Laurits Søgaard Nielsen Kontorchef, Dataanalyse SKAT
|
|
- Jeppe Bertelsen
- 6 år siden
- Visninger:
Transkript
1 Laurits Søgaard Nielsen Kontorchef, Dataanalyse SKAT Arkitektur og opmærksomhedspunkter ved udviklingen og produktionssættelsen af analytiske modeller.
2 Agenda 1 Kort om mig 2 Tidslinje for Kontoret Dataanalyse 3 Introduktion 4 Udfordringer og tanker ift. Data Science metode og proces 5 Data Science i fremtiden
3 Laurits Søgaard Nielsen Kontorchef Skatteforvaltningens Center of Excellence (CoE) for Avanceret Analyse og Machine Learning SKAT siden juni 2016 kontorchef for 35 medarbejdere i CoE. Cand. Merc. EMF fra CBS Har ud over det læst en række fag på både ITU, DTU, Coursera mv. Laurits Søgaard Nielsen Før ansættelsen i SKAT ca. 6 år som selvstændig konsulent og har bl.a. været med til at bygge Statens Business Case model, arbejdet med vindmølledata (SCADA) i DONG Energy (nu Ørsted) samt været drivkraften i at at digitalisere to større virksomheder (oms. ~500. mio)
4 Tidslinje Advanced Analytics CoE 2014.Q3 CoE etableres for at skabe strategisk kapabilitet. Agile Start 2016.Q3 Opstart på agil udvikling, DevOps og continuous delivery processer. Status CoE 2017.Q1 3 modeller i production Fokus på standardiserede skabeloner og artefakter Advanced Analytics CoE 2016.Q2 17 Data Scientists 1 model i produktion 2016.Q4 2 modeller i produktion Current status 35 FTE (27 Data Scientists) 3 modeller i produktion 6-8 modeller under udvikling
5 Introduktion Data Science er et nyt felt som kombinerer fagdisciplinerne matematik / statistik, computer science og faglig viden. Data Scientist kommer fra mange forskellige uddannelsesmæssige baggrunde og har derfor sjældent en fælles metode / tilgang til arkitektur. Der er ofte en meget hackish tilgang til problemløsningen, som gør at de løsninger som laves er ustrukturerede, ikke reproducerbare og ej egnede til at sætte i produktion. Time to market er høj, og det gør det svært at integrere data science løsninger som realtids beslutningsstøtte og reducerer værdien af at have et data science team
6 Introduktion Hvordan sikres lovlighed, hurtig time to market og realtidsintegration mod organisationens beslutningsprocesser?
7 Sådan bliver Data Science en success Hvis en Data Science afdeling skal blive en succes og adskille sig fra mere traditionel analytics, så skal der i højere grad - ud over værdi i de løsninger som laves - fokuseres på: Transparente og definerede processer som sikrer høj kvalitet i udviklingsarbejdet. Automatisering af trivielle opgaver såsom modeldiagnostik, træning, data- og modelkvalitet, produktionssætning som sikrer høj udviklingshastighed. Real-time beslutningsunderstøttelse dvs. produktionssættelsen af analytiske modeller som API er / Microservices, som sikrer at brugen af modellerne ikke involverer analytikerne (ad-hoc batch)
8 Transparente og definerede processer Data Scientists kommer fra mange forskellige fagområder, og derfor har der ofte ikke været en fælles tilgang til udviklingen af modeller. Fokus har også ofte været på at levere en visualisering eller en skrivebordsanalyse men for at skabe endnu større værdi skal processerne tilpasses ift. at der skal leveres realtids beslutningsstøtte. Der er derfor behov for at definere den proces som der skal følges under modeludviklingen og at gøre det ret detaljeret
9 GDPR Den nye persondataforordning gør at transparente og definerede processer i modeludvikling og afvikling er blevet et lovkrav herunder også forklaringen af hvordan en model virker. Her kan vi skelne mellem globale forklaringer og lokale forklaringer af machine learning modeller. Den globale forklaring er hvordan en machine learning model fungerer på overordnet niveau - eks. kan deep learning modeller være svære at foklare, hvorimod en lineær regression til højre er mere enkel
10 GDPR En lokal forklaring kan fortælle hvilke input i den analytiske model som bidrog til modelles outout. Her kan eks. bruges frameworks som LIME eller alime til at forklare hvad der influerer på den analytiske models beslutning. Her til højre er vist et eksempel på en deep learning model, som kan forklare hvad der er på billedet. LIME forklarer hvad der gør at den analytiske model tror at det er en en kat
11 GDPR Derudover er det vigtigt at kunne forklare den process, som data flyder igennem. Data Scientists skal derfor kunne beskrive modeludviklingsprocessen, og dermed hvordan en model er fremkommet. Det kræver at modeludviklingsarbejdet er reproducerbart og følger en fast proces
