Suche
Ein Überblick über verschiedene Arten an Empfehlungstechniken

H2020-Projekt „AGILE-IoT“: Empfehlungsdienste für das Internet of Things

Prof. Alexander Felfernig, Dr. Andreas Menychtas, Seda Polat Erdeniz, Paolo Azzoni, Csaba Kiraly, Dr. Ilias G. Maglogiannis

© Shutterstock / Zapp2Photo

Das Internet of Things steht stellvertretend für Infrastrukturen, in denen verschiedene Geräte unterschiedlichster art miteinander verbunden werden können. In diesem Artikel bieten wir einen Überblick über diverse Arten von Empfehlungstechniken und wie diese in IoT-Szenarien angewandt werden können.

Das Internet of Things ist eine vernetzte Infrastruktur, die eine Basis für die Verbindung verschiedener Geräte zu jeder Zeit und an jedem Ort zur Verfügung stellt [1]. Es ist ein Ergebnis der Konvergenz zwischen den Themen Things (Geräte), Internet und Semantik [2]. In IoT-Szenarien werden sehr viele Anwendungen und Services entwickelt, wodurch es für User schwer sein kann, die wichtigsten davon auszumachen. In diesem Kontext sind Empfehlungsdienste [3][4] der Schlüssel zur Identifikation von geeigneten Diensten und Anwendungen, da sie relevante Sachverhalte vorschlagen. Beispiele für derartige Empfehlungen in IoT-Szenarien umfassen [5]:

  • Apps, die auf einem Gateway installiert werden sollen
  • Zusätzliche Geräte, die von einem Gateway deployt bzw. verwaltet werden sollen
  • Infotexte, die auf öffentlichen Bildschirmen gezeigt werden sollen
  • Relevante Datenübertragungsprotokolle, die zur Vervollständigung bestimmter Aufgaben auf einem Gateway verwendet werden sollen
  • Relevante Hard- und Softwarekomponenten, die in IoT-„Ramp-up“-Szenarien einbezogen werden sollten

Weitere Anwendungsmöglichkeiten von Empfehlungstechniken im IoT-Kontext bestehen in [5]:

  • Der Empfehlung von Workflows (bspw. welche Softwarefunktionen in die Workflow-Definition einer IoT-Anwendung aufgenommen werden sollten)
  • Der Empfehlung von Lebensmitteln (bspw. könnten Angebote je nach Zustand der Lebensmittel angepasst werden)
  • Empfehlungen bzgl. personalisierter In-Store-Shopping-Szenarien (bspw. könnten verschiedene Waren je nach dem aktuellen Aufenthaltsort innerhalb eines Geschäfts empfohlen werden)
  • Empfehlungen im Kontext der gesundheitlicher Überwachung (bspw. die Empfehlung von Lebensmitteln oder sportlichen Übungen in Abhängigkeit zur körperlichen Verfassung bzw. dem Essverhalten einer Person).

In vielen dieser Szenarien spielen flexible IoT-Gateway-Infrastrukturen eine zentrale Rolle.

IoT-Gateways stellen Hardware- und Software-basierte Lösungen dar, die primär die Kommunikation zwischen Geräten bzw. den Geräten und der Cloud ermöglichen. Es handelt sich um Plattformen, die Verbindungen zwischen verschiedenen Datenquellen (Sensoren mit unterschiedlichen Kommunikationsprotokollen) und Übertragungszielen (lokale/verteilte Datenverwaltungseinheiten, sowie verschiedene Aktuatoren) unterstützen. Am Rande (also dem „Edge“) und damit in der Nähe der verschiedenen Geräte angesiedelt, können IoT-Gateways zudem eine essentielle Rolle bei der Ausführung von Services spielen. Typische IoT-Gateway-Plattformen bestehen aus einem Gerätemanager, einem Kommunikations-/Datenprotokollmanager, einem Anwendungsmanager und einem Datenmanager (siehe Abbildung 1). Erweiterte IoT-Gateways enthalten zusätzliche Funktionalitäten, durch die u.a. Konfiguratoren oder Recommender Engines integriert werden können. Diese helfen Nutzern dabei, das IoT-Gateway zu konfigurieren, oder empfehlen ihnen nützliche Anwendungen, basierend auf den jeweiligen Einstellungen des Gateways und den Interaktionsprotokollen der Nutzer.

