Von Ralf Keuper
Eigentlich gilt die Regel, dass Unternehmen und Plattformen, die über den größten Datenbestand für Analysezwecke verfügen (Big Data), einen großen Wettbewerbsvorteil und Informationsvorsprung besitzen. Je mehr Daten, umso besser. Redundanz wird dabei zwangsläufig in Kauf genommen.
Es geht aber auch anders, wie das Beispiel des Compressed Sensing zeigt. Dabei handelt es sich um ein
Verfahren zur Erfassung und Rekonstruierung dünnbesetzter (englisch sparse) Signale oder Informationsquellen. Diese lassen sich aufgrund ihrer Redundanz ohne wesentlichen Informationsverlust komprimieren. Dies wird bei der Abtastung der Signale zur deutlichen Verringerung der Abtastrate im Vergleich zu herkömmlichen Verfahren effizient genutzt (Quelle: Wikipedia).
An der Universität Siegen wird am ZESS, einem interdisziplinären Forschungsinstitut zum Thema “Mulitmodale Sensorik / Bildgebende Systeme”, zu den Einsatzmöglichkeiten des Compressed Sensing geforscht. Erst kürzlich erhielt das Institut den Zuschlag für die Teilnahme an dem Forschungsprojekt Menelaos_NT, das vom EU-Programm Horizon 2020 gefördert wird.
Mithilfe neuartiger Technologien Signale und Bilder gezielt so zu erfassen, dass nur die interessanten Informationen herausgefiltert werden – darum geht es den WissenschaftlerInnen. „Ein vielversprechender Ansatz aus der Mathematik ist in diesem Zusammenhang das ‚Compressed Sensing‘. Danach ist es möglich, Signale oder andere Informationsquellen komprimiert zu erfassen – das bedeutet, dass von Anfang an nur wenige Sensordaten mit hohem Informationsgehalt aufgenommen werden“, erklärt Dr. Miguel Heredia Conde; Projektmanager bei MENELAOS und Gruppenleiter am ZESS (in: Smarte Informationen statt „Big Data“)
Gerade für das Internet der Dinge birgt das Compressed Sensing großes Potenzial. Ansonsten gehen die Unternehmen unter der Flut an Daten, die über die Sensoren übertragen werden, unter. Ein Punkt, der in dem Paper Compressive Sensing-Based IoT Applications: A Review näher beleuchtet wird:
.. compressive sensing (CS) is a very attractive paradigm to be incorporated in the design of IoT platforms. CS is a novel signal acquisition and compression theory that exploits the sparsity behavior of most natural signals and IoT architectures to achieve power-efficient, real-time platforms that can grant efficient IoT applications. This paper assesses the extant literature that has aimed to incorporate CS in IoT applications. Moreover, the paper highlights emerging trends and identifies several avenues for future CS-based IoT research.
Zuerst erschienen auf Identity Economy