12 Opsplittede Data Science processer Der er to hovedprocesser træning og prædiktion. Træningsproces (modeludvikling) Træningsprocessen tager typisk tid og køres afhængig af hvornår der er nok data til at gentræne modellen. Prædiktionsproces (modelafvikling) Prædiktionsprocessen er typisk kort (da modellen allerede er estimeret sædvanligvis er det blot at applikere vægte). Processen starter med model definitionen og applikation af data til at prædiktere på. Output er prædikterede værdier. Input Modellering Output Input Prædiktion Output Træn Model Model definition + Markdown diagnostik Data Data & domæneviden Modelprædiktion Prædikterede værdier
13 Den overordnede udviklingsproces ASUS DM 2.0 (CRISP DM 2.0) er et godt udgangspunkt for produktionssættelsen af modeller. Den indeholder to hovedprocesser. Development Cycle (Modeludvikling) Deployment Cycle (Model produktionssættelse)
14 Automatisering Et af de største problemer for Data Scientists er mængden af ad-hoc arbejde samt at deres arbejde ofte ikke genbruges på tværs af data science projekter. Derudover er der ofte en hel del manuelt arbejde forbundet med produktionssættelse og drift (modelkørsler). Dette arbejde kan automatiseres med continuous delivery, skabeloner og standardprocesser
15 Brug af continuous delivery og agil udvikling (Kanban) Data Science kan låne mange gode processer og metoder fra softwareudviklere. Versionskontrol Præ testede commits Statisk kodeanalyse Unit-, funktions- og accepttest Continuous Delivery En udviklingsproces som ex. Kanban eller Scrum
16 Pipeline til R modeller Continuos Delivery Løsning indtil videre Check Skanner projektfiler for kendte mønstre som indikerer ikke færdigt arbejde. lintr, cyklomatisk kompleksitet etc. Unit test Afvikler unit test og benytter covr til at vise code coverage. Fokus på input- og outputlag. Test deploy Installerer modellen på en test server. Accept, smoke og batch test Parallel eksekvering af forskellige test. Smoke test til at se deployment fungerer (API). Accepttest for at sikre at binaries og pakker regner korrekt ift. tidligere pakkeversioner. Dokumentation Sikrer at der genereres dokumentation og der findes dokumentation i pakken. Release kandidat Der promoveres en release kandidat som kan releases af driften. Analytikere kan ikke release til prod. Ved release gentages alle steps fra Test deploy i prod miljøet. Check Unit test Test deploy Accept, smoke, batch test Dokumentation Release Kandidat
17 Continuos Analytics Delivery? Statistiske modeller er software og Data Scientist laver softwareudvikling. Tillader at vi kører flere hurtige runder i den agile ASUS-DM proces for modeludvikling og deploye hver model hurtigt i produktionssættelsesprocessen. Dette undersøtter agil analytics og lader os undgå den analytiske dødsspiral. Sikrer en proces for hvornår en model er done done og CD maskinens regler overvåger kvaliteten i modellernes kode. Sporbarhed i alle ændringer i hver model. Alle modeller sættes automatisk i produktion og sikrer at modelkode i produktion altid matcher mod modellen i versionskontrol. Låst produktionsmiljø ingen analytikere kan tilgå produktionen roller og ansvar er på plads. Automatics tilbagerulning til en ældre model såfremt der går noget galt i produktionssættelsesprocessen
18 Analytiske modeller i realtid Kræver at den analytiske model kan produktionssættes og har en høj kvalitet. Kræver også at der er en standardiseret og struktureret måde at udvikle modeller på. Kræver også at der er en standardiseret arkitektur omkring det at bygge og afvikle modellerne
19 Microservices og API er Microservice / API tilgangen er god ift. at produktionslægge machine learning modeller, da udviklingscyklus er anderledes end traditionel softwareudvikling. Det tillader data scientist at adskille udvikling og afvikling af de analytiske modeller. API tilgangen sikrer også at analytikerne ikke skal afvikle analytiske batch jobs i deres kode. Det er bedre at flytte afviklingen og overvågningen af batch til ETL folkene
20 Machine Learning modeller i produktion On Premise Machine Learning Microservice On Premise Machine Learning Microservice
21 Data Science i fremtiden Hvordan sikres lovlighed, hurtig time to market og realtids-integration mod organisationens beslutningsprocesser? Data Scientist skal i langt højere grad end nu arbejde semi-struktureret eller struktureret i stedet for ustruktureret. Data Scientists bør benytte flere standard byggeklodser, sådan at den dybe tallerken ikke genopfindes gang på gang. Dvs. vidensdele og bygge analytiske aktiver. Data Scientists bør ikke afvikle deres modeller men i stedet udvikle standardmetoder til at udstille realtids API er til beslutningstagerne (evt. incl. GUI)
The LEGO Journey: Building an agile test foundation one brick at the time. Casper Gaardland Englund. Stephan Hjelmdal Nielsen. 2013 The LEGO Group l
The LEGO Journey: Building an agile test foundation one brick at the time Casper Gaardland Englund Stephan Hjelmdal Nielsen 2013 The LEGO Group l TestExpo 15 Hvem er vi? Casper Englund Uddannet datamatiker
Læs mereMicroservices. Hvad er det og hvordan kommer du i gang?
