Die Tokeya Deep Data Dive GmbH & Co. KG entwickelt derzeit ein einzigartiges Software Tool.

Name

TS-ANNalyzer (Time Series Artificial Neural Network Analyzing Software Suite)

Zweck

Analyse und Vorhersage von Zeitreihen (Time Series) mit Verfahren des (Deep) Machine Learning (ML) als Kern der hierzu verwendeten KI (Künstliche Intelligenz) in Kombination mit Methoden aus der nichtlinearen Systemdynamik.

Gegenstand

Zeitreihen aus unterschiedlichsten Gebieten wie z. B. sensorische Daten aus einer Vielzahl von Anwendungsbereichen: Elektrotechnik, Umwelt-Datenanalyse, Automobiltechnik, Produktionstechnik, medizinisch-biologische Analysen, Informations- und Sicherheittechnik, Energietechnik aber auch aus der wissenschaftliche Datenanalyse wie z. B. von Klima- und astrophysikalischen Daten ebenso wie aus ökonomischen Markt-Datenanalysen und Finanzen.

Zeitreihen sind die Goldminen in Big Data! (Fast) alle Daten unterliegen einer zeitlichen Veränderung. Folglich können fast alle Daten als Zeitreihen analysiert werden.

Es liegt hiermit bereits vom Gegenstand her sowohl eine Horizontal- wie auch eine Vertikalskalierung gleichzeitig vor. Bei jedem (unterschiedlichen) Anwendungsbereich sind die Methoden (aus der KI) für deren Untersuchung ähnlich zueinander (horizontale Skalierung). Es gibt von der Art der KI-Methoden her keine Beschränkung der Zeitreihen in ihrer Länge und Menge (vertikale Skalierung).

Vorteil bei Zeitreihen bzgl. ihrer Datenart im Unterschied zu anderen NN-Strukturen: Sie sind abstrakt und dennoch homogen, obwohl verschieden; x(ti) ist es egal, woher es stammt, den NNs und den Methoden aus der Systemdynamik ist dies ebenfalls gleichgültig.
Skalierbarkeit in jede Richtung!

Die Input-Länge ist die betrachtete Vektorlänge für verschiedene i-Zeitpunkte des gleichen Datums, z. B. eines Zustands oder Messwerts in der Vergangenheit. Folglich ist die TS-ANNalyzer Software Suite hierfür von vornherein allgemein und beliebig skalierbar. Dies ermöglicht es, einen sehr breiten Kundenstamm mit unterschiedlicher Anwendungstiefe anzusprechen.

Art der Zeitreihen

Die den jeweiligen Anwendungen zugeordneten Zeitreihen besitzen unterschiedliche Charakterisierungen:

Lineare versus nichtlineare Dynamik und demzufolge z. B. lineare periodische Zeitreihen (mit Störungen stochastischer Natur, i.e. Rauschen unterschiedlicher Art als „zufällige“ unerwartete Änderungen der Zeitreihe) versus nichtlineare chaotische Zeitreihen, bei denen auch plötzliche Änderungen der Entwicklung der Zeitreihenwerte auftreten können, die aber nicht „zufällig“ sind. Die „einfachen Zeitreihen“ stellen sich prinzipiell als Sonderfälle der chaotischen nichtlinearen Zeitreihen heraus. In ihnen ist allerdings immer eine „chaotische Komponente“ enthalten.

Folglich gilt es, genau diese chaotische Komponente der betrachteten Zeitreihen festzustellen und zu ermitteln, in welchem Ausmaß diese die weitere Entwicklung der Zeitreihe, deren Zukunft, bestimmen.

Woran herkömmliche Verfahren, auch Neuronale Netze, bei der Vorhersage der weiteren zukünftigen Entwicklung der Zeitreihen oft scheitern, ist die mangelnde bis ausbleibende Unterscheidung der Charakterisierung der nichtlinearen Zeitreihen von linearen Zeitreihen.

Genau an diesem Punkt setzt die TS-ANNalyzer Software Suite an.

Wir werden nicht nur klassische Algorithmen wie ANOVA oder lineare Modelle wie ARIMA in das Softwareprodukt integrieren, sondern wir wollen auch Erweiterungen dieser linearen Analyseverfahren in die nichtlineare Dynamik vornehmen.

