Simon Kneller, Lead Industrial Analytics & IoT, esentri AG

Simon Kneller
Lead Industrial Analytics & IoT

„Wir sind davon überzeugt, dass der Schlüssel zum Erfolg unserer Data Science-Projekte in einem End-to-End-Ansatz liegt. Keine Einzelperson kann Data Architect, Data Engineer, Data Scientist, MLOps- und Domänenexperte gleichzeitig sein. Vielmehr geht es um eine Teamleistung, bei der alle Beteiligten von Anfang an involviert sind, auf das gleiche Ziel hinarbeiten und über die Grenzen ihrer Rollen hinauswachsen. So sprechen alle die gleiche Sprache und es entsteht keine Lücke zwischen konzeptioneller Beratung und tatsächlicher Umsetzung.“

Komponenten einer Industrial Analytics Lösung

Das können Sie von uns erwarten

Unsere Cloud Platforms Services bieten Infrastructure-as-Code

Sensorik & IoT-Plattform

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-Plattformen bringen wir Ihre Daten sicher und in Echtzeit vom Sensor in die Cloud.

Big Data

Big Data Architektur

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.

Agile Integration für eine zukunftsorientierte Integrationsstrategie

Data Products

Das übergeordnete Ziel jeder Industrial Analytics Lösung ist es, eine datengetriebene Wertschöpfung zu ermöglichen. Wir unterstützen Sie dabei mithilfe von Daten Prozesse nachzuvollziehen (Process Mining), Unregelmäßigkeiten im Maschinenbetrieb zu erkennen (Anomaly Detection) oder Störungen zu prognostizieren und Stillstände zu vermeiden (Predictive Maintenance).

Die Data Journey: Vom Sensorwert zum Data Product

Mt Data Science zum nachhaltigen Unternehmenserfolg

In unseren Projekten mit Kund:innen legen wir den Schwerpunkt auf die nachfolgenden Punkte. Wir reagieren auf die individuellen Anforderungen des Unternehmens, sodass in Ihrem Projekt nicht alle Punkte relevant sein müssen.

  •  

    Data Vision & Strategy

    Ihre Unternehmensstrategie bildet den Ausgangspunkt Ihrer datengetriebenen Wertschöpfung. Gemeinsam mit Ihnen leiten wir in Workshops Ihre Data Vision & Strategy auf Basis Ihrer strategischen Unternehmensziele ab. Beides dient später als Leitbild für alle Verantwortlichen und Projektbeteiligten und hilft bei der Priorisierung potenzieller Industrial Analytics Anwendungsfälle.

  • Data Quality & Platform

    Entscheidend für jeden Anwendungsfall von Industrial Analytics sind die Produktions- und Maschinendaten Ihres Unternehmens. Gemeinsam analysieren wir den Status Quo ihrer Datenplattformen, identifizieren Optimierungspotenziale und helfen beim Aufbau einer geeigneten Infrastruktur on-premise oder in der Cloud. In diesem Schritt legen wir besonderen Wert darauf eine hohe Qualität Ihrer Daten zu gewährleisten.

     

  •  

    Business Intelligence & Reporting

    Ein einfacher Einstieg in die Daten für eine breite Zielgruppe im Unternehmen ist der Einsatz von klassischen Business Intelligence & Reporting Lösungen. Zum einen können dadurch Maschinendaten in Form von Zeitreihen sichtbar gemacht werden und zum anderen kann das operative Geschäft in Form von KPIs überwacht werden.

  • Data Science & Machine Learning

    Neben einfachen Reporting Lösungen implementieren wir gemeinsam mit Ihren Domänenexperten intelligente Services wie automatisierte Anomalieerkennung oder Predictive Maintenance. Dabei legen wir besonderen Wert auf die Erklärbarkeit der verwendeten Machine Learning Modelle (Explainable AI).

     

  •  

    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.

Use Cases & Success Storys

Steigerung von Pumpenwirkungsgraden bei der TAL-Gruppe 

Entlang der Pipeline der TAL-Gruppe werden Sensoren eingesetzt, die Daten für die Betriebsüberwachung sammeln. Diese erfassen z.B. Durchflussmengen, Druckwerte, Öltemperaturen, Öldichten etc.. Im Rahmen des Projektes konnten wir ineffiziente Betriebspunkte der einzelnen Pumpstationen identifizieren und deren Ursachen mithilfe von Machine Learning analysieren und letztendlich vermeiden.

Steigerung Pumpenwirkungsgrade: Machine Learning
Moderne Analytics bei der Rhätischen Bahn

Data Analytics bei der Rhätischen Bahn

In der Vergangenheit hatte die Rhätische Bahn ein unflexibles Reporting-System im Einsatz. Im gemeinsamen Projekt konnten wir eine moderne Data Analytics Plattform entwickeln, die es den Führungskräften und Anwendern ermöglicht, auf Daten und Kennzahlen basierte Entscheidungen zu treffen.

Technologiepartner

 
AWS Logo
Microsoft Azure Logo
Apache Spark Logo
Keras TensorFlow Logo
mlflow Logo

Bei uns immer in guten Händen

Filip Stepniak, Senior Data Scientist bei esentri AG

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

Dr. Markus Hartinger, Senior Data Scientist bei esentri AG

„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.“

Jan Fritze, Data Engineer bei esentri AG

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

Christoph Hönes, Data Scientist bei esentri AG

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