CIplus
Band 4/2017
T inkwasse -Siche hei mi P edic i e
Analy ics und O acle
Thomas Ba z-Beiels ein, S e en Mo i z, Jan S ohschein,
Dimi i G oss, Ral Sege
18 | h p://bs.doag.o g
T inkwasse -Siche hei mi P edic i e
Analy ics und O acle
P o . Thomas Ba z-Beiels ein, S e en Mo i z und Jan S ohschein, Technische Hochschule Köln, sowie Dimi i G oss und
Ral Sege , OPITZ CONSULTING GmbH
Ve un einigungen im Wasse ne z können wei e Teile de Be ölke ung unmi elba ge äh den. Ge ah enpo enziale bes ehen dabei nich nu
du ch mögliche k iminelle Handlungen und e o is ische Anschläge. Auch Be iebss ö ungen, Sys em ehle und Na u ka as ophen können
zu Ve un einigungen üh en.
Um die Auswi kungen on unbeabsich ig-
en und o sä zlichen Kon amina ionen des
T inkwasse s so ge ing wie möglich zu hal-
en, a bei en Wasse e so ge , Fo schungs-
ins i u e und p i a e Un e nehmen gemein-
sam an Schu zkonzep en. Dabei se zen die
Ve so ge zum Beispiel sogenann e „E en
De ec ion Sys ems“ ein und ins allie en On-
line-Senso ik zu Übe wachung de Wasse -
quali ä an e schiedenen Posi ionen im ge-
sam en T inkwasse ne z. Fü die E mi lung
on Anomalien we den meis Ve ah en des
maschinellen Le nens eingese z . De e s e
Teil des A ikels gib einen Einblick in den
Au bau des E en -De ec ion-Sys ems ü die
T inkwasse e so gung, wäh end im zwei-
en Teil au gezeig is , wie sich die An o de-
ungen an Big Da a und P edic i e Analy ics
mi O acle-So wa e umse zen lassen.
T inkwasse ne ze s ehen un e besonde-
e Au me ksamkei . Sie gehö en zu den Ein-
Business News 1-2017 | 19
Big Da a
ich ungen mi zen ale Bedeu ung ü das
s aa liche Gemeinwesen, bei de en Aus all
ode Beein äch igung nachhal ig wi kende
Ve so gungsengpässe, e hebliche S ö un-
gen de ö en lichen Siche hei ode ande e
d ama ische Folgen ein e en. Die ö en li-
che Wasse e so gung gehö dahe neben
Sek o en wie Ene gie und Gesundhei sowie
In o ma ions echnik ode Telekommunika-
ion zu den sogenann en „k i ischen In a-
s uk u en“ [1].
In ak uellen Fo schungs o haben a bei-
en Wasse e so ge , Fo schungsins i u e
und p i a e Un e nehmen gemeinsam da-
an, die Auswi kungen on unbeabsich-
ig en und o sä zlichen Kon amina ionen
des T inkwasse s so ge ing wie möglich zu
hal en. Insbesonde e die ame ikanische
Umwel schu zbehö de EPA nimm hie
eine Vo ei e olle ein und eib das Thema
in meh e en Fo schungsp ojek en o an.
Auch in Deu schland gib und gab es be ei s
meh e e Fo schungsp ojek e dazu; un e
ande em beschä ig sich die A bei sg uppe
SPOTSe en de TH Köln im Ve bundp ojek
„IMP o T“ in Zusammena bei mi meh e en
Wasse e so ge n und dem Senso he s el-
le E+H Conduc a mi de ech zei igen E -
kennung on Quali ä sbeein äch igungen
im T inkwasse .
Ein iel e sp echende Ansa z is de Ein-
sa z on E en -De ec ion-Sys emen (EDS).
Diese analysie en die an allenden g oßen
Da en olumina de Wasse quali ä s-Sen-
so en und sollen Anomalien zei nah e ken-
nen. Weil die Pa ame e de Wasse quali ä
be ei s im No malbe ieb s a k schwanken,
is dies keine ein ache Au gabe. Machine-
Lea ning-Konzep e mi Modellen wie neu o-
nalen Ne zen ode Suppo Vec o Machines
spielen dabei eine wich ige Rolle.