Microservices Hvad er det og hvordan kommer du i gang? Introduktion til Microservices Softwareudvikling Historie Softwarearkitektur Mentoring 10 konsulenter Bezos befaling All teams will henceforth expose
Læs mereMachine Learning til forudsigelser af central KPI
Machine Learning til forudsigelser af central KPI En case fra Banedanmark 07-05-2019 Konferencen Big Data, AI & Analytics Hvad skal vi med al den data? 1 Navn: Dorte-Lene Bacher Projektchef: Datadrevne
Læs mereSuccesfuld implementering af automatiseret test
Succesfuld implementering af automatiseret test Forudsætningerne og faldgruberne John Fodeh john.fodeh@hp.com 2006 Hewlett-Packard Development Company, L.P. The information contained herein is subject
Læs mereUd af krisen. Software på tværs, 15. juni 2009
Ud af krisen Software på tværs, 15. juni 2009 Om Ative Agile udvikling og rådgivning Klassisk udviklingsmodel Krav Design Ændrer sig Implementering Tager for lang tid Springes over Mareridt Test Deployment
Læs mereEscape velocity: Slashing deployment times with Docker
Alm Brand IT-OPERATIONS / IT-UDVIKLING Escape velocity: Slashing deployment times with Docker DrivingIT 04/11 2016 Loke Johannessen & Sune Keller Agenda 1. Hvor kommer vi fra 2. Hvor ville vi hen 3. Fart
Læs mereAutomatisering af manuelle processer Dybdescreeningworkshop Slides til workshop 1 Oktober 2017
Automatisering af manuelle processer Dybdescreeningworkshop Slides til workshop 1 Oktober 2017 Indhold Værktøj Output Screeningsprocessen Oversigt over forløb 1. Forberedelse 2. Ledelsesworkshop 3. Dybdescreening
Læs mereMaskinlæring og AI i praksis. Erfaringer fra Danmark? Niels-Peter Rønmos
Maskinlæring og AI i praksis. Erfaringer fra Danmark? 14.02.2018 Niels-Peter Rønmos Niels-Peter Rønmos Erhvervsstyrelsen siden 2002 Chef data scientist Cand Oecon, Syddansk Universitet Centrale VirksomhedsRegister
Læs mereVisual Studio Team System. Team Build en grundpille i søgen efter it-projektproduktivitet?
Visual Studio Team System Team Build en grundpille i søgen efter it-projektproduktivitet? Agenda: Introduktion Hvorfor Automatiseret Build Microsoft Team Build Rapportering/Data warehouse Commentor A/S
Læs mereAgenda. Kort om YouSee. Udfordringer & Vision. Setup & Dataflow. Dynamikken i løsningen. Resultater og femtiden
Agenda Kort om YouSee Udfordringer & Vision Setup & Dataflow Dynamikken i løsningen Resultater og femtiden Agenda Kort om YouSee Udfordringer & Vision Setup & Dataflow Dynamikken i løsningen Resultater
Læs mereAgil-model versus V-model set i lyset af en testers dilemmaer
Agil-model versus V-model set i lyset af en testers dilemmaer 1 Præsentation Foredragsholder Ane Clausen: Cand.Scient i Datalogi Københavns Universitet, Danmark Gift, 3 børn 25 års erfaring med IT: 12
Læs mereSYSTEMDOKUMENTATION AF POC
DIGITALISERINGSSTYRELSEN POC PÅ ORKESTRERINGSKOMPONENTEN SYSTEMDOKUMENTATION AF POC Version: 1.1 Status: Endelig Godkender: Forfatter: Copyright 2019 Netcompany. All rights reserved Dokumenthistorik Version
Læs mereUdfordringer og problemstillinger. En liste over de udfordringer og problemstillinger, der er ved Java og JEE udvikling
Java og JEE 1 2 Udfordringer og problemstillinger En liste over de udfordringer og problemstillinger, der er ved Java og JEE udvikling 3 Generelt om Java og JEE 4 Generelt, I Man undervurderer hvor mange
Læs mereDAXIF# - Delegate Automated Xrm Installation Framework. Delegate A/S
DAXIF# - Delegate Automated Xrm Installation Framework Delegate A/S Agenda Delegate A/S DAXIF# Kun et programmeringssprog Type stærke script (og selvdokumenterende) filer Unit tests afvikles før assembly
Læs mereAnvendelse af BPT til manuel test
DIAS 1 Konference HP Test brugergruppen Anvendelse af BPT til manuel test Agenda DIAS 2 _ Præsentation af mig selv _Manuel BPT _ Manuel BPT i KMD _Konklusion _ Diskussion og spørgsmål Præsentation DIAS
Læs mereSucces med agile. The hardest single part of building a software system is deciding precisely what to build. Fred Brooks, No Silver Bullet
Succes med agile The hardest single part of building a software system is deciding precisely what to build. Fred Brooks, No Silver Bullet Kort om Ative Kurser Bedre software hurtigere Konsulenter Bedre
Læs mereIntelligent kontrol med SAS
Intelligent kontrol med SAS Hvordan sikrer du dig gennemsigtighed i kontrollen? Business Development Manager Malene Haxholdt 19. april 2007 Agenda Kontrolopgaven Data mining og kontrol Hvad er data mining?
Læs mereAgenda. Kort præsentation Introduktion til Robotic Process Automation (RPA) Demo Hvordan understøtter det forretningen? Hvordan kommer man i gang?
