Beiträge

Video-Rückblick zu den Data Leader Days 2018

Wir bedanken und herzlichst für die erfolgreichen Konferenztage. Einen besonderen Dank an den Moderator, die Speaker, Sponsoren und an unsere zahlreichen Teilnehmern.

Interview mit Dr. Dirk Haft von Wittenstein SE

Interview mit Dr. Dirk Haft, Vorstand bei WITTENSTEIN SE

Dr. Dirk Haft ist seit dem 1. April 2016 einer von vier Vorstandsmitgliedern bei der WITTENSTEIN AG. Zusammen mit Dr. Khaled Karraï hat er das Unternehmen attocube systems AG gegründet – Technologieführer für anspruchsvollste Antriebs- und Messtechnik im Nanometerbereich. Er wird neben seiner neuen Aufgabe im Vorstand der WITTENSTEN AG die attocube systems AG als Aufsichtsratsvor-sitzender weiterhin prägen und begleiten. 

1.Können Sie uns einen groben Einblick in Ihre Innovationsfabrik geben?

Die Innovationsfabrik an unserem Hauptstandort ist die Klammer eines traditionellen Maschinenbauers, der ursprünglich von der Getriebetechnologie kommt, um in die moderne Mechatronik und Cybertronik vorzustoßen.

Dahinter verbirgt sich ein hochmodernes Gebäude – in dessen hinteren Teil die Produktion angesiedelt und im vorderen Teil die Projektleiter sowie der Vertrieb und andere Fachbereiche angesiedelt sind. Für die innovativen/mechatronischen Bereiche haben wir ein Innovationlab, ein Digitalisierungscenter sowie einen Querdenkerraum – also Räumlichkeiten zum Denken und modernste Arbeitsstrukturen, die sich sehr gut für Projekte eignen, die Innovation und Digitalisierung beinhalten. Aktuell laufen dort rund hundert Projekte – teils Kundenprojekte, interne Innovationsprojekte und Digitalisierungsprojekte.

2. Was sind für Sie die wichtigsten Erfolgsfaktoren bei Digitalprojekten?

Gute Leute und nah am Markt sein. Ich sehe dies ähnlich, als ein neues Produkt für einen Kunden zu entwickeln.

3. Worauf können sich die Teilnehmer der Data Leader Days bei Ihrer Keynote zum Thema WITTENSTEINs smarte Roadmap – Digitale Produkte & Data Driven Services am 15.11.2018 freuen?

Industrie 4.0 ist das Zielbild, bei dem sich das Werkstück durch die Werkhalle seinen Weg sucht und alles digital vernetzt ist. Da tun wir uns gegenwärtig noch ein wenig schwer, was schade ist, denn würden wir alles durchdigitalisiert haben, hätten wir am Ende rund 30% mehr eine deutlich höhere Produktivität. Wir fokussieren uns derzeit darauf, unsere Produkte für den Kunden digital zu machen. So wird beispielhaft das Getriebe mit einem Sensor versehen, so dass wir Temperatur, Schwingungen bzw. Resonanzen, Ölstand und Metallpartikel im Öl messen können und dann Themen wie Condition Monitoring bei unseren Komponenten als funktionale Bestandteile mitgeben können. Der Maschinenbauer, der es einbaut, kann diese Daten verwenden und am Ende der Betreiber daraus Nutzen ziehen. Es geht also darum, Motoren, Getriebe und alle Komponenten, die wir bauen, zunächst intelligent zu machen, um diese Intelligenz an die Maschinen und Umgebung weitergeben zu können. Hier sind wir mit hoher Geschwindigkeit unterwegs. Dies beinhaltet auch, die Mitarbeiter über unser Digitalisierungscenter hinaus mitzunehmen und aufzuklären, dass sie später diese Daten nutzen können. Darauf und auf weitere Themen unserer smarten Roadmap dürfen sich die Teilnehmer freuen.

Dr. Dirk Haft präsentierte am 15. November 2018, dem zweiten Tag der Data Leader Days 2018, über „Keynote: WITTENSTEINs smarte Roadmap – Digitale Produkte & Data Driven Services“.

