#apacheflink

Apache Beam

Apache Beam, the simplest method for streaming and batch data processing. Data processing for mission-critical production workloads can be written once and executed anywhere.

Overview of Apache Beam

An open source, consistent approach for specifying batch and streaming data-parallel processing pipelines is called Apache Beam. To define the pipeline, you create a program using one of the open source Beam SDKs. One of Beam’s supported distributed processing back-ends, such as Google Cloud Dataflow, Apache Flink, or Apache Spark, then runs the pipeline.

Beam is especially helpful for situations involving embarrassingly parallel data processing, where the issue may be broken down into numerous smaller data bundles that can be handled separately and concurrently. Beam can also be used for pure data integration and Extract, Transform, and Load (ETL) activities. These operations are helpful for loading data onto a new system, converting data into a more suitable format, and transferring data between various storage media and data sources.Image credit to Apache Beam

How Does It Operate?

Sources of Data

Whether your data is on-premises or in the cloud, Beam reads it from a wide range of supported sources.

Processing Data

Your business logic is carried out by Beam for both batch and streaming usage cases.

Writing Data

The most widely used data sinks on the market receive the output of your data processing algorithms from Beam.

Features of Apache Beams

Combined

For each member of your data and application teams, a streamlined, unified programming model for batch and streaming use cases.

Transportable

Run pipelines across several execution contexts (runners) to avoid lock-in and provide flexibility.

Wide-ranging

Projects like TensorFlow Extended and Apache Hop are built on top of Apache Beam, demonstrating its extensibility.

Open Source

Open, community-based support and development to help your application grow and adapt to your unique use cases.

Apache Beam Pipeline Runners

The data processing pipeline you specify with your Beam program is converted by the Beam Pipeline Runners into an API that works with the distributed processing back-end of your choosing. You must designate a suitable runner for the back-end where you wish to run your pipeline when you run your Beam program.

Beam currently supports the following runners:

The Direct Runner

Runner for Apache Flink Apache Flink

Nemo Runner for Apache

Samza the Apache A runner Samza the Apache

Spark Runner for Apache Spark by Apache

Dataflow Runner for Google Cloud Dataflow on Google Cloud

Jet Runner Hazelcast Jet Hazelcast

Runner Twister 2

Get Started

Get Beam started on your data processing projects.

Visit our Getting started from Apache Spark page if you are already familiar with Apache Spark.

As an interactive online learning tool, try the Tour of Beam.

For the Go SDK, Python SDK, or Java SDK, follow the Quickstart instructions.

For examples that demonstrate different SDK features, see the WordCount Examples Walkthrough.

Explore our Learning Resources at your own speed.

on detailed explanations and reference materials on the Beam model, SDKs, and runners, explore the Documentation area.

Learn how to run Beam on Dataflow by exploring the cookbook examples.

Contribute

The Apache v2 license governs Beam, a project of the Apache Software Foundation. Contributions are highly valued in the open source community of Beam! Please refer to the Contribute section if you would want to contribute.

Apache Beam SDKs

Whether the input is an infinite data set from a streaming data source or a finite data set from a batch data source, the Beam SDKs offer a uniform programming model that can represent and alter data sets of any size. Both bounded and unbounded data are represented by the same classes in the Beam SDKs, and operations on the data are performed using the same transformations. You create a program that specifies your data processing pipeline using the Beam SDK of your choice.

As of right now, Beam supports the following SDKs for specific languages:

Java SDK for Apache Beam Java

Python’s Apache Beam SDK

SDK Go for Apache Beam Go

Apache Beam Python SDK

A straightforward yet effective API for creating batch and streaming data processing pipelines is offered by the Python SDK for Apache Beam.

Get started with the Python SDK

Set up your Python development environment, download the Beam SDK for Python, and execute an example pipeline by using the Beam Python SDK quickstart. Next, learn the fundamental ideas that are applicable to all of Beam’s SDKs by reading the Beam programming handbook.

For additional details on specific APIs, consult the Python API reference.

Python streaming pipelines

With Beam SDK version 2.5.0, the Python streaming pipeline execution is possible (although with certain restrictions).