Wie Abbildung 1 zeigt, können IoT-Sensoren über verschiedene Verbindungsprotokolle (u.a. 5G, BLE, LORA, ZigBee) mit einm IoT-Gateway verbunden werden. Die Nutzer ihr Gateway per WAN/LAN verbinden, um ihre Daten und Services zu verwalten/überwachen. Sie können übrigens auch die gesammelten Daten verwalten/überwachen, indem sie eine entsprechende Cloud-Anwendung mit dem IoT-Gateway verbinden.

Abbildung 1: IoT-Gateway im Kontext eines IoT-Ökosystems

Abbildung 1: IoT-Gateway im Kontext eines IoT-Ökosystems

Grundlegende Techniken und Anwendungsszenarien

Empfehlungstechniken können zu unterschiedlichen Zwecken für die Unterstützung von IoT-Szenarien eingesetzt werden. In diesem Abschnitt zeigen wir, wie die grundlegenden Empfehlungstechniken der kollaborativen Filterung [6], des inhaltsbasierten Filterung [7], der wissensbasierten Empfehlung [8] und der Empfehlungsdienste für Gruppen [9] für die Unterstützung derartiger Szenarien genutzt werden können. Die genannten Empfehlungsdienste können dabei als Archetypen gewertet werden. Für eine detailliertere Betrachtung dieser Ansätze und darauf basierender Varianten verweisen wir auf [3],[10] und [11].

Collaborative Filtering

Die kollaborative Filterung (Collaborative Filtering, siehe Tabelle 1) basiert auf Mundpropaganda, es wird also die Meinung von Freunden (nearest neighbors – NN) über gewisse Elemente als primäre Informationsquelle zur Berechnung von Empfehlungen verwendet. Die Präferenzen (ratings) von k-Freunden (k-nearest neighbours) werden anschließend dazu genutzt, um daraus die Präferenzen des aktuellen Nutzers zu extrapolieren. Beispielsweise werden Anwendungen, die auf Gateways von Nutzern mit gleicher Anwendungsbasis installiert wurden, ebenfalls zur Installation auf dem Gateway des aktuellen Nutzers empfohlen. Ein weiteres Anwendungsbeispiel der kollaborativen Filterung im IoT-Kontext ist die Empfehlung von Geräten und die Empfehlung von Komponenten als Teil des „Ramp-Ups“ einer IoT-Umgebung [5]. Apache Mahout ist ein gutes Beispiel für eine Recommendation-Bibliothek, die verschiedene Varianten der kollaborativen Filterung unterstützt.

gateway profile d1 d2 d3 d4 app1 app2 app3√ app4
1 1 1 1 1
2 1 1 1
3 1 1 1 1
local 1 1 1

Tabelle 1: Die auf kollaborativer Filterung basierende Empfehlung von Geräten (d1-d4) und Anwendungen (app1-app4) auf Basis von Installationsinformationen anderer Gateways: Das Profil von Gateway 1 ist dem lokalen Gateway am ähnlichsten. Da app3 nicht auf dem lokalen Gateway installiert ist, kann sie als Kandidat zur Empfehlung interpretiert werden. Die empfohlene App ist mit √ gekennzeichnet.

Content-based Filtering

Die inhaltsbasierte Filterung (Content-based Filtering, siehe Tabelle 2) basiert auf der Idee stabiler Präferenzen, also der Annahme, dass Präferenzen aus der Vergangenheit sich in Zukunft nicht dramatisch verändern werden. Bei der Nutzung der inhaltsbasierten Filterung werden auf Schlüsselwörtern (Keywords) basierende Informationen über Elemente mit Schlüsselwörtern abgeglichen, die aus bereits in der Vergangenheit vom aktuellen Nutzer konsumierten Elemente extrahiert wurden. Wenn ein Nutzer bspw. eine bestimmte Anwendung installiert hat, können ähnliche Anwendungen und Updates für die bereits installierte Anwendung vorgeschlagen werden, sobald sie verfügbar sind. Ein weiteres Anwendungsbeispiel der inhaltsbasierten Filterung im IoT-Kontext ist die Empfehlung von Geräten und Workflows. Apache Lucene ist ein gutes Beispiel für eine Recommendation-Bibliothek, die verschiedene Varianten der inhaltsbasierten Filterung unterstützt.

app key1 key2 key3 key4 key5 key6 key7 key8
app1√ 1  1 1  1
app2 1 1 1
app3 1  1 1  1
local 1 1  1 1

Tabelle 2: Die auf inhaltsbasierter Filterung basierende Empfehlung von Anwendungen unter Verwendung von Schlüsselwörtern (Keywords), die anhand bereits installierter Anwendungen auf dem lokalen Gateway erfasst wurden. Die Keywords von app1 passen im Vergleich am ehesten zum Profil des lokalen Gateways. Da app1 nicht auf dem lokalen Gateway installiert ist (Annahme), kann sie als Kandidat zur Empfehlung interpretiert werden. Die empfohlene App ist mit √ gekennzeichnet.

