Ambient Intelligece

Ist nötig für die Adaptivität

Die Phase ist dafür da, um den Kontext zu interpretieren oder die Aktivität/Stimmung des Nutzers zu analysieren.

Decision-Making
Zentralisiert oder Verteilt

Anschalten/aktivieren von verschiedenen Smarten Geräten. Bspw. Heizung geht an

Interagieren in zwei unterschiedlichen Arten:

• Traditionell
  • Web, Mobile Endgeräte
• Natürliche Schnittstellen
  • Gesten, Mimik, Sorache, ...
  • Integration in die Umgebung
    • Technik / Computer verschwindet

Unterschiedliche Systeme sollen über offene/genormte Schnittstellen miteinander Kommunizieren.

Mittels:

• Offene und properietäre Systeme
• Standards und Kommunikationsprotokolle
• Smart Home Systemplattformen

• Branche der Verbraucherelektronik
  • GEwinn durch Verkauf schnelllegbiger Produkte
  • Kunde nach Kauf nur Kostenfaktor
• Telekommunikationsunternehmen
  • Gewinn durch Abo-Modelle
• TGA (technische Gebäudeausrüstung) - Anbieter
  • Jahrelange Experience
  • Handwerker und Ingenieure statt Endnutzer
• Startups
  • Agil
  • Neue Ideen / Technologien
  • Ggf. Eintagsfliegen

• Fragliche Wirtschaftlichkeit
• Orientierungslosigkeit
• Benutzerfreundlichkeit
• Insellösungen
• Angst vor Verlust der Privatsphäre

1) Herausforderung 2) Lösung

• Preisgestaltung und Geschäftsmodelle
  • Massenmarkt, Energiekosten, Gesetzgebung
• Transparenz
  • Zertifikate, Prüfsiegel, Interoperabilitätsbestrebungen
• Nutzerzentrierte Entwicklung
  • Gesten- und Sprachsteueuerung, Mobile Endgeräte
• Offene Ökosysteme
  • Vernetzung der Smart-Home Bereiche, Interoperabilitätsbestrebungen
• Datensicherheit und Transparenz
  • Datenschutzkonzepte, Verschlüsselte Kommunikation

Gesellschaft

• Alternde Gesellschaft
• Mobilität
• Komofort / Sicherheit

Gesetzgeber

• Klimaschutz
• Energiewende
• Breitbandausbau

Digitalisierung

• Smartphones
• Cloud Computing
• Smart Meter

Energie sparen und managen

Sicherheit in Gebäuden

Komfort bei der Benutzung der Immobilie

Prosumer

Zeitreihen sind zeitlich geordnete Folge von Beobachtungen einer oder mehrerer Größen (merkmale/features). Jede Beobachtung ist ein Zeit Stempel zuzuordnen.

• Clustering (Unbekannte Muster erkennen)
• Unüberwachtes Lernen mittels speziellem neuronalen Netz

Autoencoder geht die einzelnen Daten durch. Dieser besteht aus:

• Encoder
  • Nimmt die Eingangsdaten und transformiert sie in eine kompakte niedrigdimensionale Repräsentation. Die wichtigsten Merjmale werden erfasst.
• Decoder
  • Versucht die ursprünglichen Eingasdaten so gut wie möglich wiederherzustellen

1) Datenbeschaffung
2) Datenaufbereitung (Tabellarisch geringster Aufwand)
3) Clustering

• Unüberwachtes Lernen
• Alorithmus findet unbekannte Gruppe aus Datensatz
• Bspw. Einkaufsverhalten

4) Auswertung

Algorithmen, die aus Daten (Erfahrungswissen) lernen, Muster erkennen, Modelle generieren und darauf Themen/Situationen vorhersagen können

• Unüberwachtes Lernen
• Bestärkendes Lernen (reinfocement
• Überwachtes Lernen

(Metapher Eis verkäufer)

Eine Regression sorgt dafür eine Ideallinie an Datenpunkten zu erstellen. Somit kann man eine Vorhersage für die Zukunft treffen. (Für Kontinuierliche Werte)

Daten werden ebenfalls gesammelt, jedoch Klassifiziert mittels Label.
Bspw. Auto / Flugzeug

• Interaktionsbedarf bestimmten
• Von Observation auf den Interaktionsbedarf schließen
• Wahrscheinlichkeiten berechnen

--> Probabilistisches Modell

Die Wahrscheinlichkeit, dass von zwei unvereinbaren Ereignissen entweder das eine oder das andere eintritt, ist gleich der Summe der beiden Wahrscheinlichkeiten.

Mit einer Vorbedingung  kann man auf die Bedingung B schließen. Dies nennt man auch bedingte Wahrscheinlichkeit.

Man trainiert den Algorithmus so, dass dieser Belohnungen erhält für richtige Entscheidungen.

Ein Algorithmus des Reinforcement Learnings. Das Belohnungssystem wird durch Q-values repräsentiert.

• Vorteile
  • Einfach zu implementieren
• Nachteile
  • Diskretisierung
  • Viele Zustände & große Q-Tables
  • Für größere Systeme mit vielen Komponenten ungeschickt

Q-Table durch Neuronales Netz ersetzen. Somit können kontinuierliche Zustände als Input verwendet werden.

Markov Decision Process

Maximiert das zu erwartende Ergebnis. Es Maximiert die Wahrscheinlichkeit das richtige Ergebnis zu treffe.

• Markov steht für den aktuellen Zustand. Dieser ist Zukunft und Verganenheit unabhängig. Das Resultat ist nur vom aktuellen Zustand abhängig
• Rewards werden hier ebenfalls vergeben.  Richtige Rewards sind essentiell!