ki im einsatz der mitarbeitereffizienz - doag.org · >>> oracle agis: ausgangslage. agis:...

>>> 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