Knowledge-based Recommendation

Die wissensbasierte Empfehlung (Knowledge-based Recommendation basiert auf der Idee, Empfehlungswissen explizit, d.h. in Form von Einschränkungen von Regeln, zu nutzen. Bei der Verwendung von wissensbasierten Empfehlungen werden die vom aktuellen Benutzer explizit definierten Präferenzen an eine Wissensbasis weitergeleitet, die zur Ermittlung von Empfehlungen (Lösungen für ein Suchproblem) verwendet wird. Wenn beispielsweise der Nutzer einer IoT-Gateway-Lösung batteriesparende Gateway-Konfigurationen bevorzugt, wird die Verwendung bestimmter Kommunikationsprotokolle gegenüber anderen bevorzugt. Ein weiteres Anwendungsbeispiel der wissensbasierter Empfehlungstechniken im IoT-Kontext ist die Empfehlung von kompletten Gateway-Konfigurationen und der Empfehlung von Richtlinien zur Datensammlung bei der Beobachtung von Tieren in freier Wildbahn. Verschiedene wissensbasierte Argumentationsansätze, wie konjunktive Datenbankabfragen und Constraintprogrammierung können darüber hinaus problemlos angewandt werden. Für eine detailliertere Auseinandersetzung mit wissensbasierten Empfehlungsszenarien verweisen wir auf [8].

Group Recommender Systems

Empfehlungsdienste für Gruppen (Group Recommender Systems, siehe Tabelle 3) basieren auf der Idee, Empfehlungen für Nutzergruppen festzulegen – nicht für einzelne Nutzer. In Empfehlungsdiensten für Gruppen werden grundlegende Algorithmen wie die kollaborative oder inhaltsbasierte Filterung bzw. die wissensbasierte Empfehlung verwendet, um Empfehlungen für einzelne Nutzer zu ermitteln. Diese einzelnen Empfehlungen werden dann zu einer endgültigen Empfehlung für die gesamte Gruppe verrechnet (ein auf aggregierten Prognosen basierender Ansatz / aggregated predictions based approach). Beispiele für verwandte Aggregationsfunktionen sind:

  • average: das Element mit der höchsten durchschnittlichen Nutzerwertung wird empfohlen
  • least misery: das Element der höchsten Nutzerwertung unter den am niedrigsten Bewerteten Element wird empfohlen

Alternativ wird aus den individuellen Präferenzen der Gruppenmitglieder ein Gruppenprofil abgeleitet (ein auf aggregierten Modellen basierender Ansatz / aggregated models based approach). Anhand des Gruppenprofils können dann Empfehlungen mittels der genannten grundlegenden Ansätze bestimmt werden. Empfehlungsdienste für Gruppen basieren typischerweise auf Bibliotheken von Empfehlungsdiensten für einzelne Nutzer [9].

app text1 text2√ text3 text4 text5
person1√ 0.5 0.95 0.2 0.5 0.1
person2  0.3 0.8 0.7 0.2 0.3
person3 0.4 0.75 0.3 0.6 0.2
aggregation (average) 0.4 0.83 0.4 0.43 0.2

Tabelle 3: Empfehlungen für Gruppen: Auf Text basierende Werbung wird in Abhängigkeit zu den Personen in der Umgebung ausgewählt. Die zugrundeliegende Annahme ist, dass eine Person einen Text umso höher bewertet, je größer die Übereinstimmung zwischen dem Text und den Schlüsselwörtern/Kategorien im Profil der Person ist. Der Durchschnitt der personenbezogenen Ähnlichkeitswerte wird als Empfehlung interpretiert. Der empfohlene Text ist mit √ gekennzeichnet.

Weitere Szenarien

Es gibt eine Reihe an Szenarien, für die grundlegende Empfehlungstechniken erweitert werden müssen, sodass komplexe Sachverhalte berücksichtigt werden können [Polat, 2017]. Bei der Konfiguration einer gesamten Gateway-Infrastruktur müssen bspw. sowohl Komponenten als auch ihre spezifischen Verbindungen angemessen beachtet werden. Im Rahmen einer Smarthome-Lösung müssen Komponenten (wie etwa Beleuchtungsequipment und Sensoren) den Räumen zugeordnet werden und die Empfehlung muss auch die Parametrisierung der empfohlenen Geräte mit einbeziehen. Die Ermittlung von Empfehlungen in derart komplexen Szenarien erfordert zudem den Einsatz von personalisierten Suchheuristiken, die dabei helfen, für den Nutzer relevante Komponenten vorherzusagen [12].