Python type safety

Python lacks static type checking and is a dynamically typed language. In an attempt to mimic the consistency assurances provided by real static typing, the Beam SDK for Python makes use of type hints both during pipeline creation and runtime. In order to help you identify possible issues with the Direct Runner early on, Ensuring Python Type Safety explains how to use type hints.

Managing Python pipeline dependencies

Because the packages your pipeline requires are installed on your local computer, they are accessible when you execute your pipeline locally. You must, however, confirm that these requirements are present on the distant computers if you wish to run your pipeline remotely. Managing Python Pipeline Dependencies demonstrates how to enable remote workers to access your dependencies.

Developing new I/O connectors for Python

You can develop new I/O connectors using the flexible API offered by the Beam SDK for Python. For details on creating new I/O connectors and links to implementation guidelines unique to a certain language, see the Developing I/O connectors overview.

Making machine learning inferences with Python

Use the RunInference API for PyTorch and Scikit-learn models to incorporate machine learning models into your inference processes. You can use the tfx_bsl library if you’re working with TensorFlow models.

The RunInference API allows you to generate several kinds of transforms since it accepts different kinds of setup parameters from model handlers, and the type of parameter dictates how the model is implemented.

An end-to-end platform for implementing production machine learning pipelines is called TensorFlow Extended (TFX). Beam has been integrated with TFX. Refer to the TFX user handbook for additional details.

Python multi-language pipelines quickstart

Transforms developed in any supported SDK language can be combined and used in a single multi-language pipeline with Apache Beam. Check out the Python multi-language pipelines quickstart to find out how to build a multi-language pipeline with the Python SDK.

Unrecoverable Errors in Beam Python

During worker startup, a few typical mistakes might happen and stop jobs from commencing. See Unrecoverable faults in Beam Python for more information on these faults and how to fix them in the Python SDK.

Apache Beam Java SDK

A straightforward yet effective API for creating batch and streaming parallel data processing pipelines in Java is offered by the Java SDK for Apache Beam.

Get Started with the Java SDK

Learn the fundamental ideas that apply to all of Beam’s SDKs by beginning with the Beam Programming Model.

Further details on specific APIs can be found in the Java API Reference.

Supported Features

Every feature that the Beam model currently supports is supported by the Java SDK.

Extensions

A list of available I/O transforms may be found on the Beam-provided I/O Transforms page.

The following extensions are included in the Java SDK:

Inner join, outer left join, and outer right join operations are provided by the join-library.

For big iterables, sorter is a scalable and effective sorter.

The benchmark suite Nexmark operates in both batch and streaming modes.

A batch-mode SQL benchmark suite is called TPC-DS.

Euphoria’s Java 8 DSL for BEAM is user-friendly.

There are also a number of third-party Java libraries.

Java multi-language pipelines quickstart

Transforms developed in any supported SDK language can be combined and used in a single multi-language pipeline with Apache Beam. Check out the Java multi-language pipelines quickstart to find out how to build a multi-language pipeline with the Java SDK.

The goal of today’s companies is to become “by-the-second” enterprises that can quickly adjust to shifts in their inventory, supply chain, consumer behavior, and other areas. Additionally, they aim to deliver outstanding customer experiences, whether it is via online checkout or support interactions. All businesses, regardless of size or budget, should have access to real-time intelligence, in opinion, and it should be linked into a single data platform so that everything functions as a whole. With the release of BigQuery Engine for Apache Flink in preview today, we’re making significant progress in assisting companies in achieving these goals.

BigQuery Engine for Apache Flink

Construct and operate applications that are capable of real-time streaming by utilizing a fully managed Flink service that is linked with BigQuery.

Features

Update your unified data and AI platform with real-time data

Using a scalable and well-integrated streaming platform built on the well-known Apache Flink and Apache Kafka technologies, make business decisions based on real-time insights. You can fully utilize your data when paired with Google’s unique AI/ML capabilities in BigQuery. With built-in security and governance, you can scale efficiently and iterate quickly without being constrained by infrastructure management.

Use a serverless Flink engine to save time and money

Businesses use Google Cloud to develop streaming apps in order to benefit from real-time data. The operational strain of administering self-managed Flink, optimizing innumerable configurations, satisfying the demands of various workloads while controlling expenses, and staying up to date with updates, however, frequently weighs them down. The serverless nature of BigQuery Engine for Apache Flink eases this operational load and frees its clients to concentrate on their core competencies, which include business innovation.