Interview: Data Warehousing in der Cloud

Interview mit Thomas Scholz von Snowflake über Data Warehousing in der Cloud

Thomas Scholz ist Sales Engineer bei Snowflake und Experte für analytische Datenbank. Der studierte Informatiker befasst sich bereits seit dem Beginn seiner Karriere vor mehr als 10 Jahren mit den Herausforderungen und Potentialen des Datenwachstums. Heute berät Herr Scholz Kunden beim Weg in die Cloud und dem Einsatz analytischer Datenbanken zur Verbesserung der Möglichkeiten der Datennutzung. Snowflake ist führender Anbieter eines Cloud Services für Data Warehousing und Datenanalyse auf Plattformen wie AWS und MS Azure.

Data Science Blog: Herr Scholz, ohne Data Warehousing wären datenorientierte Geschäftsmodelle unmöglich und auch die Selbstoptimierung von Unternehmen über Datenanalysen nicht effizient. Wie vermitteln Sie die Prinzipien eines Data Warehouse (DWH) in wenigen Sätzen verständlich für Entscheider?

Ganz allgemein kann man sagen, dass ein DWH ein zentraler Datenspeicher im Unternehmen ist, der verschiedene Datenquellen vereinheitlicht und bereinigt zusammenbringt. Durch diese zentrale Rolle müssen Schnittstellen in die vielfältigen Softwarelösungen eines Unternehmens bereitgestellt werden, wobei sich die Fokussierung auf Industriestandards anbietet. Im Datenbankumfeld sind beispielsweise SQL, ODBC und JDBC aber immer mehr auch XML und JSON zu nennen.

In der Vergangenheit wurden DWHs primär zur Verarbeitung der sog. strukturierten Daten genutzt und für semi- oder unstrukturierte Daten wurde andere Konzepte wie beispielsweise Data Lakes eingesetzt. Diese Grenze verschwimmt nun allerdings vermehrt und man möchte idealerweise strukturierte und semi-strukturierte Daten in einem System verarbeiten.

Ein derartig zentraler Datenbestand ermöglicht es Unternehmen alle Geschäftsprozesse im Detail zu verstehen und entsprechend auch Erkenntnisse zur Optimierung zu gewinnen.

Data Science Blog: DWH erfolgt traditionell on-premise. Sie stehen für das DWH in der Cloud. Wo liegen die Vorteile gegenüber der traditionellen Variante?

Cloud Services zu nutzen ist ein breiter Trend und setzt sich nun auch verstärkt im DHW Bereich fort. Dies hat gute Gründe. Sehr oft werden beispielsweise Kosteneinsparpotentiale genannt. Dies ist dadurch möglich, dass man Ressourcen bedarfsgerecht dimensionieren kann und bei passender Architektur nur das bezahlen muss, was man letztlich auch genutzt hat. Kommerziell machbar ist das durch Ressourcenteilung. In einem Cloud-Rechenzentrum werden Rechner geteilt eingesetzt und zwar immer dort, wo sie gerade benötigt werden. Hierdurch werden Leerlaufzeiten vermieden und die Nutzung effizienter.

Aber auch die Skalierbarkeit spielt eine Rolle. Manche Ressourcen werden in der Cloud komplett bedarfsgerecht zur Verfügung gestellt. Beispielsweise Storage. Wenn ich viel benötige, kann ich viel nutzen – und zwar sofort. Praktisch relevante Grenzen existieren nicht. Auch die Skalierung von Rechenleistung ist ein wichtiger Aspekt und hierbei nicht nur nach oben sondern auch nach unten. Ich möchte idealerweise immer genau so viel Leistung bekommen, wie ich gerade benötige. Geschwindigkeit ist nicht mehr limitiert durch die Hardware, die ich im Hause habe. Wenn ich viel Leistung benötige, möchte ich diese auch abrufen können und da ich anschließend wieder kleiner skalieren kann, kann ich mir in intensiven Zeiten auch mehr Ressourcen leisten.