Agenda Kort præsentation Introduktion til Robotic Process Automation (RPA) Demo Hvordan understøtter det forretningen? Hvordan kommer man i gang? INDLEDNING En stor del af de adm. og finansielle processer
Læs mereDatatekniker med programmering som speciale
Datatekniker med programmering som speciale H4 H4 varer ti uger bestående af syv uddannelsesspecifikke fag, samt 2 Valgfri Udannelsesspecifikke Fag og 1 Valgfrit Speciale Fag Indhold På H4 er der fokus
Læs mereEtablering af en effektiv Operating Model for RPA
Etablering af en effektiv Operating Model for RPA Et systematisk operating model framework er nøglen til succes med RPA-initiativer. Indholdsfortegnelse Introduktion... 2 Etablering af RPA Operating Model
Læs mereLogistikkens dag 2. december 2013
Logistikkens dag 2. december 2013 Simuleringsmodeller til optimering af produktion og logistik Poul Mose Johansen Kort om Integrate Vi er et kompetent team bestående af 6 konsulenter med lang uddannelsesmæssig
Læs mereStrøm til kundeoplevelsen og ITIL processerne. 26. oktober 2017 Tilføj titel i sidehoved / sidefod 1
Strøm til kundeoplevelsen og ITIL processerne Tilføj titel i sidehoved / sidefod 1 Agenda Intro Simon Klein Afdelingschef, TDC NetDesign Customer Operation Management Skle@tdcnetdesign.dk Mobil 60608181
Læs mereDen digitale virkelighed
Hvem er vi What is hot 2018 undersøgelse Resultat og top scorer Trends indenfor top scorer Den digitale virkelighed Jannik Andersen kaastrup andersen Erfaringer og trends vi oplever Teknologiske aspekt
Læs mereSporbarhed og Rapportering i Quality Center. Kim Stenbo Nielsen NNIT Application Management Services
Sporbarhed og Rapportering i Quality Center Kim Stenbo Nielsen NNIT Application Management Services Indhold INTRODUKTION Hvem er jeg Hvad vil jeg fortælle om QC std. rapporteringsfaciliteter EXCEL RAPPORTER
Læs mereData mining er ikke længere nice to have men need to have
mining er ikke længere nice to have men need to have Af Frank Bjergø Agenda Introduktion Hvad er mining og hvordan fungerer det? Eksempler på i Telco mining Hvilke forretningsområder er i gang Hvem er
Læs mereFra Computer til Virkelighed. TPE-kursus Elektroniske Systemer P1
Fra Computer til Virkelighed TPE-kursus Elektroniske Systemer P1 Fra Computer til Virkelighed En kort introduktion til kurset Systems Engineering Projektfaser Opsamling og opgave Om kurset Mål: at I lærer
Læs mereCloud i brug. Migrering af Digitalisér.dk til cloud computing infrastruktur
Cloud i brug Migrering af Digitalisér.dk til cloud computing infrastruktur 02 Indhold > Executive Summary............................................................... 03 Digitaliser.dk.....................................................................
Læs mereVindmøller og Software Erik Kragh Dalskov Software Configuration Administrator. 2006 IBM Corporation
IBM Softwaredag 2006 Vindmøller og Software Erik Kragh Dalskov Software Configuration Administrator Agenda Vestas Wind Systems A/S og Vestas Technology R&D Implementeringsforløb Status for CM implementation
Læs mereInstallationsvejledning til F-Secure Anti-Virus
Installationsvejledning til F-Secure Anti-Virus Kør setup (blå trekant) i FSECURE-mappen. Klik OK Programmet udpakkes, og følgende skærmbillede fremkommer: Klik Next 1 Klik ved I accept the agreement.
Læs mereAvancerede analysemetoder i den offentlige sektor
Avancerede analysemetoder i den offentlige sektor IT Historisk betydning for SKAT Data Warehouse Side 2 Big data i SKAT i dag Elektronisk borgerkontakt Udarbejdelse af standardrapporter til skattemedarbejdere
Læs mere1:1 Kampagne-evaluering i Danske Bank
SAS Forum 1:1 Kampagne-evaluering i Danske Bank Cathrine Pough Pedersen, Business Intelligence & Analytics Thomas Vasehus, Business Intelligence & Analytics 4 Oktober 2012 Hvem er vi Cathrine Pedersen,
Læs mereØget produktivitet og kompleksitet
Øget produktivitet og kompleksitet Intelligente netværk af mennesker, maskiner og produkter Kompleksitet, Produktivitet Dampen skaber industrielt samfund Elektriciteten og samlebånd skaber masseproduktion
Læs mereEXECUTIVE BUSINESS BRIEFING 2017
EXECUTIVE BUSINESS BRIEFING 2017 Manufacturing #RenewYourBusiness Skab konkurrencefordele med dine data Jakob Riis Bentsen 30-11-2016 CGI Group Inc. 2016 Hvem er jeg? Mat. Stud & Udvikler Reklamedata
Læs mereStyring af testmiljøer almindelig god praksis
White paper Styring af testmiljøer almindelig god praksis Søren Beyer Nielsen Ph.D., M.Sc. Pragmatic Consult A/S v. 1.2 Pragmatic Consult A/S Stadagervej 42 2730 Herlev Danmark Tel: 44 92 23 77 Fax: 44