Compatible with Apache Flink, an open source project

Without rewriting code or depending on outside services, BigQuery Engine for Apache Flink facilitates the lifting and migration of current streaming applications that use the free source Apache Flink framework to Google Cloud. Modernizing and migrating your streaming analytics on Google Cloud is simple when you combine it with Google Managed Service for Apache Kafka (now GA).

Streamling ETL

ETL streaming for your data platform that is AI-ready

An open and adaptable framework for real-time ETL is offered by Apache Flink, which enables you to ingest data streams from sources like as Kafka, carry out transformations, and then immediately load them into BigQuery for analysis and storage. With the advantages of open source extensibility and adaptation to various data sources, this facilitates quick data analysis and quicker decision-making.

Create applications that are event-driven

Event-driven apps assist businesses with marketing personalization, recommendation engines, fraud detection models, and other issues. The managed Apache Kafka service from Google Cloud can be used to record real-time event streams from several sources, such as user activity or payments. These streams are subsequently processed by the Apache Flink engine with minimal latency, allowing for sophisticated tasks like real-time processing.

Build a real-time data and AI platform

Apache’s BigQuery Engine You may use Flink for stream analytics without having to worry about infrastructure management. Use the SQL or DataStream APIs in Flink to analyze data in real time. Stream your data to BigQuery and link it to visualization tools to create dashboards. Use Flink’s libraries for streaming machine learning and keep an eye on work performance.

The cutting-edge real-time intelligence platform offered by BigQuery Engine for Apache Flink enables users to:

Utilize Google Cloud‘s well-known streaming technology. Without rewriting code or depending on outside services, BigQuery Engine for Apache Flink facilitates the lifting and migration of current streaming applications that use the open-source Apache Flink framework to Google Cloud. Modernizing and migrating your streaming analytics on Google Cloud is simple when you combine it with Google Managed Service for Apache Kafka (now GA).

Lessen the strain on operations. Because BigQuery Engine for Apache Flink is completely serverless, it lessens operational load and frees up clients to concentrate on their core competencies innovating their businesses.

Give AI real-time data. A scalable and well-integrated streaming platform built on the well-known Apache Flink and Apache Kafka technologies that can be combined with Google’s unique AI/ML capabilities in BigQuery is what enterprise developers experimenting with gen AI are searching for.

With the arrival of BigQuery Engine for Apache Flink, Google Cloud customers are taking advantage of numerous real-time analytics innovations, such as BigQuery continuous queries, which allow users to use SQL to analyze incoming data in BigQuery in real-time, and Dataflow Job Builder, which assists users in defining and implementing a streaming pipeline through a visual user interface.

Google cloud streaming offering now includes popular open-source Flink and Kafka systems, SQL-based easy streaming with BigQuery continuous queries, and sophisticated multimodal data streaming with Dataflow, including support for Iceberg, thanks to BigQuery Engine for Apache Flink. These features are combined with BigQuery, which links your data to top AI tools in the market, such as Gemma, Gemini, and open models.

New AI capabilities unlocked when your data is real-time

It is evident that generative AI has rekindled curiosity about the possibilities of data-driven experiences and insights as a turn to the future. When AI, particularly generative AI, has access to the most recent context, it performs best. Retailers can customize their consumers’ purchasing experiences by fusing real-time interactions with historical purchase data. If your business provides financial services, you can improve your fraud detection model by using real-time transactions. Fresh data for model training, real-time user support through Retrieval Augmented Generation (RAG), and real-time predictions and inferences for your business applications including incorporating tiny models like Gemma into your streaming pipelines are all made possible by real-time data coupled to AI.

In order to enable real-time data for your future AI use cases, it is adopting a platform approach to introduce capabilities across the board, regardless of the particular streaming architecture you want or the streaming engine you select. Building real-time AI applications is now easier than ever with to features like distributed counting in Bigtable, the RunInference transform, support for Vertex AI text-embeddings, Dataflow enrichment transforms, and many more.

When it comes to enabling your unified data and AI platform to function in real-time data, Google cloud are thrilled to put these capabilities in your hands and keep providing you with additional options and flexibility. Get started utilizing BigQuery Engine for Apache Flink right now in the Google Cloud console by learning more about it.