Inkonsistenzen können in solchen Szenarien leicht durch Änderungen in den Präferenzen der Nutzer auftreten, etwa wenn ein Benutzer seine Smarthome-Lösung um Sicherheits- und zusätzliche Kontrollfunktionen erweitern möchte. Um den neuen Anforderungen gerecht zu werden, muss daraufhin nämlich die bereits bestehende Konfiguration angepasst werden.

Eine effiziente Unterstützung solcher Neukonfigurationen erfordert die Bereitstellung von Algorithmen, die eine Minimierung der durchzuführenden Änderungen der aktuellen Konfiguration unter Berücksichtigung der Optimalitätskriterien (z.B. Kosten für die Neukonfiguration und Robustheit) im Hinblick auf zukünftige Änderungsanforderungen erlauben [12].

Wann sollte man welche Empfehlungstechnik anwenden?

Die in diesem Artikel diskutierten Empfehlungsansätze basieren auf unterschiedlichen Wissensquellen und haben unterschiedliche Vorteile, wodurch sie sich auf bestimmten Empfehlungsszenarien mehr oder weniger anwenden lassen. Im Folgenden werden wir kurz die wichtigsten Kriterien für die Auswahl eines Empfehlungsalgorithmus diskutieren und die besprochenen Algorithmen anhand dieser Kriterien analysieren.

Easy System Setup

Eine einfache Systemeinrichtung (Easy System Setup): Sowohl die inhaltsbasierte als auch die kollaborative Filterung unterstützen ein unkompliziertes Aufsetzen des Systems. Zur Ableitung von Empfehlungen sind einzig die Präferenzen der Nutzer erforderlich (bzw. im Falle der inhaltsbasierten Filterung sind es automatisch extrahierte Schlüsselwörter). Da Empfehlungsdienste für Gruppen häufig auf ebendiesen grundlegenden Algorithmen aufbauen, ist ein unkompliziertes Aufsetzen des Systems für diese ebenfalls möglich. Wissensbasierte Empfehlungsansätze sind dagegen komplizierter, da der Aufbau von Wissensbasen wegen des Kommunikationsaufwandes zwischen Domain-Experten und Knowledge Engineers oftmals sowohl langwierig als auch fehleranfällig ist.

Conversational Recommendation Approach

Der konversationelle Empfehlungsansatz (Conversational Recommendation Approach): Konversationelle Empfehlungsansätze im Sinne eines Dialogs zwischen Anwender und System werden vor allem bei der Empfehlung komplexer Produkte und Dienstleistungen unterstützt. In solchen Szenarien werden wissensbasierte Empfehlungen eingesetzt, heißt also konversationelle Ansätze werden im Kontext der wissensbasierten Empfehlungen unterstützt. Kollaborative und inhaltsbasierte Filterung unterstützen dagegen keine Empfehlungsdialoge. Im Kontext der Empfehlungsdienste für Gruppen können konversationelle Prozesse unterstützt werden, wenn das Gruppenempfehlungsverhalten auf einer wissensbasierten Empfehlung fußt [9].

Adaptivity

Anpassungsfähigkeit (Adaptivity): Kollaborative und inhaltsbasierte Ansätze haben einen höheren Grad der Anpassungsfähigkeit, da jede neue Bewertung die Liste an empfohlenen Elementen verändern kann. Dies gilt ebenfalls für Empfehlungsszenarien für Gruppen, wenn kollaborative oder inhaltsbasierte Filterung als zugrundeliegende Empfehlungsansätze verwendet werden. Wissensbasierte Empfehlungsansätze zeigen stattdessen eine geringere Anpassungsfähigkeit, da die Wissensbasen stabil bleiben, also sich aufgrund der Präferenzartikulation eines einzelnen Benutzers nicht sofort ändern.