Auch der Aspekt der Agilität wird immer wieder genannt. Cloud-Services stehen mehr oder weniger auf Knopfdruck zur Verfügung. Möchte man eine neue Software im eigenen Rechenzentrum in Betrieb nehmen lassen oder Änderungen an der Konfiguration durchführen, so sind oft langwierige Prozesse erforderlich. Gerade in der schnelllebigen Zeit ist das ein nicht zu unterschätzender Aspekt.

Aber natürlich bringt Cloud auch Risiken und Herausforderungen mit sich, mit denen man sich auseinander setzen muss. So vertraut man seine Daten einem Dienstleister an. Daher muss sichergestellt sein, dass die Daten auch verschlüsselt und vor Zugriffen des Dienstleisters oder anderer unberechtigter Personen geschützt sind. Idealerweise kann der Dienstleister dies garantieren und die Sicherheit des Dienstes durch entsprechende unabhängige Zertifizierungen belegen.

Data Science Blog: Wieso und in welcher Hinsicht unterscheidet sich die Datenbankarchitektur für Clouddatenbanken von on-premise DBs?

Ein großer Vorteil der Cloud ist die elastische Skalierung von Ressourcen. Damit dieser Aspekt aber bei Datenbanken zum Tragen kommt, ist eine andersartige Architektur erforderlich. Klassische Datenbank haben eine recht starre Zuordnung von Daten und Rechenkapazitäten. Möchte man zusätzliche Recheneinheiten nutzen, so muss die Datenorganisation verändert werden, was insbesondere bei großen Datenvolumina nicht effizient ist. Snowflake setzt daher auf eine spezielle Architektur, die konkret für die Möglichkeiten in der Cloud entwickelt wurde. Kernidee ist die Trennung von Storage und Compute, also von Daten und Rechnern. Hierdurch können beide Ressourcen unabhängig voneinander skaliert werden und insbesondere Rechenkapazität bedarfsgerecht genutzt werden. In Zeiten hoher Last, möchte man mehr Ressourcen nutzen, wohingegen bei niedriger Last nur kleine Recheneinheiten oder teilweise gar keine Ressourcen benötigt werden. Da man dies bei Snowflake sekundengenau bezahlt, erkennt man schnell, die Attraktivität dieses Ansatzes. Wenn viel Leistung erforderlich ist, kann ich diese sehr schnell hinzufügen, für diesen Zeitraum bezahle ich das dann auch, aber im Mittel komme ich mit deutlich weniger Ressourcen aus und spare bares Geld.

Außerdem kann man durch die Trennung von Storage und Compute auch belieb Nutzergruppen auf dedizierte Recheneinheiten verteilen und sie somit unabhängig voneinander machen. Der Data Scientist beispielsweise erhält sein eigenes Cluster und beeinträchtigt keinen anderen Nutzer im Unternehmen. Dass die parallele Nutzung unterschiedlicher Cluster auf den gleichen Daten nicht zu Konflikten führt, regelt ein übergreifendes Transaktionsmanagement. Der Data Scientist kann also ein Cluster verwenden, dass für seine Bedürfnisse dimensioniert ist, andere Nutzergruppen erhalten eigene Systeme, die wiederum an deren Erfordernisse angepasst sind. Und aktiv muss ein Cluster nur sein, wenn die jeweilige Nutzergruppe ihr System gerade benötigt.

Data Science Blog: Wodurch grenzt sich Snowflake von anderen Cloud-Services wie von Microsoft, Amazon und Google ab?

Zunächst muss fest gehalten werden, dass Snowflake ein Dienst auf Cloud-Plattformen wie AWS oder MS Azure ist. Es handelt sich also eher um eine Partnerschaft zwischen Snowflake und den Betreibern dieser Plattformen. In einzelnen Bereichen gibt es aber tatsächlich auch Angebote der Plattformbetreiber die mit dem Leistungsangebot von Snowflake im Wettbewerb stehen. Hier gilt es, die eigenen Anforderungen genau zu definieren und die jeweilige Architektur damit abzugleichen. Neben reiner Funktionalität und Performance sollte man gerade Aspekte wie Elastizität und Nebenläufigkeit im Blick haben.

Data Science Blog: Für die erfahrenden Data Engineers, die dieses Interview lesen: Bitte hier nun einen kleinen Pitch für Snowflake!

Ich fasse mich kurz: Snowflake ist das DWH für die Cloud. Die gesamte Architektur wurde für die Cloud entwickelt, mit Snowflake kann man die vielfältigen Vorteile des Cloud Computings fürs DWH optimal nutzbar machen – und das für semi-strukturierte Daten genauso wie für klassische strukturierte Daten. Wer es nicht glaubt, kann es unkompliziert und kostenfrei ausprobieren: https://trial.snowflake.com/

Der Einsatz von Data Warehousing in der Cloud und von Künstlicher Intelligenz zur Auswertung von Geschäfts- oder Maschinendaten ist auch das Leit-Thema der zweitägigen Data Leader Days 2018 in Berlin. Am 14. November 2018 sprechen renommierte Data Leader über Anwendungsfälle, Erfolge und Chancen mit Geschäfts- und Finanzdaten. Der 15. November 2018 konzentriert sich auf Automotive- und Maschinendaten mit hochrangigen Anwendern aus der produzierenden Industrie und der Automobilzuliefererindustrie. Seien Sie dabei und nutzen Sie die Chance, sich mit führenden KI-Anwendern auszutauschen.

NetDescribe ist Sponsor der Data Leader Days 2018 in Berlin

Wir begrüßen NetDescribe als Sponsor für die Data Leader Days 2018

Die Data Leader Days am 14./15.11.2018 im Berliner Spreespeicher sind das führende Entscheider-Event, das sich mit den Möglichkeiten und Lösungen rund um die Digitalisierung, Big Data und Industrie 4.0 beschäftigt. Vor allem die hochkarätigen Referenten – die Spitze der deutschen Digitalwirtschaft – ziehen dabei Teilnehmer aus der ganzen DACH-Region an, um neue Kontakte zu knüpfen und wichtige Impulse für die eigene Weiterentwicklung zu erhalten.

NetDescribe (www.netdescribe.com) liefert mit der Aufnahme und Analyse von Maschinendaten (IT-Events) ausschlaggebende Informationen für Verantwortliche, die agile Entscheidungen im Bereich Security und IT Operations treffen müssen. Auf Basis dieser Maschinendaten schafft NetDescribe zusätzlich die Grundlage der Compliance-Nachweisbarkeit, die bei allen Aktionen gewährleistet bleiben muss.

Am zweiten Tag der Data Leader Days, dem 15. November 2018, hält Gregory Blepp, Geschäftsführer der NetDescribe GmbH, einen Vortrag über die Schaffung einer einheitlichen Datenbasis als Grundlage der Unterstützung des Management-Teams.

Zu den weiteren Speakern gehören das Who´s Who der Datenwirtschaft, u.a. Gerhard Baum (CDO, Schaeffler), Marcus Hartmann (CDO, Pro7Sat1), Dr. Joachim Schmalzl (Vorstand, Deutscher Sparkassen- und Giroverband), Dr. Christian Schlögel (CDO, KUKA), Jürgen Urbanski (VP, Airbus), Dr. Dirk Haft (Vorstand, Wittenstein), Thomas Gottschalk (Head of BASF 4.0), Dr. Helmut Linde (Global Head of Data Science, Merck), Tom Oelsner (Chief Innovation Officer, Heidelberger Druckmaschinen), Dr. Markus Rotter (Head of Network Analytics, Vodafone), Andreas Eickelkamp (CDO, FTI), Dr. Helmut Linde (Global Head of Data Science & Analytics, Merck), uvm.

IAV ist Sponsor der Data Leader Days 2018 in Berlin

Die Data Leader Days (www.dataleaderdays.com) am 14. und 15. November 2018 im Berliner Spreespeicher sind das führende Entscheider-Event, das sich mit den Möglichkeiten und Lösungen rund um die Digitalisierung, Big Data und künstlicher Intelligenz beschäftigt. Vor allem die hochkarätigen Referenten – die Spitze der deutschen Digitalwirtschaft – ziehen dabei Teilnehmer aus der ganzen DACH-Region an, um neue Kontakte zu knüpfen und wichtige Impulse für die eigene Weiterentwicklung zu erhalten.

Als einer der global führenden Engineering-Partner entwickelt IAV die Mobilität der Zukunft. Dabei bewährt sich herstellerübergreifende Engineering in Fahrzeugen auf der ganzen Welt. Mit mehr als 35 Jahren Erfahrung und einem unübertroffenen Kompetenzspektrum bringen die Mitarbeiter der IAV das Beste aus unterschiedlichsten Welten zusammen: Automotive- und IT-Welt, Hardware- und Software-Welt, Produkt- und Service-Welt.

Auftraggeber werden an über 25 IAV-Standorten mit mehr als 7.000 Mitarbeitern und einer erstklassigen technischen Ausstattung bei der Realisierung ihrer Projekte unterstützt – vom Konzept bis zur Serie, für das Ziel: bessere Mobilität.

Daniel Hess ist Head of Department Software & Algorithms bei der IAV und wird am zweiten Tag der Data Leader Days zu einem besonders innovativen Thema in der Automobilindustrie referieren: „Der digitale Autodoktor, von den Symptomen zur Ursache“.

Zu den weiteren Speakern gehören das Who´s Who der Datenwirtschaft, u.a. Gerhard Baum (CDO, Schaeffler), Marcus Hartmann (CDO, Pro7Sat1), Dr. Joachim Schmalzl (Vorstand, Deutscher Sparkassen- und Giroverband), Brian Timmeny (Airbus), Dr. Dirk Haft (Vorstand, Wittenstein), Thomas Gottschalk (Head of BASF 4.0), Dr. Helmut Linde (Global Head of Data Science, Merck), Tom Oelsner (Chief Innovation Officer, Heidelberger Druckmaschinen), Dr. Markus Rotter (Head of Network Analytics, Vodafone), Andreas Eickelkamp (CDO, FTI), Dr. Helmut Linde (Global Head of Data Science & Analytics, Merck), uvm.

Zum Event anmelden können sich Teilnehmer direkt auf Data Leader Days.

Neo4j@Daimler: Das Committee Cockpit

Unser Sponsor Neo4J unterstützt mit seiner Graph-Plattform Unternehmen dabei, vernetzte Daten in vollem Umfang zu nutzen und die komplexen Verknüpfungen zwischen Personen, Prozessen und Systemen zu entschlüsseln. Gemeinsam mit der Daimler AG, den beiden Mitarbeitern Frau Julia Bengel und Herrn Jochen Linkohr, wird Neo4J in einem Praxisvortrag über das Committee Cockpit referieren.

Julia Bengel Jochen Linkohr

In den letzten Jahren haben sich in die Strukturen in Unternehmen grundlegend verändert- wo es zu Beginn meist nur klassische, hierarchische Strukturen, mit Vorgesetztem und Mitarbeiter gab, gibt es jetzt auch Berichtsstrukturen, Funktionsstrukturen, Strukturen nach Gesellschaften, nach Divisionen, nach Ländern, nach Projektteams, Schwärmen, und auch Gremien mit denen wir uns im letzten halben Jahr tiefer beschäftigt haben.

Aber wie bilde ich diese ab um zusätzlich auch einen tieferen Einblick in die unterschiedlichen Strukturebenen zu bekommen?

Auf der GraphTour wurde bereits letztes Jahr unser Structure Cube vorgestellt, der mithilfe einer Neo4j Graphdatenbank verschiedene Strukturen aufeinander abbilden kann- diese Strukturen haben wir um eine weitere erweitert: die Gremien.

Gremien stellen in unserem Unternehmen einen zentralen Punkt dar, da sie entscheidungsbefugt sind. Wie finde ich aber das Gremium von dem ich eine Freigabe brauche? Oder wie kann ich als Gremienleiter ein neues Gremium anlegen?

Diese Lösung stellt das Committee Cockpit dar, dessen wesentlicher Bestandteil das Anlegen, Genehmigen, Bearbeiten und Suchen von Gremien ist.