Das Con amina ion-Wa ning-Sys em
Um die Auswi kungen on Ve un einigun-
gen so ge ing wie möglich zu hal en, is eine
zügige Einlei ung on Gegenmaßnahmen
essenziell. Dies se z o aus, dass die Kon-
aminie ung be ei s wenige Minu en nach
de en Au e en en deck wi d. Da ü wu de
das Konzep des Con amina ion-Wa ning-
Sys ems (CWS) en wickel . Es bezeichne das
Zusammenspiel e schiedene p oak i e
Übe wachungs- und Kon oll echnologien
[2]. Da en aus e schiedenen Be eichen und
Sys emen wie Online-Senso ik zu Messung
de Wasse quali ä , Kundenbeschwe den,
Labo messungen ode Gebäudeübe wa-
chung we den gesammel und analysie
(siehe Abbildung 1).
Momen ane CWS-Ansä ze sind alle dings
noch seh au wändig. Neben den g oßen
Mengen on an allenden Da en, die e a -
bei e we den müssen, is o allem die ein-
gese z e Senso ik eue und wa ungsin en-
si . So belau en sich die Anscha ungskos en
ü eine einzelne Messs a ion im Wasse e -
eilungsne z be ei s au meh e e Tausend
Eu o. Au die Online-Senso ik zu e zich-
en, is o zdem nich a sam, denn du ch
die eilweise meh mals p o Minu e du ch-
ge üh en Online-Messungen is es mög-
lich, Beein äch igungen de Wasse quali ä
schon au zuzeichnen, be o das Wasse den
Kunden e eich .
Das eine Au zeichnen de Da en is alle -
dings nu eine Sei e de Medaille. Zusä zlich
is noch ein E en -De ec ion-Sys em (EDS)
nö ig, um die Da en auszuwe en, au o-
ma isie Anomalien zu e kennen und ge-
gebenen alls Ala m zu schlagen [4]. Da die
Pa ame e be ei s im No malbe ieb s a k
schwanken, is dies keineswegs i ial. Auch
Ände ungen de Be iebspa ame e , wie die
Menge des abgegebenen Wasse s, können
zu ähnlichen Mus e n üh en wie a sächli-
che Quali ä sbeein äch igungen. Das EDS
muss also eine sei s g oße Da enmengen
e a bei en, ande e sei s abe die E gebnis-
se möglichs zei nah be ei s ellen. Dami
s ell es den wich igs en und ansp uchs-
olls en Bes and eil eines CWS da .
Abbildung 1: Die Bes and eile eines Con amina ion-
Wa ning-Sys ems (CWS)
Abbildung 2: Senso panel mi Senso en ü Redox-Po enzial, Lei ähigkei , Chlo dioxid, Tempe a u , pH-We
und T übung
20 | h p://bs.doag.o g
Online-Senso ik ü die Wasse quali ä
Nich alle Quali ä spa ame e , die ü eine
Analyse sinn oll sind, können auch wi klich
online gemessen we den. Bak e ienbelas-
ungen e wa lassen sich nu im Labo ode
mi Tes s o O zu e lässig e mi eln. Die-
se Ums and e schwe die E kennung on
E en s, weil die Pa ame e , die gemessen
we den, o mals nu indi ek au die Pa ame-
e hinweisen, die a sächlich ele an sind
(siehe Abbildung 2).
Zu den ypischen Pa ame e n, die ü die
De ek ion on Quali ä sbeein äch igungen
ele an sind und die auch online gemessen
we den können, gehö en Tempe a u , Chlo -
dioxid, pH-We , Lei ähigkei , T übung und
Redox-Po enzial [3]. Abbildung 3 zeig einen
Ausschni aus den Da en eine Messs a ion.