Serendipity Effects

Zufallseffekte (Serendipity Effects): Von einem glücklichen Zufall ist die Rede, wenn eine Empfehlung für einen Nutzer relevant wird, ohne dass dies im Vorfeld erwartet wurde. Derartige Effekte können vor allem durch kollaborative Empfehlungsansätze erzielt werden. Die inhaltsbasierte Filterung setzt dagegen Präferenzstabilität voraus und liefert Empfehlungen anhand bereits konsumierter Elemente. Folglich bietet der inhaltsbasierte Ansatz ein sehr geringes Maß an Zufälligkeiten. In wissensbasierten Empfehlungsansätzen hängt der Grad an Zufälligkeit von kodiertem „Zufallswissen“ ab. Für Empfehlungsdienste für Gruppen hängt er von den zugrundeliegenden Basisansätzen ab.

Ramp-up Problem

Das Ramp-up-Problem: Sowohl die kollaborative als auch die inhaltsbasierte Filterung haben Ramp-Up-Probleme: Wenn bspw. für einen bestimmten Benutzer in der kollaborativen Filterung keine NN-Angaben verfügbar sind oder ein User bei der Verwendung eines inhaltsbasierten Empfehlungssystems bisher kein Element konsumiert hat, dann fehlt der wichtigste Input für gute Empfehlungen. Wenn ein Element bisher keine Bewertungen erhalten hat, ist es ähnlich schwierig, ihn im Zuge kollaborativer Filtersysteme zu berücksichtigen. Da eine inhaltsbasierte Filterung auf zugeordneten Schlüsselworten basiert, lassen sich Empfehlungen auch ohne Bewertungen der Elemente ermitteln. Wissensbasierte Empfehlungsansätze haben dagegen kein Ramp-Up-Problem, da das Empfehlungswissen in einer Wissensbasis gespeichert wird. Von dieser wird angenommen, dass sie bereits existiert, bevor Empfehlungen ausgesprochen werden. Die Existenz von Ramp-Up-Problemen in Empfehlungsdiensten für Gruppen hängt von den zugrundeliegenden Basisalgorithmen für Empfehlungen ab.

Transparency

Transparenz (Transparency): Transparenz kann als Grad der Erklärbarkeit von Empfehlungen angesehen werden. Erklärungen in kollaborativen und inhaltsbasierten Filterungen haben einen geringen Erklärungsgrad, da Erklärungen auf gleichen Nachbarn und gleichen Schlüsselwörtern (inhaltsbasierte Empfehlung) basieren. In wissensbasierten Empfehlungsansätzen können Erklärungen dagegen feingranulierter sein: Die Gründe für eine Empfehlung (repräsentiert durch eine Liste an Nutzerpräferenzen) können ebenso wie die Gründe, wegen denen keine Lösung gefunden wurde, berücksichtigt werden. Auch die Frage, welche Präferenzen widersprüchlich sind, kann in die Empfehlung einfließen. In Empfehlungsdiensten für Gruppen hängt die Erklärbarkeit einmal mehr vom gewählten Basisansatz ab.

High Involvement Items

High-Involvement-Elemente (High Involvement Items): Solche Elemente sind komplex und damit verknüpfte Entscheidungen werden in den meisten Fällen erst nach einer sorgfältigen Prüfung getroffen, da die negativen Auswirkungen suboptimaler Entscheidungen gewaltig sind. Ein Beispiel dafür ist die Wahl einer bestimmten Server-Infrastruktur oder einer Smarthome-Lösung. Im Gegensatz dazu stehen Low-Involvement-Elemente, wie preisgünstige Apps oder Sensoren. In den meisten Fällen werden wissensbasierte Ansätze für die Empfehlung von High-Involvement-Elementen verwendet, während inhaltsbasierte und kollaborative Filterungen für die Empfehlung von Low-Involvement-Elementen eingesetzt werden. Ähnlich den vorangegangenen Erklärungen können Empfehlungsdienste für Gruppen für High-Involvement-Elemente verwendet werden, solange der zugrundeliegende Basisansatz wissensbasiert sind [9].

Fazit und Perspektive

Wir haben in diesem Artikel einen kurzen Überblick über bestehende Empfehlungsansätze gegeben und verschiedene Aspekte für deren Anwendung im Rahmen von IoT diskutiert. In diesem Zusammenhang sind wir auf die Vor- und Nachteile verschiedener Ansätze im Hinblick auf die wichtigsten Kriterien eingegangen, die für die Auswahl eines Empfehlungsalgorithmus herangezogen werden sollten. Noch gibt es allerdings eine ganze Reihe an offenen Forschungsfragen im Zusammenhang mit Empfehlungsdtechniken in IoT-Szenarien. Insbesondere im Zusammenhang mit der Empfehlung komplexer IoT-Konfigurationen müssen Suchmechanismen entwickelt werden, die eine effiziente und personalisierte Lösungssuche auch bei großen und komplexen Wissensbasen für die Konfiguration ermöglichen. Zudem muss das Wissen über die Produktvariabilität effizient getestet und aktualisiert werden. Diese Anforderung steht im Einklang mit den aktuellen Entwicklungen der Softwareentwicklung, die sukzessive eine starke Kopplung zwischen Entwicklung, Testing, Deployment und der Nutzung in der Produktion erreicht. Eine wichtige Voraussetzung für die agile Softwareentwicklung.

