A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Filters
Human-augmented Prescriptive Analytics with Interactive Multi-Objective Reinforcement Learning
2021
IEEE Access
Preserved Fulltext
ALEXANDROS BOUSDEKIS ...
doi:10.1109/access.2021.3096662
fatcat:r4ggrmsk6vfqjbxrouloidghnq
A Review of Data-Driven Decision-Making Methods for Industry 4.0 Maintenance Applications
2021
Electronics
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Bousdekis et al. ...
• Supplier selection ([44]) Bousdekis et al. ...
doi:10.3390/electronics10070828
doaj:8accfa8ec357433dbb02cde449e3af6a
fatcat:7q55ex2mezfstdllzfufryeo3a
Sensor-driven Learning of Time-Dependent Parameters for Prescriptive Analytics
2020
IEEE Access
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Big data analytics is rapidly emerging as a key Internet of Things (IoT) initiative aiming at providing meaningful insights and supporting optimal decision making under time constraints. In this direction, prescriptive analytics has just started to emerge. Prescriptive analytics moves beyond descriptive and predictive analytics aiming at providing adaptive, automated, constrained, time-dependent and optimal decisions. The use of time-dependent parameters in prescriptive analytics models provide
doi:10.1109/access.2020.2994933
fatcat:qxggkp4fpnbcdc4w4whcjrvai4
more »
... a more reliable and realistic representation of the complex and dynamic environment and the associated decision making process; however, their estimation poses significant challenges due to the uncertainty derived from inaccurate user input, noisy data, and non-stationarity of real-world data streams. Since feedback and learning mechanisms for tracking the prescriptive analytics are crucial enablers for self-configuration and self-optimization, this paper proposes an approach for sensor-driven learning of time-dependent parameters for prescriptive analytics models deployed in streaming computational environments. The proposed approach was validated in an Industry 4.0 use case, while it was further evaluated through extensive simulation experiments. The proposed approach overcomes challenges related to uncertainty derived from user's input, non-stationary data and sensor noise and provides estimates of time-dependent parameters that lead to more reliable prescriptions. INDEX TERMS Big data, machine learning, data analytics, Internet of Things, non-stationary time-series.
Visual Analytics in Process Mining for Supporting Business Process Improvement
[chapter]
2021
Frontiers in Artificial Intelligence and Applications
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
The increasing amounts of data have affected conceptual modeling as a research field. In this context, process mining involves a set of techniques aimed at extracting a process schema from an event log generated during process execution. While automatic algorithms for process mining and analysis are needed to filter out irrelevant data and to produce preliminary results, visual inspection, domain knowledge, human judgment and creativity are needed for proper interpretation of the results.
doi:10.3233/faia210089
fatcat:hm2numr7irhzviere5c2wk26ky
more »
... er, a process discovery on an event log usually results in complicated process models not easily comprehensible by the business user. To this end, visual analytics has the potential to enhance process mining towards the direction of explainability, interpretability and trustworthiness in order to better support human decisions. In this paper we propose an approach for identifying bottlenecks in business processes by analyzing event logs and visualizing the results. In this way, we exploit visual analytics in the process mining context in order to provide explainable and interpretable analytics results for business processes without exposing to the user complex process models that are not easily comprehensible. The proposed approach was applied to a manufacturing business process and the results show that visual analytics in the context of process mining is capable of identifying bottlenecks and other performance-related issues and exposing them to the business user in an intuitive and non-intrusive way.
A Real-Time Architecture for Proactive Decision Making in Manufacturing Enterprises
[chapter]
2015
Lecture Notes in Computer Science
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2019; you can also visit the original URL.
The file type is application/pdf.
We outline a new architecture for supporting proactive decision making in manufacturing enterprises. We argue that event monitoring and data processing technologies can be coupled with decision methods effectively providing capabilities for proactive decision-making. We present the main conceptual blocks of the architecture and their role in the realization of the proactive enterprise. We illustrate how the proposed architecture supports decisionmaking ahead of time on the basis of real-time
doi:10.1007/978-3-319-26138-6_17
fatcat:66rigtmncjeonbdgqmsbppjtci
more »
... ervations and anticipation of future undesired events by presenting a practical condition-based maintenance scenario in the oil and gas industry. The presented approach provides the technological foundation and can be taken as a blueprint for the further development of a reference architecture for proactive applications.
Enterprise Integration and Interoperability for Big Data-Driven Processes in the Frame of Industry 4.0
2021
Frontiers in Big Data
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2022; you can also visit the original URL.
