Seit dem 1.11.2021 steht der Swisseldex Datahub mit der umfassenden Messpunktregister-Funktionalität zur Verfügung. Der Swisseldex Datahub ist seit über eineinhalb Jahren erfolgreich in Betrieb und bietet als Schweiz-weit erstes System ein zentrales Messpunktregister an.

Mithilfe des Datahubs steht die Automatisierung der Schweizer Strom-Marktkommunikation vor einer fundamentalen Wende. Bereits heute können grössere Endverbraucher ihre Stromlieferanten frei wählen. Ein Wechsel hat jedoch einen hohen Datenaustausch zur Folge, der viele verschiedene Akteure involviert. Der Swisseldex Datahub übernimmt die Aufgabe des Datenaustausches und automatisiert und vereinfacht diesen massgeblich. Wechselprozesse können nun zentral, standardisiert und automatisiert abgewickelt werden. Dies bedeutet konkret, dass der Versand von Messdaten an die unterschiedlichsten Akteure nicht mehr durch mehrere Kommunikationskanäle versendet wird, sondern durch den zentralen Kommunikationskanal des Swisseldex Datahubs.

SCS AG ist als Dienstleisterin verantwortlich für die Entwicklung, den Betrieb sowie den Kundensupport des Swisseldex Datahub.

Weitere Informationen sind bei Swisseldex verfügbar: http://www.swisseldex.ch/wp-content/uploads/2021/11/20211102-Swisseldex-MM-Datahub-Go-live-DE.pdf

 

Machine learning, specifically artificial deep neural network, have been used extensively in the last decade to tackle problems in computer vision. Medical imaging is one field of application whose large potential has slowly started to be understood and exploited. Within medical imaging Optical Coherence Tomography (OCT) is an imaging technique which is based on low-coherence interferometry and employed in ophthalmology where it yields large quantities of detailed images from within the eye, in particular, from the retina.

The field of ophthalmology investigates various eye anomalies, e.g. eye diseases, which are distinguishable on OCT images. Thus, recently, numerous supervised machine learning approaches have trained artificial neural networks for classification and semantic image segmentation tasks. Based on this the explainability of these models is investigated, e.g. by Layer-wise Relevance Propagation (LRP)1.

On the other hand, many eye anomalies are rare and training data is little. For example in the case of subretinal/intraretinal liquids2,3, hyperreflective foci4, and subretinal hyperreflective material5. In such cases, anomalies can be detected in an unsupervised learning setting through anomaly detection by employing e.g. autoencoder algorithms (possibly in combination with Generative Adversarial Networks, GANs)6,7. However, the study of explainability in these cases has been limited so far. But questions like “which area of the input image lead to the classification of an image as outlier/anomaly” are very important for medical professionals.

weiterlesen