Læs mereSoftware test i Socialstyrelsen. af: Jan Kristensen. Nov 2013
Software test i Socialstyrelsen af: Jan Kristensen Nov 2013 Agenda Lidt om Socialstyrelsen IT i Socialstyrelsen Software test QA Udviklingsmetode Agurkemetoden Test cases Test automatisering Afslutning
Læs mereStyringsAgenda. 5 digitaliseringstrends inden for økonomi- og virksomhedsstyring
StyringsAgenda 5 digitaliseringstrends inden for økonomi- og virksomhedsstyring D. 6. september 2017 Teknologiens indflydelse Den teknologiske udvikling er i dag afgørende i forhold til, hvordan styring
Læs mereHP Test Brugerkonference 2009. Godt i gang med performancetest
HP Test Brugerkonference 2009 Godt i gang med performancetest HP Test brugekonference.november 2009 2 Godt i gang med performancetest i ATP Vi fortæller om:. Implementering af performancetest i ATP Koncernen
Læs mereNumeric Data Platform
Numeric Data Platform Fleksibel indsamling og deling af data Centrale og decentrale BI-løsninger Business Intelligence løsninger kan typisk opdeles i dels centraliserede data warehouse systemer med tilhørende
Læs mereFra MOX agent til et komplet hændelsesbaseret system. (til at understøtte tværsektorielt samarbejde inden for sundhedsvæsnet)
Fra MOX agent til et komplet hændelsesbaseret system (til at understøtte tværsektorielt samarbejde inden for sundhedsvæsnet) AGENDA Intro Horsens på forkant Fra monolit, over introduktion til MOX, til
Læs mereSAS Forum 2012 Den virtuelle operatør
SAS Forum 2012 Den virtuelle operatør Automatiseret idriftsætning og jobafvikling i Odense Kommune Erik Lund-Jensen, Odense Kommune Agenda Lidt om os selv organisatorisk, teknisk og opgavemæssigt Problembeskrivelse
Læs mereInnovation Days Industrial Communication
Innovation Days Industrial Communication Overvågning og diagnose siemens.com/industrial-security Overvågning og diagnose kan frigive et enormt potenitale Men hvordan? Hvad er problemet? Store udgifter
Læs mereit fagene i de gymnasiale uddannelser
it fagene i de gymnasiale uddannelser Machine learning, datamining og big data Benjamin Rotendahl April 17, 2016 1 benjamin rotendahl Hvem er jeg? Datalogistuderende ved Københavns Universitet. Frivillig/studentermedhjælper/bestyrelsesmedlem
Læs merePræsentation og praktisk anvendelse af PROC GLMSELECT
Præsentation og praktisk anvendelse af PROC GLMSELECT Kristina Birch, projektchef Copyright 2011 SAS Institute Inc. All rights reserved. Præsentation og praktisk anvendelse af PROC GLMSELECT Abstract I
Læs meremake connections share ideas be inspired
make connections share ideas be inspired Integration af prædiktive analyser og operationelle forretningsregler med SAS Decision Manager Kristina Birch, chefkonsulent Professional Services, Banking & Mortgage
Læs mereVejen til nemmere og mere sikker implementering af Microsoft Dynamics AX
INDLÆG 05 DYNAMICS AX Vejen til nemmere og mere sikker implementering af Microsoft Dynamics AX Susanne Riis Blaabjerg 07.10.2015 CGI Group Inc. 2015 Agenda 1 2 3 4 5 6 CGI Surestep - en fuld skalérbar
Læs mereDevelopment environments made easy
Development environments made easy Hvad har I med efter oplægget Overordnet Indblik i en række virtualiserings teknologier, med udgangspunkt i Vagrant Konkret Eyes on en konkret, fungerende anvendelse,
Læs mere10 spørgsmål der vil hjælpe dig med dine testcases
10 spørgsmål der vil hjælpe dig med dine testcases Hvad er en testcase En testcase designes ud fra et eller flere test formål, som f.eks. at teste en speciel funktionalitet eller kvalitetsegenskab for
Læs mereDin næste kollega er måske en robot
NAVN NAVNESEN KLIK FOR AT REDIGERE TEKSTTYPOGRAFIERNE I MASTEREN Din næste kollega er måske en robot 13.09.2018 I Mikkel Hempel & Per Andreasen Hvem vi er! MIKKEL HEMPEL LØSNINGSARKITEKT 9389 2900 mhe@globeteam.com
Læs mereDet vigtigste først! Dette er måske den vigtigste bog der nogensinde er skrevet om agile vs. vandfald. Muligvis fordi det vel stadig er den eneste
WTF? Thomas Schou-Moldt, Miracle A/S (siden 2008) Arkitekt, udvikler, teknisk projektleder, mv. Indtil videre afsonet lidt over 20 år i branchen, ingen udsigt til prøveløsladelse tsm@miracleas.dk, 5374
Læs mereData repository løsningsbeskrivelse
Indhold Dokument status... 1 Beskrivelse af ICT s Analytiske Arbejdsområde... 2 Teknisk setup med Hadoop og Hive... 2 Arbejdsområder... 2 Arbejdsområder Udestående:... 3 Arkivet... 3 Arkivet Udestående:...
Læs mereNexus Guide. Den definitive guide til Nexus: Et ydre skelet for skaleret Scrum udvikling. Udarbejdet og vedligeholdt af Ken Schwaber og Scrum.