Die öffentliche Diskussion rund um 5G, Digitalisierung und das Internet der Dinge bringen ein weiteres Thema auf die Agenda: Dass Interesse für das Thema Smart City wächst stetig, und es wurden -zumeist außerhalb Europas – bereits einige spannende Technologieprojekte realisiert. Immer mehr Regierungen unternehmen ernsthafte Schritte zur Modernisierung ihrer Infrastruktur, um die Herausforderungen des Bevölkerungswachstums in Megacitys auf der ganzen Welt zu bewältigen. Die meisten dieser Projekte zielen darauf ab, intelligentere Dienstleistungen und eine bessere Lebensqualität für die Bürger zu gewährleisten. Welche technologischen Hürden zu bewältigen sind und welche Rolle Stream Processing dabei spielen kann, beleuchtet Ververica aus Berlin. Zu den bemerkenswerten Beispielen für Smart-City-Projekte zählt Moskau. Dort trugen Überwachungskameras dazu bei, im Jahr 2018 mehr als 3.500 Verbrechen in der Stadt aufzuklären, was einem Anstieg von 16 Prozent im Vergleich zu 2017 entspricht. Las Vegas ist ein weiteres Beispiel dafür, in dem der Stadtrat unzählige neue Technologien im öffentlichen Raum erprobt, um die Vision einer Smart City voranzubringen. Die City of Canterbury Bankstown im Südwesten Sydneys, hat sich Mittel für ein fortschrittliches Entsorgungsmanagementprojekt gesichert. Dies ist keine Überraschung, da die Staatsausgaben für Smart-City-Initiativen und der gesamte Markt für Smart-City-Plattformen von 104,6 Milliarden US-Dollar im Jahr 2018 auf 223,3 Milliarden US-Dollar im Jahr 2023 steigen soll, mit einer kontinuierlichen jährlichen Wachstumsrate von 16,4 Prozent.   Infrastruktur und Nachhaltigkeit verbessern Wie können Smart-City-Projekte durch Echtzeit-Datenverarbeitung und Stream-Processing dazu beitragen, die Infrastruktur und Nachhaltigkeit einer Stadt zu verbessern? Warum sollten Regierungen die Verwendung von Stream-Processing-Frameworks für ihre Smart-City-Initiativen in Betracht ziehen? Eine Smart City ist laut gängiger Definition ein Stadtgebiet, in dem verschiedene Arten von elektronischen Datenerfassungssensoren zum Einsatz kommen. Diese liefern Informationen, die zur effizienten Verwaltung von Vermögenswerten und Ressourcen verwendet werden. Dazu gehören Daten von Bürgern, Geräten und Anlagen, die verarbeitet und analysiert werden. Damit können Verkehrs- und Transportsysteme, Kraftwerke, Wasserversorgungsnetze, Abfallwirtschaft, Strafverfolgung, Informationssysteme, Schulen, Bibliotheken, Krankenhäuser und andere öffentliche Dienste besser überwacht und verwaltet werden. »Das bedeutet, dass in einer Smart City verschiedene vernetzte Geräte kontinuierlich Daten erzeugen, die in Echtzeit analysiert werden müssen. Hierzu ist ein skalierbares und robustes Datenverarbeitungs-System erforderlich«, so Marta Paes Moreira, Product Evangelist bei Ververica (vormals Data Artisans). »Die Stream-Verarbeitung mit Apache Flink ist aufgrund der einzigartigen Fähigkeit des Frameworks, auf die spezifischen Aspekte eines Smart-City-Projekts zu reagieren, eine naheliegende Lösung für die oben genannten Anforderungen.«   In Smart-City-Projekten werden kontinuierlich Daten produziert Smart-City-Projekte basieren auf zahlreichen, verschiedenen vernetzten Geräten, die wertvolle Informationen darüber liefern, was in einer Stadt oder einem Stadtgebiet passiert. Dies kann Infrastruktur wie Straßenbahnen, Busse und andere öffentliche Verkehrsmittel sein, die Echtzeit-Verkehrs- und Stauinformationen liefern, oder Daten aus der Videoüberwachung an verschiedenen Orten der Stadt oder Standortdaten von mobilen Geräten senden. Diese Daten werden als kontinuierliche Ereignisströme erzeugt, was die Stream-Verarbeitung zur perfekten Wahl für die Verarbeitung eines kontinuierlichen Datenstroms in Echtzeit macht, ohne auf statische Abfrage- und Antwortmethoden der Datenverarbeitung zurückgreifen zu müssen. Letztere würden jede Berechnung und Entscheidungsfindung durch zusätzliche Komplexität und hohe Latenzzeiten ausbremsen.   