Was In-Memory-Computing und Tragflügel gemeinsam haben

0
In-Memory-Computing

Golden Gate Bridge San Francisco

Nach dem diesjährigen SAS Global Forum in Denver bin ich weiter nach San Francisco gereist. Und wie viele Touristen bin ich auch zur Golden Gate Bridge gefahren und habe sie Fuß überquert. In der Mitte der Brücke, bemerkte ich einen Windsurfer in der Bucht von San Francisco, der sich der Öffnung der Bucht gefährlich näherte – und das bei Ebbstrom. Ich segle auch hin und wieder, und für mich sah es so aus, als ob er in Schwierigkeiten war: Der starke Wind und die Strömung trieben ihn immer schneller und immer weiter auf das offene Meer hinaus – es erschien unmöglich, gegen den Wind zurückzusurfen. Als ich gerade darüber nachdachte, ob ich etwas unternehmen sollte, änderte sich das Szenario plötzlich.

Der Surfer wurde schnell genug, dass es ihm gelang, sein Board aus dem Wasser auf die Tragflügel zu heben– und plötzlich schien er zu fliegen. Strömung und Wellen waren augenblicklich kein Problem mehr und innerhalb weniger Sekunden segelte er fort, zurück Richtung San Francisco und Alcatraz.

Ein echter Game-Changer

Es ist nicht das erste Mal, dass ich Segelboote oder Surfer mit Tragflügeln sehe. Am Neusiedler See, auf dem ich im Sommer segle, sind ein paar Jollen und Boards mit dieser neuen Technik ausgestattet. Und der 34. America’s Cup 2013 war das erste große Segel-Event, an dem große Katamarane mit Tragflügeln teilnahmen. Ab einer bestimmten Geschwindigkeit konnten sie sich aus dem Wasser erheben und nahezu schweben. Aber in San Francisco wurde mir zum ersten Mal klar, wie sehr sich dadurch das „Business“ geändert hatte: Mit Tragflügeln können sich Segler und Surfer quasi den bisher einschränkenden Naturgesetzen widersetzen.

In-Memory-Computing

Windsurfer in der Bucht von San Francisco

Und hier bemerkte ich die Ähnlichkeit zwischen dieser Neuerung und dem verteilten In-Memory-Computing für Machine Learning und künstliche Intelligenz. In beiden Bereichen hat sich die Technologie in den vergangenen Jahren stark weiterentwickelt: Was heute im Hinblick auf Leistung und Geschwindigkeit möglich ist, übersteigt um ein Vielfaches das, worüber wir vor zehn Jahren noch diskutierten. Sehen wir uns die Parallelen mal genauer an.

Zunächst ist keine der beiden Entwicklungen grundsätzlich neu. Sie werden nur auf eine neue Art und Weise genutzt, um bessere Ergebnisse zu erzielen. Das erste Patent auf Tragflügel gab es schon 1898, aber mit neuen Materialien und Steuermöglichkeiten wurden sie erst wirklich nutzbar. Und mit High-Performance In-Memory-Computing, verteilten Systemen und GPUs lösen wir heute Probleme, die noch als Science-Fiction-abgetan wurden, als ich vor 20 Jahren begann, im Bereich Data Science zu arbeiten. Dabei reden wir hier nicht von einem Geschwindigkeitszuwachs von 20, 50 oder 100 Prozent, sondern um ein Vielfaches der Rechenleistung.

Dank dieser Entwicklungen lassen sich Analysen viel schneller durchführen als früher. Gleichzeitig sind wir mit fortschrittlichen Machine-Learning-Algorithmen in der Lage, viel größere Datenmengen auszuwerten.

Eine weitere Gemeinsamkeit von Tragflächen und Machine Learning ist die Rolle der Hardware – die Karbonbeschichtung ebenso wie die Menge an RAM und CPUs in einem Server. Aber erst mit den entsprechenden Kontrollsystemen beziehungsweise den Technologien drumherum werden sie funktionsfähig – und das auch für relative Anfänger. Tragflügel sind nicht mehr nur für „America’s-Cup“-Yachten erhältlich, sondern auch für andere Jollen und Boards. Und Machine-Learning- und KI-Methoden gibt es in leicht zu bedienenden Versionen wie SAS Viya, unsere verteilte High-Performance-Umgebung.

Wir bringen unsere Kunden zum „Fliegen“

Der Surfer wurde kleiner und kleiner am Horizont, und während ich ihm zusah, fiel mir auf, dass dies eine Metapher für das ist, was wir unseren Kunden bieten: nämlich ebenfalls in bisher unbekannte Bereiche ihrer Data Lakes vorzudringen – so, wie sich der Surfer jetzt dem Buchtausgang unter der Brücke nähern konnte. Wir ermöglichen ihnen, ganz neue Erkenntnisse über ihren Kundenstamm zu gewinnen und diese mit höchster Geschwindigkeit zu verarbeiten – und sicher von dieser analytischen Entdeckungsreise zurückzukehren.

Share

About Author

Gerhard Svolba

Principal Solutions Architect

Dr. Gerhard Svolba ist Analytic Solutions Architect und Data Scientist bei SAS Institute in Österreich. Er ist in eine Vielzahl von analytischen und Data Science Projekten quer über fachliche Domains wie Demand Forecasting, analytisches CRM, Risikomodellierung und Produktionsqualität involviert. Seine Projekterfahrung reicht von der fachlichen und technischen Konzeption über die Datenaufbereitung und die analytische Modellierung in unterschiedlichen Branchen. Er ist der Autor der SAS Press Bücher Data Preparation for Analytics Using SAS, Data Quality for Analytics Using SAS and “Applying Data Science: Business Case Studies Using SAS”. Als nebenberuflich Lehrender unterrichtet er Data Science Methoden an der Medizinischen Universität Wien, der Universität Wien und an Fachhochschulen. Sie finden auch Beitrage auf: Github und Twitter. ENGLISH: Dr. Gerhard Svolba ist Analytic Solutions Architect und Data Scientist bei SAS Institute in Österreich. Er ist in eine Vielzahl von analytischen und Data Science Projekten quer über fachliche Domains wie Demand Forecasting, analytisches CRM, Risikomodellierung und Produktionsqualität involviert. Seine Projekterfahrung reicht von der fachlichen und technischen Konzeption über die Datenaufbereitung und die analytische Modellierung in unterschiedlichen Branchen. Er ist der Autor der SAS Press Bücher Data Preparation for Analytics Using SAS®, Data Quality for Analytics Using SAS® and “Applying Data Science: Business Case Studies Using SAS”. Als nebenberuflich Lehrender unterrichtet er Data Science Methoden an der Medizinischen Universität Wien, der Universität Wien und an Fachhochschulen. Sie finden auch Beitrage auf: Github und Twitter.

Leave A Reply

Back to Top