The file type is application/pdf.
., 2018; Bousdekis et al., 2019a) . ...
Moreover, the user, i.e., the Operator 4.0, can also have their "digital replica" according to the concept of "Human Digital Twin" (Bousdekis et al., 2020a) . ...
doi:10.3389/fdata.2021.644651
pmid:34151258
pmcid:PMC8210777
fatcat:pvjajdzg2rhbplokxgv5rlqhte
Anticipation-driven Architecture for Proactive Enterprise Decision Making
2014
International Conference on Advanced Information Systems Engineering
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2022; you can also visit the original URL.
The file type is application/pdf.
In this paper we present a visionary approach about a new architecture for supporting proactive decision making in enterprises. We argue that a cognitive approach of continuous situation awareness can enable capabilities of proactive enterprise intelligence and propose a conceptual architecture outlining the main conceptual blocks and their role in the realization of the proactive enterprise. The presented approach provides the technological foundation and can be taken as a blueprint for the
dblp:conf/caise/MagoutasSBAMS14
fatcat:f4hdvbzfdna4rpdgpyvlcm7fgi
more »
... ther development of a reference architecture for proactive enterprise applications. We illustrate how the proposed architecture supports decision-making ahead of time on the basis of real-time observations and anticipation of future undesired events by presenting a practical application in the oil and gas industry.
Machine Learning for Predictive and Prescriptive Analytics of Operational Data in Smart Manufacturing
[chapter]
2020
Lecture Notes in Business Information Processing
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2020; you can also visit the original URL.
The file type is application/pdf.
Perceiving information and extracting insights from data is one of the major challenges in smart manufacturing. Real-time data analytics face several challenges in real-life scenarios, while there is a huge treasure of legacy, enterprise and operational data remaining untouched. The current paper exploits the recent advancements of (deep) machine learning for performing predictive and prescriptive analytics on the basis of enterprise and operational data aiming at supporting the operator on the
doi:10.1007/978-3-030-49165-9_1
fatcat:qmkcjimk2rahfbnaxnkvxtjr7u
more »
... shopfloor. To do this, it implements algorithms, such as Recurrent Neural Networks for predictive analytics, and Multi-Objective Reinforcement Learning for prescriptive analytics. The proposed approach is demonstrated in a predictive maintenance scenario in steel industry.
Supporting the Selection of Prognostic-based Decision Support Methods in Manufacturing
2015
Proceedings of the 17th International Conference on Enterprise Information Systems
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2017; you can also visit the original URL.
The file type is application/pdf.
In manufacturing enterprises, maintenance is a significant contributor to the total company's cost. Condition Based Maintenance (CBM) relies on prognostic models and uses them to support maintenance decisions based on the current and predicted health state of equipment. Although decision support for CBM is not an extensively explored area, there exist methods which have been developed in order to deal with specific challenges such as the need to cope with real-time information, to prognose the
doi:10.5220/0005372104870494
dblp:conf/iceis/BousdekisMAM15
fatcat:qz4rv5n5bjebbjvi37w73nnmsm
more »
... ealth state of equipment and to continually update decision recommendations. We propose an approach for supporting analysts selecting the most suitable combination(s) of methods for prognostic-based maintenance decision support according to the requirements of a given maintenance application. Our approach is based on the ID3 decision tree learning algorithm and is applied in a maintenance scenario in the oil and gas industry.
Proactive Computing in Industrial Maintenance Decision Making
[article]
2018
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2022; you can also visit the original URL.
The file type is application/pdf.
Finally, the biggest thank deserves to the people who stood next to me throughout the time of this effort: to my parents Dimitrios Bousdekis and Vassiliki Kougioumtzi, my sister Maria Bousdeki and my ...
doi:10.26240/heal.ntua.2986
fatcat:aoc56z7qabcbpl5rew3xm4f3nm
Προβλεπτική Παρακολούθηση Επιχειρησιακών Διεργασιών Με Νευρωνικά Δίκτυα Μακράς και Βραχείας Μνήμης
[article]
2021
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Σε αυτή την διπλωματική εργασία χρησιμοποιούμε το αναδρομικό νευρωνικό δίκτυο LSTM για να προβλέψουμε την επόμενη δραστηριότητα σε έναν τραπεζικό οργανισμό αλλά και σε ένα εργοστάσιο. Μέσω του πειραματισμού προσπαθούμε να καταλήξουμε στην κατασκευή του βέλτιστου μοντέλου με το οποίο θα μπορούμε να κάνουμε ακριβείς προβλέψεις. Επίσης γίνονται πειράματα με κλασσικούς αλγορίθμους εξόρυξης δεδομένων.