Daten und Ereignisse können verzögert oder beschädigt in das Verarbeitungssystem gelangen Aufgrund der verteilten Umgebung, in der Daten in einem Smart-City-Projekt generiert werden, ist es nach Meinung von Ververica entscheidend, diese auf Basis der Ereigniszeit zu verarbeiten. So können beispielsweise in Gebieten mit eingeschränkter Netzwerkkonnektivität, etwa Bereiche zwischen U-Bahn-Stationen, oder bei extremen Wetterbedingungen, Daten mit Verzögerungen oder beschädigt im Verarbeitungssystem ankommen. Mit der Unterstützung von Apache Flink für die Stream-Verarbeitung zur Ereigniszeit sind die Daten- und Analyse-Teams von Smart-City-Projekten in der Lage, die Daten basierend auf einem Zeitstempel zu verarbeiten. Dies bedeutet, die Verarbeitung findet im Wesentlichen basierend auf dem Zeitpunkt statt, an dem das Ereignis tatsächlich stattgefunden hat. Dies ermöglicht es, Muster zu erkennen und gegebenenfalls Anpassungen vorzunehmen, etwa an Ampeln oder Telematik-Displays an Bushaltestellen, oder Meldungen an die Öffentlichkeit zu kommunizieren.   In den meisten Fällen basieren die Entscheidungen auf bestimmten Zeitfenstern Aufgrund der kontinuierlichen und echtzeitorientierten Berechnungen und Architekturen in Smart-City-Projekten, müssen Daten- und Analyseteams Informationen in bestimmte Zeitfenster unterteilen. Ziel ist es, Anomalien zu erkennen, spezifische Muster zu finden und alle notwendigen Maßnahmen vorzunehmen, die es der Stadt letztendlich ermöglichen, in Echtzeit auf Situationen und Ereignisse zu reagieren. Wenn beispielsweise die Daten zeigen, dass mehrere Busse länger als 20 Minuten lang keinen Standortwechsel aufweisen, dann liegt wahrscheinlich eine Notsituation in einem erweiterten Gebiet vor. Daraufhin kann die Polizei alarmiert werden oder die Linienführung kann geändert werden. Ein bemerkenswertes Beispiel für den Einsatz von Flink in Smart-City-Projekten ist die Stadt Warschau, die Apache Flink für ihre Fahrzeugbewegungsanalyse- und Stauprognose-Systeme im Rahmen des VaVeL-Smart-City-Projekts einsetzt. Ein anderes Beispiel ist die chinesische Stadt Hangzhou, eine Metropole mit mehr als sieben Millionen Einwohnern. Sie wurde vor einigen Jahren an fünfter Stelle der verkehrsmäßig am stärksten belasteten Städte Chinas eingestuft. Mittlerweil ist Hangzhou in Bezug auf ihre Verkehrsüberlastung auf den 57. Platz gefallen, was zum Teil auf den Einsatz der von Apache Flink betriebenen KI-Plattform City Brain zurückzuführen ist. Die Plattform sammelt Daten aus verschiedenen Quellen in Hangzhou, wie etwa Videos von Kreuzungskameras und GPS-Daten zu den Standorten von Autos und Bussen in der Stadt. City Brain analysiert die Informationen dann in Echtzeit, um mehr als 1.000 Ampeln und Anzeigetafeln in der Stadt zu koordinieren. Auf diese Weise gelingt es, einen Verkehrsinfarkt zu verhindern oder zumindest die Situation zu entschärfen. »Im Rahmen eines Smart-City-Projekts generieren verschiedene IoT-Geräte kontinuierlich Daten, die innerhalb kurzer Zeit analysiert werden müssen. Der Schlüssel liegt darin, Zugang zu einer Technologie zu haben, die in der Lage ist, aus einer großen Menge von in Echtzeit zur Verfügung gestellten Daten wertvolle Informationen zu gewinnen«, fasst Marta Paes Moreira von Ververica abschließend zusammen. Foto: Pixabay  