Dies gilt insbesondere für die zu Beginn der Zeitreihenanalyse vorzunehmende Unterscheidung chaotischer Zeitreihen von „normalen“ linearen Zeitreihen. Entsprechend des Ergebnisses dieser Unterscheidung werden durch TS-ANNalyzer unterschiedliche, für die jeweilige Problemstellung passende Neuronale Netze generiert, je nach Anwendung und deren Besonderheiten.

Die einmalige Besonderheit der TS-ANNalyzer Software Suite ist die enge Verknüpfung der eigentlichen Vorhersage zukünftiger Werte der Zeitreihe über neuronale Netze mit den Verfahren aus der nichtlinearen Systemdynamik (u. a. Chaosmathematik), die bei jedem Vorhersageschritt in die Zukunft eingesetzt werden. So verfügen wir nach intensiver Recherche bereits jetzt über wichtige Werkzeuge zur quantitativen Charakterisierung der Chaotizität einer Zeitreihe, die bei jedem Vorhersageschritt mittels eines Neuronalen Netzes eingesetzt werden, um in der Vorhersage des nächsten Wertes die für die Zeitreihe vorherrschende Systemdynamik zu gewährleisten. Genau dadurch wird es möglich, den zukünftigen Verlauf einer chaotischen Zeitreihe mit hoher Akkuratheit vorherzusagen.

Umsetzung

Zu Beginn wird die Software noch eine einfachere graphische Benutzeroberfläche aufweisen. Diese wird dann für jeden Anwendungsbereich spezifiziert und als variable Eigenschaft der Software Suite sukzessive ausgebaut.

Dies ist deswegen möglich, weil sie praktisch von Anfang an in Module unterteilt wird, welche die Funktionalität der Software stück- und schrittweise erweitern.

Besonderheiten

Die Frage ist: Was muss gelernt werden? Was muss/kann aus der bestehenden Zeitreihe entnommen werden, um sie fortzusetzen, d.h ein forecasting zu leisten und dies auf lange Frist? Aus welchen Eigenschaften heraus muss dies geschehen? Das ist etwas völlig anderes, als einen bestehenden System-Zustand zu detektieren und als kritisch/unkritisch zu kennzeichnen, was im „normalen“ Neuronalen Netz ein naheliegender Weg wäre.

Voraussetzung : Test auf Chaotizität.

Zielsetzungen von anwendungsspezifischen Teil-Produkten in Modulen

Übergang zur Risiko-Analyse (Asset, Health Index intelligent) Warnings, Alarmschwellen usw.

Kommunikationsintelligenz wird ausgebaut! – z. B. Chatbots für höhere usability
Idee: Dual Bots als Adversarial Bots ergibt im Trialog mit Benutzer eine völlig andere Kommunikations- Situation (siehe Lacans Kommunikations-Theorie) - ein langfristiges Ziel im Zusammenhang mit dem Ziel der Übertragung der Experten-Kompetenz auf Zwischen-Instanz des KI-Systems.

KI Chips everywhere:  Ab 2018 ist mit dem Smartphone praktisch ein universelles KI-Gerät, welches für eine Vielzahl sensorischer Messungen und deren Auswertung eingesetzt werden kann, in jeder Hand verfügbar.

Generell:  KI-Chips im Handy etc. eröffnen völlig neue Hardware-Generation sowie neue Produkte und Geschäftsmodelle. Eine Entwicklungsumgebung für die neue neuronale Hardware mit TS-ANNalyzer für praktische Anwendungen beim End-Consumer ist ein mögliches Teilprojekt mittelfristig.

Ziel:  Bis Ende QI/18 ein Alpha-Produkt mit neuen Features z. B. Complex Valued Deep NN und Time Series mit nichtlinearer Dynamik kombiniert mit GAN (rekurrent Netze) sowie standard-linearen Modellen zum Click and Initiate Analyzing.

Globaler Effekt:  Transfer von spezifischer Intelligenz des Bedienpersonals in die Software, die ganz offensiv die neuronale Hardware vor Ort ausnutzt oder on demand mit Server-Intelligenz zusammen arbeitet.