doi:10.26265/polynoe-869
fatcat:eyepmfukjvaothv45mplaoneui
Πρόβλεψη δραστηριοτήτων επιχειρησιακών διεργασιών με πιθανοτικά μοντέλα μάθησης
[article]
2021
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Οι διαδικασίες αποτελούν το πιο σημαντικό στοιχείο μιας επιχείρησης, καθώς η επιτυχής εκτέλεση τους συμβάλλει στην ολοκλήρωση των οργανωτικών της στόχων. Προκειμένου όμως να είναι σε θέση να πετυχαίνει τους στόχους της, πρέπει να γίνεται ανάλυση των διαδικασιών αυτών για τυχόν αποκλίσεις αλλά και να δημιουργηθεί ένα μοντέλο το οποίο θα περιγράφει αναλυτικά το σύνολο των δραστηριοτήτων που εκτελούνται, αλλά και των σχέσεων μεταξύ των. Μέσω των παραπάνω τεχνικών, γίνεται ευκολότερη η κατανόηση
doi:10.26265/polynoe-891
fatcat:bhr256g4zfcb3eox5fxneqa4ca
more »
... διαδικασιών που πραγματοποιούνται σε μια επιχείρηση, των προβλημάτων αλλά και των συνεισφορών που μπορεί να προσφέρει μια αλλαγή. Δεν είναι λίγες οι φορές που, κάποιο μοντέλο δεν «ταυτίζεται» με τις υπάρχουσες διαδικασίες της επιχείρησης, καθώς είτε υπάρχουν σχέσεις μεταξύ δραστηριοτήτων που φαινομενικά δεν μπορούν να πραγματοποιηθούν είτε δεν υπάρχουν στο σύστημα της επιχείρησης. Και όλα αυτά γιατί από μόνη της μια διαδικασία μπορεί να γίνει αρκετά πολύπλοκη από τη φύση της, όταν προσπαθήσουμε να την εφαρμόσουμε σε κάποιο σύστημα. Επομένως, χρήζει αντιμετώπισης η αβεβαιότητα που συναντάμε στις επιχειρησιακές διαδικασίες, μέσω κάποιου πιθανοτικού μοντέλου μάθησης. Ειδικότερα, η διπλωματική εργασία αφορά την εξόρυξη επιχειρησιακών διεργασιών και την πρόβλεψη δραστηριοτήτων με τη χρήση πιθανοτικών μοντέλων μάθησης. Πιο συγκεκριμένα, το πρώτο βήμα της προσέγγισης είναι η εξαγωγή των μοντέλων διεργασιών (process models) και των δικτύων Petri (Petri nets) από αρχεία καταγραφής συμβάντων (event logs) με τη χρήση των αλγορίθμων εξόρυξης διεργασιών. Έπειτα, γίνεται ανάλυση των παραπάνω με σκοπό την περεταίρω μελέτη και προβολή επιμέρους λεπτομερών σχετικά με τα αρχεία καταγραφής συμβάντων (event logs) αλλά και πιο συγκεκριμένα των διεργασιών που εμπεριέχουν. Στη συνέχεια, τα events logs και το process model εισέρχονται σε ένα Μπεϋζιανό δίκτυο (Bayesian Network), προκειμένου να δημιουργηθεί ένα πιθανοτικό μοντέλο, το οποίο μπορεί να «μαθαίνει» κάθε φορά που θα εισάγονται νέες εγγραφές. Με αυτόν τον τρόπο, η προσέγγιση της διπλωματ [...]
Διοίκηση Έργου Ανάπτυξης Πληροφοριακού Συστήματος Διαχείρισης Στόλου Oχημάτων
[article]
2021
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Η διπλωματική εργασία αφορά τον σχεδιασμό έργου ανάπτυξης ενός πληροφοριακού συστήματος διαχείρισης στόλου οχημάτων. Αποτελεί μια μελέτη που περιλαμβάνει την επιλογή και τεκμηρίωση μεθοδολογίας ανάπτυξης, τον χρονικό προγραμματισμό, τη διαχείριση πόρων, την ανάλυση κόστους, και την διαχείριση κινδύνων. Ο σχεδιασμός του χρονικού προγραμματισμού και της διαχείρισης πόρων γίνεται με τη χρήση του εργαλείου ProjectLibre, ενώ η ανάλυση κόστους και η διαχείριση των κινδύνων αξιοποιεί επενδυτικούς δείκτες και μετρικές.
doi:10.26265/polynoe-899
fatcat:hlblubx3fvcxrizsrc6bn4shuq
Διαχείριση Αβεβαιότητας στην Εξόρυξη Διεργασιών με τη χρήση Μπεϋζιανών Δικτύων
[article]
2021
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2021; you can also visit the original URL.