Nexus Guide Den definitive guide til Nexus: Et ydre skelet for skaleret Scrum udvikling Udarbejdet og vedligeholdt af Ken Schwaber og Scrum.org August 2015 Indholdsfortegnelse Nexus overblik... 2 Formålet
Læs mereRobotics Process Automation (RPA)
Robotics Process Automation (RPA) Effektivisering af regnskabsprocesser i Statens Administration Trolle Klitgård Andersen CXO Konferencen, 18. maj 2017 AGENDA 1 Kort om Statens Administration 2 Hvad er
Læs mereStruktureret Test og Værktøjer Appendiks til bogen Struktureret Test
Struktureret Test og Værktøjer Appendiks til bogen Struktureret Test Struktureret Test og Værktøjer... 1 Appendiks til bogen Struktureret Test... 1 1. Definition og formål... 2 2. Kategorisering... 2 2.1
Læs mereAgil test tilgang - erfaringer fra projekter
Agil test tilgang - erfaringer fra projekter af Michael Roar Borlund November 2011 Image Area Agenda Introduktion Agil test Fremtidsvision Agil test tilgang Agil opbygning i QC Resumé og Spørgsmål 2 Introduktion
Læs mereRevision af studieordninger
Revision af studieordninger CS(it) Nye matematik kurser Reviderede studieordninger for Datalogi og Software til 2019 Revision af studieordninger v/ulrik Nyman 1 CS(IT) Formål: Reduktion i antallet af uddannelser:
Læs mereIT på Social og Sundheds Skolen Fyn Juni 2019
Indhold Overblik.... 2 Skift af kode og komme på skolens netværk... 2 Tilslutning til Printer... 5 Brug dit studiekort til print... 9 Microsoft Office 365... 9 Installation af Office 365... 12 1 Januar
Læs mereVISMA DOCUMENTCENTER Kompetansedag ed e ag ne 2011
VISMA DOCUMENTCENTER Agenda Maventa Hvordan påvirker det Visma Document Center? Status Nyhedsoversigt Konvertering Eksternt arkiv Gennemgang af ny funktionalitet Hvad kommer? Frem mod næste version Page
Læs mereGrundlaget for digital transformation: Hastighed og Fleksibilitet
Grundlaget for digital transformation: Hastighed og Fleksibilitet Væsentlige iagttagelser: Hvad driver moderne virksomheder til at gennemgå en digital transformation? Hvordan kan BPM-værktøjer hjælpe digitale
Læs mereIntroduktion til projekter
Introduktion til projekter v. 1.0.3 Introduktion I dette materiale ser vi overordnet på, hvad projekter egentlig er, hvordan de er skruet sammen og hvilke begreber, som relaterer sig til projekter. Vi
Læs mereBarren for den gode kundeoplevelse skubbes konstant
Barren for den gode kundeoplevelse skubbes konstant - forløs potentialet gennem etablering af Center of Excellence Jens Gammelmark, maj 2019 Fokuspunkter for dagen PFA kort fortalt Fundament & Struktur
Læs mere[A20] Kick off document and process description. 1 of 5
[A20] Kick off document and process description 1 of 5 kick off document Huge Lawn Projekt Kick-Off Alle projekter og ideer er forskellige. For at vi kan give et reelt bud på dit/jeres projekt eller idé
Læs mereSoftwaretest. - også af "ikke testbar" software. DAPUG erfamøde 7. marts 2012 Thomas Vedel, Thomas Vedel Consult email: thomas@veco.
Softwaretest - også af "ikke testbar" software DAPUG erfamøde 7. marts 2012 Thomas Vedel, Thomas Vedel Consult email: thomas@veco.dk Hvorfor softwaretest? Software er sjældent fejlfri Test sikrer at softwaren
Læs mereDigitalisering af straffeattester
Digitalisering af straffeattester Baggrund Når kommunerne skal ansætte nye medarbejdere, skal der indhentes straffeattester, og hvis medarbejderne skal arbejde med børn og unge, skal der samtidig indhentes
Læs mereØg sporbarhed og produktivitet gennem integration
Øg sporbarhed og produktivitet gennem integration Hvem er jeg? De næste 40 minu4er DevOps hos TestHuset En normal case - Problemstillinger - Hvordan vi arbejder med kunden - Løsning Q&A DevOps DevOps is
Læs mereNavision Stat (NS 9.3)
Side 1 af 9 Navision Stat 9.2.005 (NS 9.3) ØSY/NSIR/RASEG Dato 07.03.2019 Danske Bank Webservice Installationsvejledning Overblik Introduktion Indholdsfortegnelse Overblik... 1 Introduktion... 1 Målgruppe...
Læs mereEXECUTIVE BUSINESS BRIEFING 2017
EXECUTIVE BUSINESS BRIEFING 2017 Retail & Consumer Services #RenewYourBusiness Skab konkurrencefordele med dine data Jakob Riis Bentsen 30-11-2016 CGI Group Inc. 2016 Hvem er jeg? Mat. Stud & Udvikler
Læs mereGIS Is Advancing Rapidly Integrating and Leveraging Many Innovations
GIS Is Advancing Rapidly Integrating and Leveraging Many Innovations Data Computing Infrastructure GIS Innovation Open APIs Expanding the Power of GIS Dagsorden ArcGIS er en omfattende platform Apps ArcGIS
Læs mereOIS - Applikationskatalog
OIS - Applikationskatalog OIS arkitekturprodukter 25. januar 2018 Indledning Dokumentationen omkring OIS er struktureret med inspiration fra OIO Arkitekturguidens arkitekturreol, således at arkitekturprodukterne
Læs mereDANMARKS NATIONALBANK LEVER AGIL UDVIKLING STADIG I DET VILDE VESTEN
DANMARKS NATIONALBANK LEVER AGIL UDVIKLING STADIG I DET VILDE VESTEN Sikkerhed og Revision 2013 Martin Falk-Hansen & Svend M Er sikkerhed og revision et problem i agil udvikling? Og i givet fald hvorfor?