G undsä zlich können Anomalien du ch
die E höhung de Senso en im Ne z zu e -
lässige und schnelle de ek ie we den.
Da die Senso panels alle dings ela i eue
sind und auch egelmäßig gewa e we den
müssen, muss im Be ieb ein Komp omiss
zwischen Wi scha lichkei und Anzahl de
Senso en eingegangen we den.
Die egelmäßige Wa ung und Nachka-
lib ie ung de Senso ik is hie bei wich ig.
Wi d sie e nachlässig , e höhen e älsch e
Messungen die Anzahl de Fehlala me, die
du ch das EDS ausgegeben we den. Die Ta -
sache, dass ein S omanschluss e o de lich
is und die Da enübe agung siche ges ell
sein muss, eduzie die Anzahl mögliche
Senso -S ando e zusä zlich. Im Senso -
panel in Abbildung 2 is zu sehen, dass die
Senso en keineswegs klein sind und dem-
en sp echend Raum benö igen. Be o zug-
e S ando e ü die Senso ik sind deshalb
Hochbehäl e , die eine sei s an besonde s
wich igen Punk en im Ne z s ehen und zum
ande en auch die ü die In as uk u benö-
ig en Vo ausse zungen mi b ingen.
Das E en -De ec ion-Sys em
Das E en -De ec ion-Sys em (EDS) dien de
E kennung on Au älligkei en in den Da en,
die mi els Online-Senso ik au genommen
wu den. Dazu we den S eaming-Da en
e a bei e [5]. Es is wich ig, nahezu alle
Kon amina ionse eignisse zu e kennen und
gleichzei ig die Anzahl de Fehlala me mög-
lichs ge ing zu hal en. Realisie wi d die De-
ek ion on Au älligkei en im EDS meis in
einem zweis u igen P ozess [4].
Im e s en Sch i wi d ein zukün ige
Wasse quali ä swe o he gesag . Diese
Vo he sage basie in de Regel au ku z zu-Abbildung 4: Neu al Ne wo k Model: pH-We
Abbildung 3: Beispielha e Zei eihe übe 24 S unden mi Messwe en ü Tempe a u , Chlo dioxid, pH-We ,
Redox-Po enzial, Lei ähigkei , T übung und Wasse abgabe-Menge
Business News 1-2017 | 21
Big Da a
o au genommenen We en. Da ü kom-
men un e schiedliche Me hoden zum Ein-
sa z, e wa modellbasie e Vo he sagen mi
neu onalen Ne zen ode Suppo Vec o
Machines. Abbildung 4 zeig beispielha ein
Modell mi einem neu onalen Ne z ü den
Pa ame e „pH-We “. Inpu sind die pH-We -
e aus de jünge en Ve gangenhei und die
We e wei e e Senso en. In einem zwei en
Sch i we den die be echne en Vo he sa-
gen mi den a sächlich ein e enden We -
en e glichen, sobald diese e ügba sind.
Die En scheidung, ob eine Anomalie o -
lieg , häng on de Di e enz zwischen dem
o he gesag en We („P edic ion“) und dem
a sächlich einge e enen We („Obse a i-
on“) ab sowie da on, wie sich diese Di e enz
übe die e gangenen Minu en en wickel
ha . Einzelne Aus eiße in sons unau älli-
gen Da en üh en hie bei nich unbeding
di ek zu einem Ala m, denn sie sind o mals
au Senso ehle zu ückzu üh en. E s wenn
meh e e Messwe e hin e einande signi i-
kan on de P ognose abweichen, e olg
eine Meldung.