Die in diesem Artikel vorgestellte Forschungsarbet wurden im Rahmen des H2020-Projekts AGILE (Adoptive Gateways for dIverse MuLtiple Environments) durchgeführt.

Verwandte Themen:

Geschrieben von
Prof. Alexander Felfernig
Prof. Alexander Felfernig
Prof. Alexander Felfernig is full professor of Applied Software Engineering at the Graz University of Technology (TUGraz). His research interests are in the areas of recommender systems, knowledge-based configuration, model-based diagnosis, software requirements engineering, and related models of human decision making. In these areas, he has published three books and >250 papers and articles in internationally renowned conferences and journals.
Dr. Andreas Menychtas
Dr. Andreas Menychtas
Dr. Andreas Menychtas graduated from the School of Electrical and Computer Engineering, National Technical University of Athens (NTUA) in 2004 and in 2009 he received his Ph.D. in the area of Distributed and Cloud Computing. He worked in the private sector as software and research engineer and has been involved in several EU and National funded projects (e.g. IRMOS, 4CaaSt, SAM, UNCAP and AGILE). Currently, he leads the technical and research activities of BioAssist S.A., and focuses on the integration and management of IoT devices, such as biosignal sensors and activity trackers, in the frame of the company’s homecare and assisted living solution.
Seda Polat Erdeniz
Seda Polat Erdeniz
Seda Polat Erdeniz is a researcher and PhD candidate at the Software Technology Institute of Graz University of Technology (TUGraz), Austria. Her research interests include Artificial Intelligence, Recommender Systems and IoT Technologies. She studied Computer Engineering at Bogazici (Bosphorus) University, Istanbul and graduated in 2010 with an MSc degree. She worked as a researcher in National Cryptology Institute of Turkey (TUBITAK-UEKAE), as a customer support engineer in NXP Semiconductors, Austria and as a product manager in AVEA Telecommunications (Turk Telekom).
Paolo Azzoni
Paolo Azzoni
Paolo Azzoni is the Research Program Manager at Eurotech Group where he is responsible for the international research projects and his main working areas include machine-to-machine (M2M) distributed systems, device to cloud architectures and solutions, semantic M2M and Internet of Things (IoT). He is the chairman of Artemis-IA working group on IoT. Previously, he was involved in academic research and teaching activities in the areas of formal verification, hw/sw co-design and co-simulation for embedded systems and microprocessors. In 2006 he joined ETHLab (Eurotech Research Center) as Research Project Manager and he has been responsible for international research projects in the area of embedded systems. He holds a Master Degree in Computer Science and a second Master Degree in Artificial Intelligence both from the University of Verona.
Csaba Kiraly
Csaba Kiraly
Csaba Kiraly received both his MSc and PhD from the Budapest University of Technology and Economics. He is currently a senior researcher at Fondazione Bruno Kessler, Trento, Italy, responsible for the technical/scientific coordination of the AGILE-IoT H2020 project. His main research interests are IoT systems and protocol stacks, Industry 4.0, P2P systems, Privacy Enhancing Technologies, and Multi-hop Wireless and Sensor Networks. Csaba is a member of IEEE ComSoc, an Eclipse committer, and the holder of several IEEE Best Paper and Best Demo awards.
Dr. Ilias G. Maglogiannis
Dr. Ilias G. Maglogiannis
Dr. Ilias G. MAGLOGIANNIS is the Director of the Computational Biomedicine Laboratory in the Dept of Digital Systems in the University of Piraeus. His scientific interests include Image processing and Computer Vision, Cognitive Systems, Mobile and Pervasive Healthcare Systems and Ambient Assisted Living. His published scientific work includes three (3) books (Springer, IOS press and Morgan Claypool Publishers), 94 journal papers and more than 180 international conference papers with more than 400 citations. Dr. Maglogiannis is also since 2014 president of IFIP Working Group WG12.5 (AI Applications) and since 2015 Vice-President of the Hellenic Association of Biomedical Engineering.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
400
  Subscribe  
Benachrichtige mich zu: