https://www.faz.net/-irt-9l4wo
Verlagsspezial
Bildbeschreibung einblenden

: Data Scientists gefragt

Bild: Pinkypills/iStock.com

Wer in der ersten Liga mitspielen möchte, kommt an der Auswertung und Optimierung firmeninterner Abläufe nicht mehr vorbei. Um Arbeitsprozesse zu verbessern, wird Data Science immer wichtiger.

          In den frühen 2000er Jahren schwirrte durch die Ausstellungshallen der Hannover Messe erstmals ein Begriff, der heute in aller Munde ist: Big Data. Er bezeichnet Datenmengen, die zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie manuell auswerten zu können. Das Wort „Big“ bezieht sich auf die drei V-Dimensionen: Volumen, Velocity (Geschwindigkeit) und Variety (Datentypen- und -quellen). Um die riesigen Datenmengen zu sammeln, zu verarbeiten und schließlich nach bestimmten Kriterien zu analysieren, „ist erheblicher Aufwand notwendig“, betont Christoph Hartmann, Business-Experte beim Softwareunternehmen SAS Deutschland. Die Arbeit aber lohnt sich, denn mit den gewonnenen Erkenntnissen müssen Prognosen nicht mehr nach Bauchgefühl abgegeben werden, sondern sie sind datenbasiert. Auf diese Weise lassen sich Betriebe effizienter steuern, Unternehmensziele schneller und sicherer erreichen und neue Geschäftsmodelle aufbauen.

          Bessere Ergebnisse bei Absatzplanung

          Ohne Big-Data-Lösungen sind das Internet of Things (IoT) und die Nutzung Künstlicher Intelligenz (KI) undenkbar. Erst durch die intelligente Auswertung und Steuerung von Massendaten ist die Vernetzung von Maschinen und Anlagen möglich. Big Data ist die Voraussetzung, dass heute durch Machine Learning und Deep Learning Arbeitsabläufe in der Digital Factory optimiert werden können. Maschinelles Lernen steht für die künstliche Generierung von Wissen aus Erfahrung. „Deep Learning ist die Kombination verschiedener Optimierungsmethoden über neuronale Netze“, erklärt Hartmann. „Dabei werden spezialisierte Netzwerkstrukturen zur Lösung verschiedener Fragestellungen wie zum Beispiel Absatzprognosen, Objekterkennungen oder Textanalysen genutzt.“ Der SAS-Industrieexperte nennt als Beispiel die Anwendung bei einem der weltweit größten Hersteller von Getreideprodukten: „Um die intelligente Automatisierung der Absatzplanung zu optimieren, hat man drei Machine-Learning-Verfahren kombiniert. Der Erfolg: Die Planungsgenauigkeit steigt um sechs Prozentpunkte. Lag sie vorher beispielsweise bei 70 Prozent, beträgt sie jetzt 76 Prozent.

          Ein weiteres Paradebeispiel sei ein belgisches Chemiewerk, das seine Prozesse in der Fertigung verbessern wollte. Die Frage war: Wie muss die Produktionsanlage eingestellt werden, damit die Herstellung optimal verläuft? Zunächst wurden durch Sensoren an den Produktionsanlagen Daten gesammelt, untersucht und über maschinelles Lernen optimiert. Die Erkenntnisse landeten an den Leitständen und wurden an Mitarbeiter vor Ort geliefert. Hartmann: „Die konnten dann die Stellschrauben an den Anlagen so justieren, dass Material und Energie gespart und die Ausbeute aus der Produktion verbessert wurde.“

          Fachleute sind davon überzeugt, dass produzierende Unternehmen zukünftig Blockchain- und KI-Plattformen intensiv einsetzen werden, um die Wertschöpfung zu erhöhen. „Alle Bemühungen in der Industrie drehen sich darum, Fertigungsanlagen intelligenter und damit effizienter zu nutzen“, so Hartmann. Dazu gehören die digitale Einbindung von Zulieferketten und Predictive Maintenance, also ein ganzheitliches Anlagenmanagement. Deren Ziele: Durch Pflege und vorausschauende Instandhaltung der Anlagen Ausfallzeiten zu minimieren und die Effektivität und Verfügbarkeit zu verbessern.

          Echtzeitverarbeitung von Daten entscheidend

          Hartmann legt Wert auf die Feststellung, dass für den weiteren Siegeszug von Data Analytics die Echtzeitverarbeitung von Daten entscheidend ist. Eine IoT-Lösung bei einem Betreiber von Schienenfahrzeugen in Nordamerika gilt als beispielhaft: Um kilometerlange Züge noch sicherer und wirtschaftlicher steuern zu können, wurden die Steuereinheiten von 1400 Lokomotiven mit einem in Echtzeit arbeitenden Analytics-System ausgestattet. „Eine Vielzahl an Sensoren liefern dem System extrem große Datenmengen im Terabytebereich“, erläutert Hartmann. „Die Daten, von denen etwa 90 Prozent vorher noch nie analysiert worden waren, werden innerhalb von Millisekunden verarbeitet. Auf diese Weise bekommt beispielsweise beim Überqueren von Hügeln die hintere Lok, die den Zug schiebt, unmittelbar die Information, wenn die vordere, ziehende Lok bremst.“ Solche sogenannten Instream-Analyseverfahren, also die Auswertung von Daten in Echtzeit aus einem Datenstrom, werden zukünftig an Bedeutung gewinnen, ist er sicher: „Diese sind in den vergangenen zehn Jahren um das 60-Fache effizienter geworden.“

          Doch nicht nur in Technologie müssen die Unternehmen investieren, sondern auch in Personal. Es werden mehr Experten für Big-Data-Analysen benötigt, weil diese Querschnittstechnologie in allen Bereichen der Wirtschaft Einzug hält. Ein Beruf mit besonders rosiger Zukunft: Data Scientist. Die Universität Harvard nennt ihn den „attraktivsten Beruf des 21. Jahrhunderts“. Laut Bitkom Research haben schon 14 Prozent aller größeren Unternehmen mit mehr als 500 Mitarbeitern eine Stelle für Data Scientists geschaffen – mehr als dreimal so viele wie vor einem Jahr.

          Topmeldungen

          : Die Wiedergeburt des Tankwarts

          Autos werden künftig autonom fahren. Da scheint es nur logisch, dass auch das Tanken ganz automatisch vonstatten gehen wird. Erste Prototypen von Laderobotern simulieren die Zukunft.

          : Seehund ohne Ball

          Ist künstliche Intelligenz überhaupt intelligent? Manche Experten halten die Bezeichnung für eine Marketing–Phrase und warnen vor zu hohen Erwartungen.

          : Künstliche Intelligenz für den Landwirt

          Fast 60 Kilogramm Kartoffeln isst jeder Deutsche im Durchritt pro Jahr. Wirtschaftsinformatiker der Saar-Uni und des Deutschen Zentrums für Künstliche Intelligenz (DFKI) helfen dabei, den Ernteprozess zu optimieren und damit die Erträge zu steigern. Professor Wolfgang Maaß im Interview.

          : Blockchain-Lösungen für Industrie 4.0

          Mit Blockchain lassen sich Lieferketten überwachen, vernetzte Produktionsmaschinen vor Ausfällen und sensible Daten vor Cyber-Angriffen schützen. Entsprechend groß ist das Potential, das Experten für Industrie 4.0 sehen.