-Instituts für Graphische Datenverarbeitung IGD soll Kardiologen nun dabei unterstützten, Diagnosen schneller stellen zu können.

Forschern der Technischen Universität Graz gelang es erstmals, Seh-Funktionen auf einem detaillierten Modell des Gehirns einer Maus nachzubilden. Bislang konnten Gehirnstrukturen zwar modelliert werden, aber keine gezielten Funktionen ausführen.

Das kürzlich gestartete und von der TITUS Research GmbH initiierte Forschungsprojekt DataSOW2 untersucht die Frage, was nötig ist, damit Binnenschiffe künftig sicher und unbemannt fahren können.

Künstliche Intelligenz (KI) und Machine Learning (ML) sind seit Jahren im Rahmen der Digitalisierung bei Unternehmen aller Art kaum mehr wegzudenken. In immer mehr Lösungen aus den Bereichen Produktion, Auftragsabwicklung und Sicherheit sind KI-Technologien und -Lösungen enthalten. Auch in der Logistik ergeben sich zahlreiche Vorteile beim Einsatz von KI und ML, zum Beispiel bei der Strecken- und Routenplanung oder der intelligenten Lagerung von Ware. Das KI-gestützte Dokumentenmanagement spielt in dieser Hinsicht ebenfalls eine wichtige Rolle.

Cloudera ist ein US-Softwareunternehmen aus dem Big-Data-Umfeld. Es bietet Lösungen und Produkte für die datengetriebene digitale Transformation und die Bewältigung und Analyse großer Datenmengen. Basis bildet eine hybride Datenplattform mit einheitlicher Data Fabric, skalierbarem Data Mesh und offenen Data Lakehouse. 2022 brachte Cloudera die Data Platform (CDP) One für schnelle und einfache Self-Service-Analysen und explorative Datenanalysen als SaaS-Angebot auf den Markt.

Neural Gas ist ein Algorithmus, mit dem sich vektorielle Daten klassifizieren lassen. Er ist von der Arbeitsweise Selbstorganisierender Karten inspiriert (Self-Organizing Maps – SOM), auch Kohonen-Karten genannt). Mithilfe eines neuronalen Netzwerks und unüberwachtem Lernen ist Neural Gas für Aufgaben wie die Datenkomprimierung oder Vektorquantisierung einsetzbar. Typische Anwendungsbereiche sind Cluster-Analysen, Mustererkennung, die Verarbeitung natürlicher Sprache oder die Bildverarbeitung.

Bei Selbstorganisierenden Karten (Self-Organizing Maps – SOM) handelt es sich um künstliche neuronale Netzwerke, die für unüberwachte Lernverfahren einsetzbar sind. Die Funktionsweise ist dem zerebralen Kortex des menschlichen Gehirns nachempfunden. Selbstorganisierende Karten erlauben eine dimensionsreduzierte, topologische Darstellung hochdimensionaler Eingangsdaten. Typischer Einsatzbereich von Self-Organizing Maps ist das Data Mining.

Bei SQuAD handelt es sich um eine Sammlung von Frage-/Antwortpaaren zu Wikipedia-Artikeln, mit dem sich das Textverständnis von NLP-Modellen trainieren, testen und vergleichen lässt. Die NLP-Modelle müssen die richtigen Antworten auf verschiedene Fragen zu Auszügen aus Wikipedia-Texten finden. Der Datensatz enthält über 100.000 Frage-/Antwortpaare zu mehr als 500 ausgewählten Wikipedia-Artikeln. Mittlerweile existiert eine Version SQuAD 2.0, die die 100.000 Fragen um 50.000 nicht beantwortbare Fragen ergänzt.