P ak ische Umse zung
Die Übe wachung de We e, die das Senso -
panel im CWS e heb (siehe Abbildung 2), is
eine ypische S eaming-P oblema ik. Mess-
da en we den kon inuie lich im CWS e ass ,
e sende und wollen e a bei e sein. Ein-
zelne Beobach ungen könn en au ein ea-
les P oblem hindeu en, alle dings sind in de
P axis einige Falls icke zu bewäl igen, die
bei einem idealisie en Labo -S eam nich
anzu e en sind:
• Fehle und Aus all on Senso en
• S ö ungen wie Zei e sa z im Sende-
Ne zwe k
Obwohl man schon beim ein e enden Da-
ens om mi Fehle n echnen muss, wi d die
gesam e Da enmenge ü die Analyse-Pipe-
line genu z . Ein pe sis en e Da enpu e
am An ang jede S eam-Ve a bei ung s ell
siche , dass die Messda en nich e lo en
gehen, soll e ein echnische Fehle bei de
Übe wachung au e en. Eine skalie ba e
Lösung bie e beispielsweise Apache Ka ka
(siehe „h ps://ka ka.apache.o g“). Ein Ka ka-
Consume kopie die ein e enden We e
in ein Eme gency Topic und kann so au ein-
zelne ex eme Senso da en eagie en.
Im Beispiel in Abbildung 5 lie e das CWS
die Senso da en ü Redox-Po enzial, Lei ä-
higkei , Chlo dioxid, Tempe a u , pH-We
und T übung. Eine Anbindung wei e e Da-
enquellen is jede zei möglich. Die Da en
we den en wede ak i om Senso an den
MessageCollec o gepush ode die Message
Collec o -Komponen e hol sich die Da en in
bes imm en Zei in e allen.
Au A chi ek u -Ebene en koppel das Sys-
em diese echnische Abhängigkei und lie-
e de nach olgenden Ve a bei ungspipe-
line (Eins iegspunk „Da aPipeline“) eine
neu ale Schni s elle. Zusä zlich s ell eine
hochskalie ba e Message Queue wie Apa-
che Ka ka die wiede holba e Ve a bei ung
siche und e hinde das sogenann e „In o -
ma ion Flooding“.
Message Queues we den schon lange in
En e p ise-Anwendungen eingese z , um
do un e ande em als Pu e Da en siche
on de Quelle an ih Ziel zu b ingen. Apache
Ka ka ha auße de he aus agenden Pe o -
mance noch wei e e posi i e Eigenscha en:
Die Da en lassen sich ü eine o kon igu-
ie ba e Zei zwischenspeiche n. Auße dem
we den be ei s abgehol e Da en nich au o-
ma isch gelösch . Ein Clien kann also jede -
zei wiede au O iginalda en zug ei en. De
Consume en scheide , welche Da en e e -
wenden möch e.
Dem Consume bie en sich meh e e Op-
ionen an. Eine ech e S eam-Ve a bei ung
kann zum Beispiel mi Apache S o m (siehe
„h p://s o m.apache.o g“) ode Apache Ig-
ni e (siehe „h ps://igni e.apache.o g“) e ol-
gen. Um Modelle zu ainie en, kann e im
sogenann en „Mic o-Ba ch-Be ieb“ a bei-
en. Im Kon as zu einem bes ändigen Da-
ens om, de einzelne Tupel an die Topo-
logie sende , we den beim Mic o-Ba ching
meh e e Tupel au einmal e sende . Die
Menge is meis ens übe ein Zei in e all
es geleg . Möglich is bei manchen F ame-
wo ks auch eine ixe Anzahl.
Abbildung 5: S eam-P ocessing-A chi ek u mi Einbindung meh e e CWS-Senso panels
22 | h p://bs.doag.o g
Di ek on Ka ka mi Da en be anken
lassen sich Al e na i en wie das au S o m
au se zende T iden (siehe „h p://s o m.apa-
che.o g/ eleases/1.0.1/T iden - u o ial.h ml“),
Apache Flink (siehe „h ps:// link.apache.o g“)
ode Apache Spa k (siehe „h p://spa k.apa-
che.o g“). Jedes diese F amewo ks bie e
auch eine In eg a ion ü Machine Lea ning
Lib a ies. Im P ojek zu T inkwasse -Analyse
bei de TH Köln komm das Spa k-S eaming
zum Einsa z, o allem au g und de g öße-
en Ve b ei ung und weil die Zei ens e -
S a egien ü diesen Use Case aus eichen.