138 search results for "Smart City"

NEWS | BUSINESS | BUSINESS PROCESS MANAGEMENT | CLOUD COMPUTING | DIGITALE TRANSFORMATION | GESCHÄFTSPROZESSE | INFRASTRUKTUR | INTERNET DER DINGE | IT-SECURITY | KOMMUNIKATION | KÜNSTLICHE INTELLIGENZ | LÖSUNGEN | ONLINE-ARTIKEL | RECHENZENTRUM | SERVICES | STRATEGIEN

Smart City und SD-WAN: Wie die digitale Transformation Städte intelligenter macht

18. Mai 2018

Eine flächendeckende drahtlose Konnektivität in Städten gepaart mit IoT-Technologie – diese Kombination eröffnet neue, vielfältige Möglichkeiten für die Entwicklung intelligenter Städte, sogenannter Smart Cities. In puncto Netzwerktechnologie erfordern Smart Cities einen modernen Software-definierten Ansatz für Wide Area Networking, kurz: SD-WAN. WANs für intelligente Städte müssen mehr denn je agil, geradezu elastisch sein. Kommunen jeglicher Größe… Weiterlesen → NEWS | BUSINESS | DIGITALE TRANSFORMATION | INFRASTRUKTUR | INTERNET DER DINGE | IT-SECURITY | KOMMENTAR | STRATEGIEN

Sicherheit in der »Smart City« – worauf es ankommt

25. Februar 2018

Technologien verändern unseren Alltag, das zeigt ein kurzer Blick auf die Kommunikation: Vom Anruf per Festnetztelefon, hin zu WhatsApp, Mail und vielen anderen Möglichkeiten. Dieser Wandel geht noch weiter: Smarte Geräte sind Standard und nicht nur unsere Telefone und Tablets, auch Fernseher, Kühlschränke und Heizungen kommunizieren mittlerweile über das Internet miteinander und mit uns. Die… Weiterlesen → NEWS | TRENDS INFRASTRUKTUR | TRENDS KOMMUNIKATION | DIGITALISIERUNG | EFFIZIENZ | INFRASTRUKTUR | INTERNET DER DINGE | TRENDS 2018 | SERVICES

Smart City ist noch ein spanisches Dorf, weckt aber Interesse

24. Februar 2018

Vor allem Energieeffizienz ist attraktiv. Selbstfahrende Autos, energiesparende Bauweise, künstliche Intelligenz – kaum ein Tag vergeht ohne die Verlautbarung von Neuerungen in diesen Bereichen. Fragt man jedoch in der Bevölkerung nach Smart City, herrscht meist Schweigen im Walde. Nur knapp jedem Fünften ist der Begriff geläufig. Doch was verbindet man damit? Und welche Optionen wecken… Weiterlesen → NEWS | DIGITALE TRANSFORMATION | TRENDS SERVICES | INFRASTRUKTUR | INTERNET DER DINGE | SERVICES

Smart City – Die Stadt der Zukunft

15. Juli 2017

Mit intelligenter IT die Lebensqualität in Großstädten verbessern. 2050 werden zwei Drittel der Weltbevölkerung in Städten leben. Daraus ergeben sich völlig neue Herausforderungen. Mehr Menschen in Städten benötigen mehr Energie. Der Ressourcenverbrauch stößt in völlig neue Dimensionen. Das Gebot der Stunde lautet: Effizienz. Nicht nur, um den Energieeinsatz aus Gründen des Klimaschutzes zu minimieren. Städte… Weiterlesen → NEWS | BUSINESS | TRENDS INFRASTRUKTUR | DIGITALISIERUNG | EFFIZIENZ | GESCHÄFTSPROZESSE | INFRASTRUKTUR | INFOGRAFIKEN | TRENDS 2017 | IT-SECURITY | KOMMUNIKATION | LÖSUNGEN | SERVICES | STRATEGIEN

»Smart City« : Wien international auf Platz Eins – Dienstleistungsmarkt für Smart Cities bietet großes Potenzial

