Simon Kneller
Lead Industrial Analytics & IoT

„Wir glauben daran, dass der Schlüssel zum Erfolg unserer Data Science Projekte im Ende-zu-Ende-Ansatz liegt. Keine Einzelperson kann Data Architekt, Data Engineer, Data Scientist, ML Ops und Domänenexperte gleichzeitig sein. Es geht vielmehr um eine Teamleistung, bei der von Anfang an alle involviert sind, am gleichen Ziel arbeiten und über die Grenzen ihrer Rollen hinauswachsen. Dadurch sprechen alle dieselbe Sprache und es entsteht keine Lücke zwischen konzeptioneller Beratung und tatsächlicher Umsetzung.“

Komponenten einer Industrial Analytics Lösung

Das können Sie von uns erwarten

Sensorik & IoT Platforms

Bereits bei der Sensorspezifikation sollte bedacht werden welche datengetriebenen Services damit langfristig umgesetzt werden sollen und ob gewisse Verarbeitungsschritte „on the Edge“ ausgeführt werden sollten. Unter Verwendung geeigneter IoT platforms bringen wir ihre Daten sicher und in Echtzeit vom Sensor in die Cloud.

Big Data

In der Cloud stehen verschiedenste Möglichkeiten zur Verfügung um große Datenmengen zu prozessieren. Entsprechend Ihrer Realtime Anforderungen setzen wir mit Ihnen geeignete Streaming Architekturen um oder verarbeiten die Daten im Batch im Rahmen einer Data Warehousing Lösung.

Datengetriebene Services

Durch automatisierte Analyse von Daten entsteht die tatsächliche Wertschöpfung. So lassen sich beispielsweise Anomalien im Maschinenverhalten erkennen und daraus ein vorausschauender Wartungsprozess ableiten, was auch als Predictive Maintenance bezeichnet wird. Dies reduziert Stillstands-Zeiten und steigert die Produktivität.

Vom Sensorwert zur datengetriebenen Wertschöpfung

Schritt für Schritt zum Fortschritt

  •  

    Data Architecture

    Im ersten Schritt entwickeln wir gemeinsam mit Ihnen ein Konzept, wobei wir eine geeignete Cloud Architektur erarbeiten. An dieser Stelle ist neben dem IT-technischen Know-how auch ein umfassendes Verständnis für das Zielprodukt – den datengetriebenen Services – gefragt. Nur so können die Anforderungen an die Cloud Architektur richtig abgeschätzt werden.

  • Data Engineering

    Für eine hohe Qualität der Daten ist es unerlässlich, diese kontinuierlich zu testen und ggfs. zu bereinigen. Darüber hinaus werden in diesem Schritt die Daten so prozessiert, dass für die verschiedenen Fachbereiche deren Sichten auf die Daten schnell und effizient verfügbar sind.

     

  •  

    Data Science

    In diesem Schritt geht es darum Erkenntnisse aus den Daten abzuleiten. Dies beginnt bei einfachen Analysen und Visualisierungen, die sich – angereichert mit der nötigen Fachlogik –  in geeigneten Dashboarding-Applikationen darstellen lassen. Darüber hinaus imlementieren wir gemeinsam mit ihren Domänenexperten intelligente Services wie automatisierte Anomalieerkennungen oder Predictive Maintenace Services.

  • ML Ops

    Als Teil des operativen Machine Learnings stellen wir sicher, dass die Modelle nachhaltig produktiv gehalten werden. So können Abweichungen von der bekannten und im Modelltraining verwendeten Datenstruktur frühzeitig erkannt werden. Außerdem sorgen wir in diesem Schritt dafür, dass neues Wissen, das z.B. durch Labelling im Laufe der Zeit entstanden ist, kontinuierlich genutzt wird um die datengetriebenen Services zu verbessern.

     

Technologiepartner

 

Bei uns immer in guten Händen

„Ich spreche die Sprache der Data Scientists und der Data Engineers. Durch Cloud Computing versuche ich beiden das Leben zu erleichtern.“

„Ich wende in meiner Rolle als Data Scientist meine Kenntnisse aus dem Maschinenbau in der Industrie an und konzipiere dabei IoT-Strecken von der Hardware bis in die Cloud.“

„Ich kümmere mich im Bereich Cloud Data Engineering darum, dass Daten zeitnah, automatisch, korrekt und nutzerfreundlich zur Verfügung stehen.“

„In meiner Rolle als Data Scientist kümmere ich mich um die Auswahl und das Training der idealen Maschine Learning Modelle.“