Zum Event anmelden können sich Teilnehmer direkt auf Data Leader Days oder via Xing.com (Klick).

Interview: Dem Wettbewerb voraus mit Künstlicher Intelligenz

Interview mit Benjamin Aunkofer, Chief Data Scientist bei DATANOMIQ Applied Data Science, über die Anwendungen, die KI schon heute übernehmen kann und was bis 2020 auf deutsche Unternehmen zukommt.

Benjamin Aunkofer ist Chief Data Scientist bei DATANOMIQ und befasst sich mit Data Science und Machine Learning im Kontext von Business Analytics. Er ist in der Praxis und in der Lehre tätig. Neben dem täglichen Beratungsgeschäft arbeitet Herr Aunkofer mit seinem Team an einer Artificial Intelligence Enterprise Integration, einer universellen Plattform für KI im Unternehmen.

Möchten Sie Herrn Aunkofer persönlich kennenlernen? Treffen Sie ihn persönlich an einem der beiden Data Leader Days 2018 (www.dataleaderdays.com).

1. Herr Aunkofer, Künstliche Intelligenz scheint das Buzzword für 2018 zu sein. Alles nur Hype?

Big Data war das Buzzword der vergangenen Jahre und war – trotz mittlerweile etablierter Tools wie SAP Hana, Hadoop und weitere – betriebswirtschaftlich zum Scheitern verurteilt. Denn Big Data ist ein passiver Begriff und löst keinesfalls auf einfache Art und Weise alltägliche Probleme in den Unternehmen. Soweit liegen Kritiker richtig.

Dabei wird völlig verkannt, dass Big Data die Vorstufe für den eigentlichen Problemlöser ist, der gemeinhin als Künstliche Intelligenz (KI) bezeichnet wird. KI ist ein Buzzword, dessen langfristiger Erfolg und Aktivismus selbst von skeptischen Experten nicht infrage gestellt wird. Daten-Ingenieure sprechen im Kontext von KI hier aktuell bevorzugt von Deep Learning; wissenschaftlich betrachtet ein Teilgebiet der KI. Da die meisten Leser mit dem Begriff „KI“ wohl eher Hollywood-Bilder im Kopf haben, versuche ich begrifflich bei „Deep Lerning“ zu bleiben. Ich entschuldige mich aber im Voraus dafür, dass ich dann doch wieder selbst von KI sprechen werde, damit dann aber im Kern Deep Learning meine.

2. Was kann Deep Learning denn schon heute im Jahr 2018?

Deep Learning Algorithmen laufen bereits heute in Nischen-Anwendungen produktiv, beispielsweise im Bereich der Chatbots oder bei der Suche nach Informationen als Suchmaschine. Sie übernehmen ferner das Rating für die Kreditwürdigkeit und sperren Finanzkonten, wenn sie erlernte Betrugsmuster erkennen. Im Handel findet Deep Learning bei bestimmten Pionieren die optimalen Einkaufsparameter sowie den besten Verkaufspreis, zumindest für ausgewählte Produktgruppen.

Getrieben wird Deep Learning insbesondere durch prestigeträchtige Vorhaben wie das autonome Fahren, dabei werden die vielfältigen Anwendungen im Geschäftsbereich oft vergessen.

3. Wo liegen die Grenzen von Deep Learning?

Und Big Data ist das Futter für Deep Learning. Daraus resultiert auch die Grenze des Möglichen, denn für strategische Entscheidungen eignet sich KI bestenfalls für das Vorbereitung einer Datengrundlage, aus denen menschliche Entscheider eine Strategie entwickeln. KI wird zumindest in dieser Dekade nur auf operativer Ebene Entscheidungen treffen können, insbesondere in der Disposition, Instandhaltung, Logistik und für den Handel auch im Vertrieb – anfänglich jeweils vor allem als Assistenzsystem für die Menschen.