Læs mereEN AGIL TRANSFORMATION I EN STØRRE UDVIKLINGSORGANISATION FORANDRINGER I STOR SKALA
EN AGIL TRANSFORMATION I EN STØRRE UDVIKLINGSORGANISATION FORANDRINGER I STOR SKALA JAN PETER LARSEN, DIREKTØR, CUSTOMERS, PRODUCTS & PORTFOLIO LONE MARIBOE, UDVIKLINGSCHEF, LEAN AGILE CENTER OF EXCELLENCE
Læs mereWorkshoppens indhold. 1. Hvad kommer vi fra? Og hvor skal vi hen?
Workshoppens indhold 1. Hvad kommer vi fra? Og hvor skal vi hen? 2. Dokumentationsmodel brugt i Sundhedsøkonomisk center Indenrigs- og Sundhedsministeriet 3. Skabelse af dokumentationen 1. Motorrummet:
Læs mereDatatekniker med infrastruktur som speciale
Datatekniker med infrastruktur som speciale H3 infrastruktur indledning H3 varer ni uger. Alle fag er uddannelsesspecifikke fag. Opbygning Alle fag i hovedforløbet afvikles i selvstændige moduler. Eventuelle
Læs mereHvornår er dit ERP-system dødt?
Hvornår er dit ERP-system dødt? Ved du egentlig hvornår dit ERP-system er dødt? Vi giver dig vores bud på, hvilke tegn du skal holde øje med, så du kan handle i tide. Hvornår er dit ERP-system dødt? At
Læs mereKL informationsmøde. / Effektiviseringsindsats ved procesoptimering og brug af robotter
/ Effektiviseringsindsats ved procesoptimering og brug af robotter Københavns Kommune / Anne Boll (KS Center for Løn & Personale) & Mads Buch (KIT RPA CoE) 1. september 2017 Procesoptimering Hvorfor arbejder
Læs mereAutomatisering i den offentlige sektor: Robotterne kommer! Mød din nye virtuelle arbejdsstyrke. Michael Theill
Automatisering i den offentlige sektor: Robotterne kommer! Mød din nye virtuelle arbejdsstyrke Michael Theill I industrien: Fra mennesker, der betjener maskiner 2 I industrien: Fra mennesker, der betjener
Læs merePeter Grynderup Poulsen
6. marts 2014 Peter Grynderup Poulsen pgpoulsen@gmail.com 30 22 45 24 Allégade 4, 7600 Struer www.pgpoulsen.dk Min baggrund indenfor softwareudvikling spænder meget bredt. Jeg har arbejdet med hjemmesideudvikling
Læs mereKUNSTIG INTELLIGENS KOMMUNAL GAME CHANGER ELLER BARE BUZZ?
KUNSTIG INTELLIGENS KOMMUNAL GAME CHANGER ELLER BARE BUZZ? v. Tim Daniel Hansen Managing Partner & Co-Founder Digitaliseringsmessen d. 27. september 2018 På vippen til et paradigmeskifte 2 KL S TEKNOLOGISPRING
Læs mereHvem er vi? Kursus Introduktion. Kursuslærerne. Agenda for i dag
Hvem er vi? Kursus Introduktion Anne Haxthausen ah@imm.dtu.dk Informatics and Mathematical Modelling Technical University of Denmark 100 studerende med forskellig baggrund: software teknologi It og Kom
Læs mereKreditrisikomodellering med SAS Risk Management for Banking
Kreditrisikomodellering med SAS Risk Management for Banking Jesper Christiansen og Rune Rudbeck Nielsen Regulatory & Economic Capital, Danske Bank 26. Maj 2011 Agenda Om kreditrisikomodellering og økonomisk
Læs mereCase. Niels Brocks Roberta
Case Niels Brocks Roberta Vores motivation Ønske om øget digitalisering - digitaliseringsstrategi Ønske om højere kvalitet Ønske om at administrative medarbejdere kan nå deres job på 37 timer om ugen Bedre
Læs mereSPØRGSMÅL OG SVAR TIL UDBUDDET [D ]
SPØRGSMÅL OG SVAR TIL UDBUDDET [D. 29.06.17] 1. Engelsk udgave af udbudsmaterialet [Tender material in English] Findes udbudsmaterialet i en engelsk udgave? [Is the tender material available in English?]
Læs mereOvervågning TestHusets servere og hjemmeside
7. april 2011 Overvågning TestHusets servere og hjemmeside Af: Helge Nymand Flemming Wulff KonsulentCenter KompetenceCenter TestCenter Agenda 1. Automatiseret servereovervågning i praksis ved brug af QuickTest
Læs mereGDPR NÅR FORORDNINGEN MØDER VIRKELIGHEDEN
GDPR NÅR FORORDNINGEN MØDER VIRKELIGHEDEN Mads S. Andersen Senior Usable Security Expert Laura L. Nielsen Specialist Anthropologist Alexandra Instituttet er en non-profit virksomhed, der arbejder med anvendt
Læs mereProcesser og workflows i MOSS 2007
Processer og workflows i MOSS 2007 Modtager Forfatter Dato Version Digitalen Boris Reinholth Nyland 1.0 Baggrund og formål Baggrund Organisatorisk agilitet er en vigtig forudsætning for at være konkurrencedygtig.
