Veröffentlicht: von

In Kooperation mit der CONET AG werden zwei Abschlussarbeiten im Umfeld relativ neuer SAP-Produkte und Technologien angeboten:

  • Graph-Engine der SAP HANA
  • SAP HANA XSA Python Analytical Applications

Weitere Hinweise und Kontaktdaten auf der Projektbörse des Gummersbacher Innovation-Hubs

Veröffentlicht: von

In Zusammenarbeit mit der IT-Abteilung des Zollkriminalamtes (Köln-Dellbrück) wird folgendes Projekt angeboten

Entwicklung eines Vorgehensmodells (inklusive Kriterienkatalog) für die Auswahl von Standardsoftware zum IT‑Architekturmanagement

Je nach Studiengang kann dies Projekt als IT-Management-Projekt, WI-Projekt oder Informatikprojekt von einem Team, ggf als auch als Praxisprojekt in Einzelarbeit durchgeführt werden. Vorkenntnisse im Bereich IT‑Architekturmanagement sind hilfreich, aber nicht zwingend, s.a. prox.innovation-hub.de

Veröffentlicht: von

Ein kleines mittelständiges Unternehmen sucht für seinen Standort in Blankenheim Studierende, die es bei der Einführung eines ERP Systems im Rahmen eines Praxissemesters, einer Werksstudententätigkeit oder einer Abschlussarbeit unterstützen.

Kontakt: info@mk-kunststofftechnik.com

Veröffentlicht: von

A method is given which predicts a value for time window W(i).

Posteriori, the quality of the predicted value in the past can be checked against the realized value. A prediction error E(i) and an accuracy measure A(i) can be computed for each window W(i) of the past. We assume that A(i) can be considered as an observation of a random variable X with normal distribution (parameters: expected value „mu“ and square root of its variance „sigma“).

Scenario: The error of prediction value for day n should be tested based on an one-tailed test.

A rough approach to detect that re-training of the prediction model is indicated as follows: The parameters mu and sigma of the assumed normal distribution are estimated by the observations A(1), … A(n-1) of days 1,… n-1

Then the new observation gives the new accuracy A(n) which is checked against the null hypothesis that this value is a realization of the same random variable with identical distribution. If the new value A(n) is too extreme (means that the value drops beneath a specific treshold) the null hypothesis is rejected. This triggers the conclusion that the trained model needs to be updated and a new training cycle is needed.

This algorithm is explained by the following small example (n=6).

Day Accuracy A(i)
previous day W(1) 0,8
previous day W(2) 0,75
previous day W(3) 0,6
previous day W(4) 0,65
previous day W(5) 0,75

 

 

Parameter estimation of normal distribution of X:

mu 0,71
sigma 0,0822

 

 

 

 

Fig: Estimated distribution of X based on the values and assumptions made above.

 

An acceptance level alpha 0.2 for a one-sided test (left-hand side) would result in a threshold value of

P = 0,641.

That means that error values higher than P= 0,641  would indicate to reject the null hypothesis. If we improve our approach by substituting the estimation of sigma by using the Student’s t-distribution with 4 degrees of freedom the derived threshold t-value for a one-tailed test becomes

P = 0,675 .

If the test method is applied to drift detection in a speed layer the moving time frame leads to recomputed values of mu and sigma for each day. Especially in cases in which a slowly creeping drift occurs it may be considered to introduce a parameter beta which scales the inertness of moving average to achieve a more stable approach:

mu (i) = beta*mu(new) +  (1-beta)*mu(i-1)

sigma (i) = beta* sigma (new) +  (1-beta)* sigma (i-1)