Advertisement

Infrastrukturen werden intelligent

  • Klaus Mainzer
Chapter
Part of the Technik im Fokus book series (TECHNIK)

Zusammenfassung

Das Nervensystem der menschlichen Zivilisation ist mittlerweile das Internet. Das Internet war bisher nur eine („dumme“) Datenbank mit Zeichen und Bildern, deren Bedeutung im Kopf des Nutzers entsteht. Um die Komplexität der Daten zu bewältigen muss das Netz lernen, selbstständig Bedeutungen zu erkennen und zu verstehen. Das leisten bereits semantische Netze, die mit erweiterbaren Hintergrundinformationen (Ontologien, Begriffe, Relation, Fakten) und logischen Schlussregeln ausgestattet sind, um selbstständig unvollständiges Wissen zu ergänzen und Schlüsse zu ziehen. So lassen sich z. B. Personen identifizieren, obwohl die direkt eingegebenen Daten die Person nur teilweise beschreiben. Hier zeigt sich wieder, dass Semantik und Verstehen von Bedeutungen nicht vom menschlichen Bewusstsein abhängt. ...

Literatur

  1. 1.
    Easley D, Kleinberg J (2010) Networks, Crowds, and Markets. Reasoning about a Highly Connected World. Cambridge University Press, CambridgeCrossRefGoogle Scholar
  2. 2.
    Leskovec J, Adamic L, Huberman B (2007) The dynamics of viral marketing. ACM Transactions of the Web 1(1):5CrossRefGoogle Scholar
  3. 3.
    McKenzie A, Kashef I, Tillinghast JD, Krebs VE, Diem LA, Metchock B, Crisp T, McElroy PD (2007) Transmission network analysis to complement routine tuberculosis contact investigations. American Journal of Public Health 97(3):470–477CrossRefGoogle Scholar
  4. 4.
    Mainzer K (2014) Die Berechnung der Welt. Von der Weltformel zu Big Data. C.H. Beck Verlag, MünchenCrossRefGoogle Scholar
  5. 5.
    BITKOM (Hrsg) (2012) Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. BerlinGoogle Scholar
  6. 6.
    Dean J, Ghemawat S (Google Labs) MapReduce: Simplified Data Processing on Large Clusters. http://research.google.com/archive/mapreduce.html
  7. 7.
    Mayer-Schönberger V, Cukier K (2013) Big Data – A Revolution That will Transform How We Live, Work and Think. Eamon Dolan/Mariner Books, LondonGoogle Scholar
  8. 8.
    Hambuch U (2008) Erfolgsfaktor Metadatenmanagement: Die Relevanz des Metadatenmanagements für die Datenqualität bei Business Intelligence. VDM Verlag Dr. Müller, SaarbrückenGoogle Scholar
  9. 9.
    Ginsburg J (2009) Detecting influenza epidemics using search engine query data. Nature 457:1012–1014CrossRefGoogle Scholar
  10. 10.
    Dugas AF (2012) Google flu trends: correlations with emergency department influenza rates and crowding metrics. CID Advanced Access 8. doi:10.1093/cid/cir883Google Scholar
  11. 11.
    Halevy A, Novik P, Pereira F (2009) The unreasonable effectiveness of data. IEEE Intelligent Systems March/April:8–12CrossRefGoogle Scholar
  12. 12.
    Dean J (2014) Big Data, Data mining, and Machine Learning. Value Creation for Business Leaders and Practioners. Wiley, Hoboken, S 56 (nach Fig. 4.1)CrossRefGoogle Scholar
  13. 13.
    Salakhutdinov R, Hinton G (2007) Restricted Boltzmann Machines for collaborative filtering. In: Mnih, Mnih A (Hrsg) Proceedings of the ICML, S 791–798CrossRefGoogle Scholar
  14. 14.
    http://lunar.xprize.org/. Zugegriffen: 30.7.2015
  15. 15.
  16. 16.
    Stiller C (2007) Fahrerassistenzsysteme. Schwerpunktthemenheft der Zeitschrift it – Information Technology 49:1Google Scholar
  17. 17.
    Braess HH, Reichart G (1995) Prometheus: Vision des „intelligenten Automobils“ auf „intelligenter Straße“? Versuch einer kritischen Würdigung. ATZ Automobiltechnische Zeitschrift 4:200–205Google Scholar
  18. 18.
  19. 19.
    Hawkins W, Abdelzaher T (2005) Towards feasible region calculus: An end-to-end schedulability analysis of real-time multistage execution. IEEE Real-Time Systems Symposium. 12–88, Miami FloridaGoogle Scholar
  20. 20.
    Lee E (2008) Cyber-physical systems: Design challenges. In: Technical Report No. UCB/EECS-2008-8. University of California, BerkeleyGoogle Scholar
  21. 21.
    Cyber-Physical Systems (2008) Program Announcements & Information. The National Science Foundation, 4201 Wilson Boulevard, Arlington, Virginia 22230, USA, 2008-09-30Google Scholar
  22. 22.
    Wayne W (2008) Computers as Components: Principles of Embedded Computing Systems Design. Morgan Kaufmann, AmsterdamGoogle Scholar
  23. 23.
    Wedde HE, Lehnhoff S, van Bonn B (2007) Highly dynamic and adaptive traffic congestion avoidance in real-time inspired by honey bee behavior. In: PEARL Workshop 2007, Informatik aktuell. SpringerGoogle Scholar
  24. 24.
    Broy M (1993) Functional specification of time-sensitive communication systems. ACM Transactions on Software Enginering and Methodology 2(1):1462–1473Google Scholar
  25. 25.
    European Technology Platform Smart Grids. http://ec.europa.eu/research/energy/pdf/smartgrids_en.pdf. Zugegriffen: 30.7.2015
  26. 26.
    Wedde HF, Lehnhoff S (2007) Dezentrale vernetzte Energiebewirtschaftung im Netz der Zukunft. Wirtschaftsinformatik 6Google Scholar
  27. 27.
    Informations- und Kommunikationstechnologien als Treiber für die Konvergenz Intelligenter Infrastrukturen und Netze (2014). Studie im Auftrag des Bundesministeriums für Wirtschaft und energie (Projekt-Nr. 39/13). LMU-Forschungsverbund: Intelligente Infrastrukturen und Netze, Abb. 2, S. 20Google Scholar
  28. 28.
    acatech (2011) Cyber-Physical Systems. Innovationsmotor für Mobilität, Gesundheit, Energie und Produktion. Springer, BerlinGoogle Scholar
  29. 29.
    Falk D (2010) CNC-Kompendium PAL Drehen und Fräsen, Braunschweig. https://de.wikipedia.org/wiki/CNC-Drehmaschine. Zugegriffen: 30.7.2015Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2016

Authors and Affiliations

  1. 1.Lehrstuhl für Philosophie und WissenschaftstheorieTU MünchenMünchenDeutschland

Personalised recommendations