In ande en Anwendungen kann Flink mi
seinen a iable en Zei ens e n die besse e
Wahl da s ellen.
Die in Abbildung 5 da ges ell e Ve a bei-
ungspipeline beginn mi eine Fil e ope a i-
on. Diese Fil e dien dazu, kla e Mess ehle
aus de Ve a bei ungspipeline e nzuhal en.
Na ü lich soll e da ü be ei s Wissen übe die
Senso be eiche o handen sein. Die unge-
il e en Rohda en ließen deshalb in einen
Da a S o e. Spa k un e s ü z den schnellen
Da en ans e zu einigen NoSQL-Da enban-
ken wie HBase, Cassand a ode Accumulo.
De Da a S o e in Abbildung 5 lie e die
T ainingsda en ü die in e ak i e Modellie-
ung. Das sogenann e „Supe ised Lea ning“
nimm einen be äch lichen zei lichen Au -
wand in Ansp uch. Alle dings wi d du ch
explo a i es Vo gehen auße Re e enzmo-
dellen auch Ve s ändnis ü Da en gene ie .
Um meh Modelle als Ku z- ode Langzei -
gedäch nis zu ainie en, sind die Messwe e
noch pa i ionie . Mi diesen we den „Machi-
ne Lea ne “ ainie . Die Pa i ionie ung dien
nich nu de schnelle en Pe o mance, son-
de n häl auch einen Teil de Da en zu ück,
um die Modellgenauigkei zu alidie en.
Alle so gewonnenen Modelle können zu
Ala mie ung eingese z we den. Abe wo an
e kenn das Sys em besonde e E en s, die ei-
nen Ala m auslösen können? Welche diese
E en s sind ele an ? Senso ehle und eh-
lende Da en eduzie en die Aussagek a de
gemessenen Da en. Fehlende Messda en lie-
e n keine alide Aussage übe den Zus and
des zu beobach enden Sys ems. Da imme
Zei ens e be ach e we den, die eine Zei -
eihe on Senso da en lie e n, können ein-
zelne Missing Values igno ie we den. Ein
lee es Zei ens e is mi dem To alaus all
eines Senso s gleichzuse zen und zieh als
Eskala ion eine Repa a u beziehungsweise
den Aus ausch des Senso s nach sich.
E en s, die au g und ungewöhnliche
Messda en ausgegeben we den, lassen sich
mi den oben e wähn en s a is ischen Mo-
dellen p ü en. Bei klassischen Whi ebox-
Modellen (wie „lm“ ode „glm“) lassen sich
Kon idenz-In e alle angeben. Liegen meh-
e e Messwe e auße halb dieses Kon idenz-
be eichs, lieg ein wei e e Ala mie ungs all
o . Bei Black-Box-Modellen (neu onalen
Ne zen) g enz man übliche weise den zu-
lässigen We ebe eich ein. Beobach ungen
auße halb diese G enzen we den au den
nächs en G enzwe no mie [7].
Was noch zu beach en is
Sowei die Technik. Doch wie sieh es in de
P oduk ion aus? Welche Fak o en können
ein Big-Da a-Vo haben zum Schei e n b in-
gen? Das sind F agen, die iele Un e neh-
men, die Big Da a e p oben und in die P o-
duk ion übe üh en möch en, e gessen.
Typische G ünde ü das Schei e n on Big-
Da a-Vo haben sind e ah ungsgemäß:
• Falsche E wa ungen
• Zei liche Ve zöge ungen bei de En schei-
dungs indung
• Zu s a ke Di e genz bei Technologien
und o handenen Skills
Diese d ei Schlüsselaspek e soll en o dem
S a eines Big-Da a-Vo habens geklä we -
den. So emp iehl sich beispielsweise Lean
S a up [6] als me hodische Vo gehensweise.