19. März 2017

Neuer »Smart City Index« von Roland Berger analysiert erstmals systematisch die Strategien der weltweiten Großstädte. Das Ranking: Wien, Chicago und Singapur sind die Städte mit den besten Strategieansätzen. 87 untersuchte Städte: Alle zeigen Verbesserungspotenzial – meist fehlt eine ganzheitliche Sicht. Weltweiter Markt für Smart-City-Lösungen wird sich voraussichtlich von aktuell 13 auf 28 Milliarden Dollar im… Weiterlesen → NEWS | TRENDS KOMMUNIKATION | TRENDS MOBILE | GESCHÄFTSPROZESSE | LÖSUNGEN | SERVICES

Ein Hauch von Smart City: Munich City App für die Münchner Kult(ur) Nacht

3. September 2015

Am 11. September findet die Münchner Kult(ur) Nacht bereits zum neunten Mal statt – mit einem besonderen Special: Mit der Munich City App bekommen Besucher immer die besten Angebote und Events auf ihr Smartphone und verpassen keines der Highlights und Schnäppchen, die auf sie warten. Die Munich City App ist bei Google Play und im… Weiterlesen → NEWS | TRENDS 2019 | TRENDS WIRTSCHAFT | DIGITALISIERUNG | TRENDS SERVICES | INFRASTRUKTUR | INFOGRAFIKEN | INTERNET DER DINGE | SERVICES

Studie: E-Government ist beliebtestes Smart-City-Angebot der Zukunft

23. Dezember 2018

Öffentliches WLAN, Car-Sharing, intelligente Straßenlaternen: Die Studie des Marktforschungsinstituts Splendid Research GmbH beschäftigt sich mit dem Themenkomplex der Smart City. Dazu haben sich im Juli 2018 insgesamt 1.522 Stadtbewohner im Alter von 18 bis 69 Jahren online geäußert. Es ging um die Nutzung, die Beliebtheit sowie die Bekanntheit der breiten Smart-City-Auswahl. Dabei unterscheidet die Studie… Weiterlesen → NEWS | TRENDS WIRTSCHAFT | BUSINESS | TRENDS SECURITY | DIGITALISIERUNG | DIGITALE TRANSFORMATION | TRENDS GESCHÄFTSPROZESSE | TRENDS SERVICES | INFRASTRUKTUR | TRENDS 2017 | INTERNET DER DINGE | KOMMUNIKATION | LÖSUNGEN | SERVICES | STRATEGIEN

Smart-City-Studie zeigt wichtige Lektionen aus 22 smarten Städten weltweit, darunter Berlin

10. November 2016

Die Studie »The Smart City Playbook« zeigt auf, welche unterschiedlichen Ansätze Städte auf dem Weg zur »Smart City« verfolgen . Das Playbook enthält darüber hinaus konkrete Orientierungshilfen für Entscheider in Form von erfolgreichen Strategien, mit denen andere Stadtverwaltungen ihre Städte smarter, sicherer und nachhaltiger machen. Die Studie wurde von Nokia in Auftrag gegeben, die Daten… Weiterlesen → NEWS | BUSINESS PROCESS MANAGEMENT | CLOUD COMPUTING | DIGITALISIERUNG | INFRASTRUKTUR| INTERNET DER DINGE | KOMMUNIKATION | KÜNSTLICHE INTELLIGENZ | SERVICES

Smart Roads: Mehr Intelligenz und Sicherheit für die Verkehrsinfrastruktur

8. November 2018

Materialermüdung macht den Straßen und Brücken in Deutschland zu schaffen. Gründe hierfür sind Schwingungen durch den permanenten Verkehr sowie Korrosion, ausgelöst durch Tausalze im Winter. Damit kein Unglück passiert, werden hierzulande Brücken flächendeckend überwacht und auf Schäden untersucht: Alle sechs Jahre findet eine Hauptprüfung statt und alle sechs Monate erfolgt eine Sichtprüfung. Beginnen Schäden jedoch… Weiterlesen → NEWS | TRENDS INFRASTRUKTUR | BUSINESS PROCESS MANAGEMENT | TRENDS KOMMUNIKATION | DIGITALISIERUNG | EFFIZIENZ | TRENDS SERVICES | GESCHÄFTSPROZESSE | TRENDS 2018 | KOMMUNIKATION | KÜNSTLICHE INTELLIGENZ | SERVICES