Sicherlich gibt es immer auch eher frustrierende Erfahrung mit Deep Learning. Es gibt immer noch etliche Bugs in Bilderkennungssoftware und auch Chatbots oder Assistenzsystem wie Alexa, Cortana oder Siri sind nicht ohne Frustpotenzial, da alles noch nicht reibungslos funktioniert. Vor zwei Jahrzehnten waren Touchscreens oder internetfähige mobile Endgeräte nicht frustfrei nutzbar, heute jedoch aus unserem Alltag nicht mehr wegzudenken. Ähnlich wird sich das auch mit künstlicher Intelligenz verhalten.

Genau wie das autonome Fahren mit Assistenzsystemen beginnt, wird auch im Unternehmen immer mehr die KI das Steuer übernehmen.

4. Was wird sich hinsichtlich KI bis 2020 tun? Wie wird sich der Markt wandeln?

Derzeit stehen wir erst am Anfang der Möglichkeiten, die Künstliche Intelligenz uns bietet. Das Markt-Wachstum für KI-Systeme und auch die Anwendungen erfolgt exponentiell. Entsprechend wird sich auch die Arbeitsweise für KI-Entwickler ändern müssen. Mit etablierten Deep Learning Frameworks, die mehrheitlich aus dem Silicon Valley stammen, zeichnet sich der Trend ab, der für die Zukunft noch weiter professionalisiert werden wird: KI-Frameworks werden Enterprise-fähig und Distributionen dieser Plattformen werden es ermöglichen, dass KI-Anwendungen als universelle Kernintelligenz für das operative Geschäft für fast alle Unternehmen binnen weniger Monate implementierbar sein werden.

Wir können bis 2020 also mit einer Alexa oder Cortana für das Unternehmen rechnen, die Unternehmensprozesse optimiert, Risiken berichtet und alle alltäglichen Fragen des Geschäftsführers beantwortet – in menschlich-verbal formulierten Sätzen.

Der Einsatz von Künstlicher Intelligenz zur Auswertung von Geschäfts- oder Maschinendaten ist auch das Leit-Thema der zweitägigen Data Leader Days 2018 in Berlin. Am 14. November 2018 sprechen renommierte Data Leader über Anwendungsfälle, Erfolge und Chancen mit Geschäfts- und Finanzdaten. Der 15. November 2018 konzentriert sich auf Automotive- und Maschinendaten mit hochrangigen Anwendern aus der produzierenden Industrie und der Automobilzuliefererindustrie. Seien Sie dabei und nutzen Sie die Chance, sich mit führenden KI-Anwendern auszutauschen.

Microstrategy ist Sponsor der Data Leader Days in Berlin

Die Data Leader Days (www.dataleaderdays.com) am 14./15.11.2018 im Berliner Spreespeicher sind das führende Entscheider-Event, das sich mit den Möglichkeiten und Lösungen rund um die Digitalisierung, Big Data und Industrie 4.0 beschäftigt. Vor allem die hochkarätigen Referenten – die Spitze der deutschen Digitalwirtschaft – ziehen dabei Teilnehmer aus der ganzen DACH-Region an, um neue Kontakte zu knüpfen und wichtige Impulse für die eigene Weiterentwicklung zu erhalten

MicroStrategy, ein internationaler Anbieter von Software, mit der Unternehmen neue Geschäftsmöglichkeiten erschließen, bessere Entscheidungen treffen und messbare Ergebnisse erzielen können, wird als Sponsor mit dabei sein.

Marian Plum ist Experte für Business Intelligence und nutzt sein Wissen als Senior Sales Engineer bei MicroStrategy und wird am ersten Tag der Data Leader Days zu einem besonders brisanten Thema referieren: „Wo AI auf BI trifft: Alexa, Chatbots & Augmented Reality“.