Abbildung 6: „Demand & Supply“ s. explo a i e Vo gehensweise
Business News 1-2017 | 23
Big Da a
Es kann beim Managemen das Bewuss sein
da ü schä en, dass eine Hypo hese auch
ein nega i es Resul a lie e n kann.
Zudem is es wich ig, sich mi o ganisa o-
ischen F agen auseinande zuse zen. Es gib
häu ig Un e nehmen, die e s angesich s des
d ohenden Schei e ns eines Pilo p ojek s
eine o ganisa o ische Anpassung übe p ü-
en und angehen. Wenn das Managemen
e s zu diesem Zei punk es s ell , dass eine
e ablie e, jedoch igide O ganisa ions o m
(Plan-Build-Run) nich zu einem hoch agi-
len Thema wie Big Da a pass , kann ein Um-
schwenken seh eue we den.
Rigide Abläu e, lange Zyklen im An o de-
ungsmanagemen und ehlende Möglich-
kei en, ein dedizie es Team ü Big-Da a-
Vo haben zusammenzus ellen, lassen ein
P ojek schei e n. Le z endlich wä en dami
also bü ok a ische Hü den mi zu ielen
Schni s ellen de wesen liche G und. Nu
ein Sch i in Rich ung eine i uellen O ga-
nisa ion kann hie be ei s Abhil e scha en.
Die Au bau-O ganisa ion is dabei ein indi i-
duelles Thema und ich e sich imme an die
Gesam s uk u des Un e nehmens. Auch
das Gewich des Big-Da a-Vo habens ü die
Gesam un e nehmung spiel hie eine Rolle.
Ein wei e e wich ige Punk sind die o han-
denen Skills und das Know-how zu neuen
Technologien im Un e nehmen. De P ozess
ü den Skill-Au bau kann pa allel mi den
o ganisa o ischen Maßnahmen s a inden.
Ein wei e e Fak o , de den explo a i en
P ozess de Hypo hesen-E p obung be-
schleunigen kann, is de Einsa z eine Big-
Da a-Dis ibu ion, die au eine passenden
Ha dwa e läu . Man s elle sich die Da enbe-
wi scha ung als zwei in sich g ei ende P o-
zesse o . De e s e P ozess, de sich mi de
explo a i en Übe p ü ung on Hypo hesen
beschä ig (siehe Abbildung 6), wi d in de
P axis o als „Da a Lab“ bezeichne . Dem-
en sp echend de inie de zwei e P ozess
einen s abilen P oduk i be ieb und wi d
übliche weise als „Da a Fac o y“ bezeichne
(siehe Abbildung 7).
Ein Enginee ed Sys em, in dem Ha dwa e
und So wa e kombinie sind, bie e O acle
mi seine Big Da a Appliance an. Au diese
mäch igen Ha dwa e läu Cloude a EDH mi
den dazugehö igen F amewo ks. Das Sys-
em e möglich zum einen die p o o ypische
Umse zung und s ell zum ande en den P o-
duk i be ieb im Rahmen eine Da a Fac o y
siche . Apache Zeppelin, das in de Cloude a
EDH mi gelie e wi d, e möglich eine ex-
plo a i e E p obung on Hypo hesen, was
wiede um gu zum Da a-Lab-Konzep pass .
In diesem Szena io a bei en die Da a Sci-
en is s an de E p obung ma hema ische
Ve ah en, wäh end ein Team aus So wa e-
En wickle n und In eg a o en die be ei s a-
lidie en Hypo hesen in die p oduk i e Da-
enbewi scha ung übe üh .
Fazi
Neue En wicklungen im Be eich de Senso -
echnik, des High Pe o mance Compu ing
und de Da en-Analyse (Big Da a, Deep Lea -
ning) e möglichen Lösungen in Be eichen,
die noch o wenigen Jah en au g und on
ehlenden Da en ode wegen de g oßen
Be echnungskomplexi ä undenkba gewe-
sen wä en. Die in diesem A ikel besch iebe-
ne Online-T inkwasse übe wachung, die im
Ve bundp ojek „IMP o T“ de TH Köln on
de A bei sg uppe SPOTSe en (siehe „www.
spo se en.de“) en wickel wi d, s ell ein p o-
minen es Beispiel da .
