2020 gründeten meine Geschäftspartner und Ich Loci ML mit dem Ziel die Komplexität von Machine Learning Projekten zu reduzieren und unsere Kunden dabei zu unterstützen, Bildklassifizierungslösungen erfolgreich in ihre Produkte zu integrieren.
Hierbei lernte ich nicht nur viel über Machine Learning, sondern auch über den Aufbau von Kubernetes Clustern und wie man eine Micro-Service-Architektur mit einer Verfügbarkeit von 99.99% implementiert.
Webseite: loci.ml
Als Weltmarktführer von Energiekettensystemen mit Spezialleitungen, Steckern und Zubehör bietet Igus seinen Kunden die Möglichkeit sich mithilfe der Bestellung einer Musterbox von der Qualität seiner Hochleistungspolymere zu überzeugen.
Durch die Einbindung von Objekt-Erkennung können dem Benutzer nicht nur gezielter Informationen bereitgestellt werden. Durch eine Personalisierung der Musterbox würde außerdem der Sales-Prozess optimiert. Der bereitgestellte Prototyp wird aktuell evaluiert. Weitere Infos sehen Sie im Video.
Nach kurzem Kontakt mit dem opensource Nocode-Tool n8n wollte ich herausfinden, ob es möglich ist ein Blockchain-Protokoll zu entwickeln, ohne Code zu schreiben.
Das Ergebnis ist eine ca. 90%-ige Nocode Lösung, deren Code-Anteil durch Pull-Requests im n8n Repository weiter reduziert werden könnte.
Die Blockchain läuft auf 2 Raspberry Pis und ist öffentlich, d.h. jeder kann Transaktionen hinzufügen. Hierzu ist es nur notwendig sich eine Identität zu generieren und dann mithilfe des privaten Schlüssels Transaktionen zu signieren.
Medium Story
Demo
Source-Code
Bei der Dendrochronologie geht es darum Baumquerschnitte aus der selben Region, aber aus unterschiedlichen Epochen zu analysieren und deren Jahresringe zu messen. Mithilfe der gewonnenen Daten und der Analyse eines unbekannten verarbeiteten Holzschnittes, können z.B. alte Handelsbeziehungen rekonstruiert werden.
Was früher in mühevoller Arbeit mit dem Mikroskop erfolgte soll nun mithilfe von Software und Algorithmen vereinfacht und beschleunigt werden. Hierfür stehen das CEZA aus Mannheim (Curt-Engelhorn-Zentrum Archäometrie) und ich als Lead-Developer in den Startlöchern für eine Zusammenarbeit. Ein erster Prototyp konnte bereits überzeugen.
Während ein Techniker von Waterlogic weiß, welches Wasserspendermodell er vor sich hat, ist dies bei einem Angestellten der leasenden Firma eher selten der Fall.
Da die Seriennummern der Geräte oft nur schwer einsehbar sind und jeder erwachsene Mensch ein Smartphone besitzt, ist die naheliegenste Möglichkeit der Modellbestimmung die Nutzung von Bilderkennung.
Nachdem alle Wasserspender aus den Waterlogic Stammdaten geocodiert wurden, ist es nun sogar möglich mithilfe der Standortdaten des Smartphones den korrekten Wasserspender auf Service-Objekt-Ebene mit einer Genauigkeit von ~90% zu identifizieren.
Durch die Identifikation des Service-Objektes steht dem Service-Mitarbeiter nun nicht nur die Modellbezeichnung, sondern die gesamte Reparatur-Historie zur Verfügung. Das Heißwasser wurde als defekt gemeldet und laut System wurde der Wasserfilter vor 11 Monaten das letzte mal gewechselt? In diesem Fall ist es günstiger den Wechsel des Filters vorzuziehen, als einen Monat später erneut einen Techniker zum Kunden zu schicken.
Alexa, Let's talk "dirty"! Einmal im Leben einen viralen Hit landen. Neben einem seriösen Skill habe ich den Dirty Talk Skill ins Leben gerufen, welcher durch die Benutzung eines Users zum viralen Hit wurde (Video hier). Neben großem Interesse aus der Alexa-Community wurde auch in zahlreichen In- und Ausländischen Medien darüber berichtet (Z.B. auf Web.de, heute.at und 20min.ch).
Leider teilte Amazon die Begeisterung der Community nicht und nahm den Skill später offline. Wer technisch affin ist, kann sich den Skill über den Quellcode aus meinem Github-Repository klonen und seine "Alexa" damit ausstatten.
created with
HTML Website Builder .