Læs mereSupply Chain Netværk Design
Supply Chain Netværk Design Indsigt og forretningsværdi Den Danske Supply Chain Konference København den 8. juni 2016 Formålet med i dag Give en generel forståelse af hvad supply chain netværk design er
Læs mereUge 5.3: (Search,) Select & implement and development methods
Innovationsprocesser Uge 5.3: (Search,) Select & implement and development methods A A R H U S U N I V E R S I T E T Department of Computer Science 1 Innovation & ICT development *** Innovation *** * ***
Læs mereAutomatisk build og deploy med Maven. Geek Night hos VP SECURITIES - 26. januar 2011 Mads Pultz <mpz@trifork.com>
Automatisk build og deploy med Maven Geek Night hos VP SECURITIES - 26. januar 2011 Mads Pultz 1 Agenda Introduktion til case (kontekst) Byg demoer - Bamboo, Nexus og RAD Modulopbygning
Læs mereOS2MO 2.0 Fugl Fønix
OS2MO 2.0 Fugl Fønix OS2MO 2.0 er genoplivet og rulles ud i 18 & 19......men inden produktet rulles ud, gøres brugergrænseflade og kommunikationslag klar (se illustration nedenfor). For at kunne levere
Læs merePerformancetest af patientkritisk system DSTB Per Skjoldager ahoc - Jesper Mortensen ahoc
Performancetest af patientkritisk system DSTB 2017 Per Skjoldager ahoc - per@skjoldager.eu Jesper Mortensen ahoc jesper@mortensen.com Hvem er vi Per Skjoldager Testmanager / ahoc Senior Test Manager med
Læs mereFormpipe Kvalitetskontrol
Formpipe Kvalitetskontrol Impuls 2018 - Ballerup Troels Tino Anzie Chefarkitekt og produktleder troels.anzie@formpipe.com +45 72 20 82 70 Organisationer har svært ved at kontrollere kvaliteten af data
Læs mereNye teknologier - kunstig intelligens i det offentlige
Nye teknologier - kunstig intelligens i det offentlige Christian Plaschke Digitaliseringsmessen, 2019 Dagsorden Udfordringsbilledet Dansk tilgang til Kunstig intelligens Udvalgte centrale indsatser Konkrete
Læs mereDATA OG KPI ER FÅ STYR PÅ DIT SHIT TIL BLACK FRIDAY!
DATA OG KPI ER FÅ STYR PÅ DIT SHIT TIL BLACK FRIDAY! Hvad du skal være opmærksom på før, under og efter Black Friday Af Danny Mawani Olsen IMPACT EXTEND 08/10/2018 Hvem er jeg? Danny Mawani Olsen Lead
Læs mereKMD'S REJSE FRA OFFENTLIGT MONOPOL TIL KNIVSKARP TEKNOLOGILEVERANDØR PWC ÅRETS BESTYRELSESFORMAND
KMD'S REJSE FRA OFFENTLIGT MONOPOL TIL KNIVSKARP TEKNOLOGILEVERANDØR PWC ÅRETS BESTYRELSESFORMAND CEO EVA BERNEKE SEPTEMBER 2016 KMD HAR EN AKTIV ROLLE I DANMARKS PLACERING SOM DET MEST DIGITALISEREDE
Læs merePeter Melsen, CTO LogPoint/ImmuneSecurity & Henrik Christiansen, CTO EnergiMidt Infrastruktur
Peter Melsen, CTO LogPoint/ImmuneSecurity & Henrik Christiansen, CTO EnergiMidt Infrastruktur Indhold LogPoint virksomheden kort EnergiMidt virksomheden kort Hvad var udfordringen hos EnergiMidt? Hvordan
Læs mereKOLLEKTIV VIDEN OG DIGITAL DATADREVET INDDRAGELSE I DET OFFENTLIGE
KOLLEKTIV VIDEN OG DIGITAL DATADREVET INDDRAGELSE I DET OFFENTLIGE HVEM ER BACKSCATTER? Hos Backscatter mødes HUMAN SCIENCE og DATAVIDENSKAB i big data analyser, rådgivning og workshopfacilitering, der
Læs mereSkatteforvaltningens Dataudvekslingsplatform
11. september 2019 Skatteforvaltningens Dataudvekslingsplatform FDA konference 9. sep. 2019 v. Product owner Pia Vendelbo Danielsen og Løsningsarkitekt Brian Høj Jakobsen Hvorfor etablere Dataudvekslingsplatformen?
Læs mereProjectWise Workflow Rules Engine
Bentleyuser.dk Årsmøde 2014 Morten Stougaard ProjectWise Administrator hos Rambøll MNS@ramboll.dk Lone Skaaning ProjectWise Manager hos Banedanmark LSKB@bane.dk Agenda ProjectWise status Banedanmark og
Læs mereHigh-Performance Data Mining med SAS Enterprise Miner 14.1
High-Performance Data Mining med SAS Enterprise Miner 14.1 nye procedurer til en mere effektiv modeludviklingsproces Kristina Birch, Advisory Analytical Consultant, SAS Institute Indhold Hvad er High-Performance
Læs mereOktober 2013 HLG/XIGA. Opstartsvejledning ATS Engros 1/12
Oktober 2013 HLG/XIGA Opstartsvejledning ATS Engros 1/12 1. ATS Engros vejledning for aktører Formålet med dette dokument er at beskrive, hvordan du kommer i gang med at anvende ATS til test af certifikat
Læs mere