Die e schiedenen P oduk e de Apa-
che So wa e Founda ion e lauben eine
skalie ba e und aus allsiche e Ve a bei ung
on Big Da a und insbesonde e on S e-
aming-Da en. In Kombina ion mi neuen,
e schwinglichen Cloud-Angebo en ü die
hochpe o man e Da en e a bei ung und
-speiche ung we den solche P ojek e auch
ü g oße Da enmengen wi scha lich sinn-
oll − ü sensible Da en du ch eine O acle
Cloud Machine soga On-P emise im eige-
nen Da encen e . Die ge ingen Kos en e -
lauben es agilen Teams, neue Ansä ze aus-
zup obie en, explo a i die wi scha lichen
Möglichkei en eines Vo habens auszulo en
und bei den Mi a bei e n we olle Fähig-
kei en au zubauen.
Li e a u
[1] Bundesminis e ium des Inne n, Na ionale S a-
egie zum Schu z k i ische In as uk u en,
2009
[2] Robe son, J. Alan, Mo ley, Ke in M., Con amina-
ion Wa ning Sys ems o Wa e : An App oach
o P o iding Ac ionable In o ma ion o Decisi-
on-Make s, Ame ican Wa e Wo ks Associa ion,
2005
[3] S o ey, Michael V., an de Gaag, B am, Bu ns,
B endan P., Ad ances in On-line D inking Wa e
Quali y moni o ing and ea ly wa ning sys ems,
Wa e Resea ch 45.2, 2011 (Sei e 741 − 747)
[4] Mu ay, R., e al., Wa e Quali y E en De ec-
ion Sys ems o D inking Wa e Con amina ion
Wa ning Sys ems – De elopmen , Tes ing and
Applica ion o CANARY, 2010
[5] Ba z-Beiels ein, T., Expe imen al Algo i hmics
Applied o On-line Machine Lea ning, in Papa,
G. and Me nik, M., Bioinspi ed Op imiza ion
Me hods and hei Applica ions, 2016 (Sei e 94
− 104)
[6] Ries, E., The Lean S a up: How Today’s En ep e-
neu s Use Con inuous Inno a ion o C ea e Ra-
dically Success ul Businesses. C own Publishing,
2014
[7] Klein, B. D., Rossin, D. F., A P elimina y Analysis
o Da a Quali y in Neu al Ne wo ks, 1997
Dimi i G oss
dimi i.g oss@opi z-consul ing.com
Abbildung 7: Ke np ozesse in Da a Lab & Da a Fac o y
Kon ak /Imp essum
Diese Ve ö en lichungen e scheinen im Rahmen de Sch i en eihe "CIplus". Alle Ve ö -
en lichungen diese Reihe können un e
h ps://cos.bibl. h-koeln.de/home
abge u en we den.
Die Ve an wo ung ü den Inhal diese Ve ö en lichung lieg beim Au o .
Da um de Ve ö en lichung: 06.06.2017
He ausgebe / Edi o ship
P o . D . Thomas Ba z-Beiels ein,
P o . D . Wol gang Konen,
P o . D . Bo is Naujoks,
P o . D . Ho s S enzel
Ins i u e o Compu e Science,
Facul y o Compu e Science and Enginee ing Science,
TH Köln,
S einmülle allee 1,
51643 Gumme sbach
u l:
www.ciplus- esea ch.de
Sch i lei ung und Ansp echpa ne / Con ac edi o ’s office
P o . D . Thomas Ba z-Beiels ein,
Ins i u e o Compu e Science,
Facul y o Compu e Science and Enginee ing Science,
TH Köln,
S einmülle allee 1, 51643 Gumme sbach
phone: +49 2261 8196 6391
u l:
h p://www.spo se en.de
eMail: homas.ba z-beiels ein@ h-koeln.de
ISSN (online) 2194-2870