Smart Community: Hälfte der Europäer will digitalen Zugang zu öffentlichen Dienstleistungen

18. September 2018

Verbraucher erwarten die Zusammenarbeit von Service Providern und Regierungen, um die erfolgreiche Akzeptanz eines Smart-Community-Projekts zu gewährleisten.   Juniper Networks hat zusammen mit YouGov eine neue Marktforschung präsentiert . Diese zeigt, dass Verbraucher Fähigkeiten wie Interoperabilität und Cybersecurity über technologische Fortschritte wie 5G, Cloud, IoT und Automatisierung bei der Verwirklichung von Smart Communities stellen. Smart… Weiterlesen → NEWS | TRENDS WIRTSCHAFT | TRENDS INFRASTRUKTUR | TRENDS KOMMUNIKATION | DIGITALISIERUNG| EFFIZIENZ | TRENDS SERVICES | TRENDS 2018 | KOMMUNIKATION | KÜNSTLICHE INTELLIGENZ

Interoperabilität treibt die Entwicklung von Smart Communities voran, nicht Technologie, so die Verbraucher in EMEA

13. September 2018

Verbraucher erwarten die Zusammenarbeit von Service Providern und Regierungen, um die erfolgreiche Akzeptanz eines Smart-Community-Projekts zu gewährleisten. Juniper Networks hat zusammen mit YouGov eine neue Marktforschung präsentiert . Diese zeigt, dass Verbraucher Fähigkeiten wie Interoperabilität und Cybersecurity über technologische Fortschritte wie 5G, Cloud, IoT und Automatisierung bei der Verwirklichung von Smart Communities stellen. Smart Communities… Weiterlesen → NEWS | DIGITALISIERUNG | EFFIZIENZ | FAVORITEN DER REDAKTION | INFRASTRUKTUR | KOMMUNIKATION | LÖSUNGEN | STRATEGIEN

5G im öffentlichen Einsatz: Smarte Möglichkeiten für Rettungskräfte

16. August 2018

5G, die nächste Mobilfunkgeneration, steht auf der Türschwelle. Aktuell werden LTE-Mobilfunknetze auf der ganzen Welt mit neuen Frequenzbändern und fortschrittlichen Funktechnologien, etwa »LTE-Narrowband-IoT«, aufgerüstet. Die kommerzielle Nutzung von 5G-Technologien wird bereits erprobt, in Deutschland etwa an der A9 durch ein großangelegtes Projekt zum autonomen Fahren, an dem sich Autohersteller, Netzwerkausrüster und die Deutsche Bahn beteiligen.… Weiterlesen → NEWS | KOMMUNIKATION | AUSGABE 7-8-2018

Digital City – Vernetzte Plattformen für die moderne Stadt

15. August 2018

Städte, die ein attraktiver Ort für Menschen und Unternehmen sein wollen, müssen auch ihre digitalen Angebote vorantreiben. Ein smarter Ansatz sind webbasierte Handels- und Kommunikationsplattformen, die Bürger, Unternehmen, Organisationen und Behörden als Social Community miteinander verbinden. Weiterlesen → NEWS | BUSINESS | DIGITALISIERUNG | EFFIZIENZ | INFRASTRUKTUR | INTERNET DER DINGE | KÜNSTLICHE INTELLIGENZ | SERVICES

Smart Commercial Building cube berlin zeigt wie Bürogebäude denken lernen

10. August 2018

  Mitten in Berlin soll bis Ende des Jahres 2019 das digitalisierte Bürogebäude cube berlin entstehen. Als Smart Commercial Building lernt der cube über eine Art zentrales Gehirn von seinen Nutzern und passt sich deren Bedürfnissen individuell an. Das Immobilienunternehmen CA Immo ist Bauherr und investiert in den von 3XN Architects entworfenen Neubau rund 100… Weiterlesen → NEWS | VERANSTALTUNGEN

Work smarter, not harder: CEBIT 2018 macht fit fürs Digital Office

5. Juni 2018

Top Books on Apache Spark