The file type is application/pdf.
Επιβλέπων: Αλέξανδρος Μπουσδέκης Συν-επιβλέπων: Γεώργιος Μιαούλης i Περίληψη Η παρούσα διπλωματική ερευνά την χρήση Μπεϋζιανών δικτύων για την διαχείριση της αβεβαιότητας στον τομέα της εξόρυξης διεργασιών. Αν και τα Μπεϋζιανά δίκτυα δεν είναι κάτι καινούργιο, δεν συνηθίζεται η εφαρμογή τους στην εξόρυξη διεργασιών. Αφού πρώτα μελετήσουμε κάποιους αλγορίθμους που χρησιμοποιούνται στην εξόρυξη διεργασιών για την ανακάλυψη διαδικασιών στη συνέχεια θα προσπαθήσουμε να συνδυάσουμε τους δύο αυτούς
doi:10.26265/polynoe-888
fatcat:tjubicukhvethojv2dhburjjbu
more »
... μείς, των Μπεϋζιανών δικτύων και της εξόρυξης διεργασιών δηλαδή, έτσι ώστε να ερευνήσουμε αν γίνεται να προβλεφθούν οι καταστάσεις των δραστηριοτήτων που αποτελούν μια διαδικασία. Τέλος θα παρουσιάσουμε τα αποτελέσματα των προβλέψεων που θα γίνουν χρησιμοποιώντας ένα Μπεϋζιανό δίκτυο που θα έχει κατασκευαστεί από ένα σύνολο δεδομένων μιας διαδικασίας. ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Εξόρυξη διεργασιών, μάθηση δομής, Μπεϋζιανά δίκτυα, διαχείριση επιχειρησιακών διαδικασιών ii ΔΗΛΩΣΗ ΣΥΓΓΡΑΦΕΑ ΠΤΥΧΙΑΚΗΣ/ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ Ο/η κάτωθι υπογεγραμμένος/η Θεοδωρόπουλος Νικόλαος-Παρασκευάς του Γεωργίου, με αριθμό μητρώου 71346393 φοιτητής/τρια του Πανεπιστημίου Δυτικής Αττικής της Σχολής Μηχανικών του Τμήματος Μηχανικών Πληροφορικής και Υπολογιστών, δηλώνω υπεύθυνα ότι: «Είμαι συγγραφέας αυτής της πτυχιακής/διπλωματικής εργασίας και ότι κάθε βοήθεια την οποία είχα για την προετοιμασία της είναι πλήρως αναγνωρισμένη και αναφέρεται στην εργασία. Επίσης, οι όποιες πηγές από τις οποίες έκανα χρήση δεδομένων, ιδεών ή λέξεων, είτε ακριβώς είτε παραφρασμένες, αναφέρονται στο σύνολό τους, με πλήρη αναφορά στους συγγραφείς, τον εκδοτικό οίκο ή το περιοδικό, συμπεριλαμβανομένων και των πηγών που ενδεχομένως χρησιμοποιήθηκαν από το διαδίκτυο. Επίσης, βεβαιώνω ότι αυτή η εργασία έχει συγγραφεί από μένα αποκλειστικά και αποτελεί προϊόν πνευματικής ιδιοκτησίας τόσο δικής μου, όσο και του Ιδρύματος. Παράβαση της ανωτέρω ακαδημαϊκής μου ευθύνης αποτελεί ουσιώδη λόγο για την ανάκληση του πτυχίου μου».
Utilization of biomass for electricity generation in Greek islands
[article]
2013
Preserved Fulltext
A copy of this work was available on the public web and has been preserved in the Wayback Machine. The capture dates from 2022; you can also visit the original URL.
The file type is application/pdf.
Η παρούσα διπλωματική έχει σαν σκοπό να διερευνήσει και να παρουσιάσει, τις δυνατότητες αξιοποίησης της βιομάζας για ηλεκτροπαραγωγή, σε περιπτώσεις μή διασυνδεδεμένων νήσων.
doi:10.26240/heal.ntua.10381
fatcat:6tdwvqmakzam7pxatac3rp27qm
« Previous
Showing results 1 — 15 out of 16 results