Case: Machine learning as a service
v. Professor Lars Kai Hansen DTU Compute og Konsulent Michael Salvador Svanholm, Visma

Machine learning er baseret på ideen om at computere kan lære at forstå deres omgivelser gennem observation. En lang række statistiske og algoritmiske metoder er udviklet til at gøre machine learning fleksibel, robust og effektiv. Machine learning verdenen er baseret på udstrakt åbenhed, og det har uden tvivl bidraget til den lange række af succeshistorier. Der er dog stadig betydelige forhindringer, før det store flertal af virksomheder og organisationer kan få det fulde udbytte af machine learning, herunder at der stadig kræves en del specialistviden - så øget automatisering af machine learning er vigtigt. Samtidig er der en række danske ressourcer, som ikke er nemt tilgængelige i de internationale værktøjskasser. Vi gennemgår et konkret eksempel inden for modellering af straksafgørelser på sager.

10.15
 

Case: Food
v. Professor Bjarne Kjær Ersbøll, DTU og R&D Manager Søren Rosenkrantz Riber, Danish Crown

Kvaliteten af data i den danske fødevaresektor er meget høj, og der eksisterer enorme mængder data langs hele værdikæden fra jord til bord. Der er dog samtidig en stor fragmentation i datakilder, opbevaring og ejerskab, der udfordrer optimeringsmulighederne på tværs af aktører. Ud fra et forsigtighedsprincip – og med dyb respekt for dataejerskab – vil øget udnyttelse af den fragmenterede data pool forventeligt kunne skabe nye udviklingsmuligheder i landbrugs- og fødevaresektoren i form af bl.a. optimeret ressourceudnyttelse, øget kvalitetsdifferentiering samt transparens. Altså styrket konkurrenceevne og image.

Case: Big Data analyse til optimering af hospitalslogistik
v. Professor Kaj Grønbæk, CS-AU og Director Jens Peder Rasmussen, Systematic

Der er mange fordele i at optimere logistik på hospitaler: færre aflyste operationer, kortere ventetider og bedre udnyttelse af ressourcer. I et tidligere projekt, PosLogistics, har Systematic sammen med Institut for Datalogi, og Universitetshospitalerne i Aarhus og Aalborg, udviklet et service-logistiksystem baseret på indendørs positionering, som har forbedret primært portør-relateret logistik. I DABAI tager Systematic dette et skridt videre til hele patient flow’et gennem hospitalerne. Forskerne skal her hjælpe med at analysere de store mængder af anonymiserede data fra selve behandlingsforløbene også for at forstå det detaljerede patient flow og forbedre logistikken omkring disse.

Case:  Gymnasiefrafald kan forudsiges med machine learning
v.  Professor Stephen Alstrup, DIKU og Direktør Martin Holbøll, Lectio

Stort set alle danske gymnasier benytter Lectio til f.eks. skemaplanlægning, studieadministration, og digitale eksamener. Via big data-analyser på data herfra er det muligt at forudsige, hvilke studerende, der ville falde fra inden for de næste 3 måneder – med mindre man sætter ind med ekstra hjælp. I Danmark såvel som internationalt dropper traditionelt ca. 20% af eleverne ud. Hver elev, der dropper ud, medfører store sociale omkostninger og koster staten millioner af kroner.

Case: Personlig og adaptiv undervisning
v.  Professor Stephen Alstrup, DIKU og Adm. direktør Kasper Holst Hansen, EduLab

De fleste danske skolebørn bruger i dag den digitale fagportal til matematik, MatematikFessor.dk. Her kan børnene lære og løse opgaver. På daglig basis løser børnene mere end 1 million opgaver. Systemet har vist, hvorledes det ikke alene gør matematik sjovere men også kan løfte niveauet. Ved at bruge big data-værktøjer kan udvælgelsen af opgaver m.m. gøres personlig og adaptiv, således at den enkelte elevs glæde og fremskridt kan forbedres yderligere – og måske endda på kortere tid.

Case: Kortlægning og forebyggelse af oversvømmelsesrisiko ved brug af offentlig Big Data
v. Professor Lars Arge, CS-AU og CEO Morten Revsbæk, SCALGO

I de seneste år er det danske landskab blevet opmålt (med lasere monteret på fly) med en uhørt høj præcision og tæthed, nemlig en tæthed på fire målinger pr. kvadratmeter, eller over 150 milliarder målinger i alt. Opmålingerne er blevet gjort offentligt tilgængelige som en del af statens grunddataprogram og kan potentielt bruges til at forudsige, hvor der er fare for oversvømmelse i forbindelse med skybrud. I DABAI-projektet vil vi arbejde på at videreudvikle de unikke online analyseværktøjer som SCALGO har udviklet og markedsført på basis af tidligere forskning på Aarhus Universitet.

Sådan kan du bruge centeret
v. Vicedirektør, Professor Anders Kofod-Petersen, Alexandra Instituttet, Kbh.

Præsentation af de forskellige modeller for fremtidigt samarbejde.