Zu den Speakern gehören das Who´s Who der Datenwirtschaft, u.a. Gerhard Baum (CDO, Schaeffler), Marcus Hartmann (CDO, Pro7Sat1), Dr. Joachim Schmalzl (Vorstand, Deutscher Sparkassen- und Giroverband), Dr. Christian Schlögel (CDO, KUKA), Jürgen Urbanski (VP, Airbus), Dr. Dirk Haft (Vorstand, Wittenstein), Thomas Gottschalk (Head of BASF 4.0), Dr. Helmut Linde (Global Head of Data Science, Merck), Tom Oelsner (Chief Innovation Officer, Heidelberger Druckmaschinen), Dr. Markus Rotter (Head of Network Analytics, Vodafone), Andreas Eickelkamp (CDO, FTI), Dr. Helmut Linde (Global Head of Data Science & Analytics, Merck), uvm.

 

Zum Event anmelden können sich Teilnehmer direkt auf Data Leader Days oder via Xing.com (Klick).

Interview mit Dr. Christina Bender von Villeroy & Boch

Interview mit Dr. Christina Bender über die Digitalisierung und Data Science in einem 270-jährigem Familienunternehmen.

Dr. Christina Bender ist Senior Digital Strategist mit Schwerpunkt auf Data Science bei der Villeroy & Boch AG. Sie ist Diplom-Finanzökonomin und promovierte Mathematikerin. Als „Quant“ bei der UniCredit und Unternehmensberaterin bei der d‑fine GmbH sammelte sie bereits langjährige Erfahrung in der Konzeption und Umsetzung interdisziplinärer Digitalisierungs- und Prozessthemen in diversen Branchen. Als letzte Herausforderung im „echten“ Beraterleben hat sie bei d-fine als Prokuristin den Geschäftsbereich „Digitalisierung im Gesundheitswesen“ mit aufgebaut.

Data Science Blog: Frau Dr. Bender, womit genau befassen Sie sich als Digital Strategist? Und wie passt Data Science in dieses Konzept?

Zunächst war es die Aufgabe eine digitale Roadmap zu entwickeln und zwar abgestimmt auf ein Traditionsunternehmen, das sich in den letzten 270 Jahren ständig durch Innovation verändert hat. Als Beispiel, V&B hatte einen erfolgreichen „Merger“ vollzogen, da gab es das Wort „M&A“ noch gar nicht.

Ein erster Schritt war es dabei Themen zu sammeln und ein Vorgehen zu entwickeln, diese zu verstehen, zu priorisieren und sie dann stets als Ziel im Blick umzusetzen. Die meisten der Themen haben immer mit Daten und damit häufig mit Data Science zu tun. Das geht von Fragestellungen z.B. im Vertrieb, die durch einen Bericht im ERP-System abbildbar sind, bis hin zu komplexen Fragen der Bild­er­kennungstechnologie in der Produktion oder im Customer Relationship Management.

Um weiterhin die wirklich wichtigen Themen zu finden, ist es entscheidend die Chancen und Risiken der Digitalisierung und den Wert der richtigen Daten weit in die Fläche des Unternehmens zu tragen. Dieser Aufbau interner Kompetenzen durch uns als Digital Unit schafft Vertrauen und ist neben dem Vorantreiben konkreter Anwendungsfälle essentieller Bestandteil für eine erfolgreiche Digitalisierung.

Data Science Blog: An was für Anwendungsfällen arbeiten Sie konkret? Und wohin geht die Reise langfristig?

Derzeit arbeiten wir sowohl an kleineren Fragestellungen als auch an ca. vier größeren Projekten. Letztere sollen pain points gemeinsam mit den Fachexperten lösen und dadurch zu Leuchtturm­projekten werden, um eben Vertrauen zu schaffen. Dafür müssen wir ein “Henne-Ei”-Problem lösen. Oft sind die richtigen Daten für die Fragestellung noch nicht erfasst und/oder einige Menschen involviert, die eben erst durch ihnen nahestehende Leuchtturmprojekte überzeugt werden müssten. Daher arbeiten wir für eine erfolgreiche Umsetzung mit im täglichen Geschäft involvierten Fachexperten und erfahrenen Data Scientists mit gewissem Fach-Know-How, die uns einen gewissen Vertrauensvorsprung geben.

Das dauert seine Zeit, insbesondere weil wir stark agil vorgehen, um uns nicht zu verheddern. D.h. oft sieht eine Fragestellung am Anfang leicht aus und ist dann schlicht weg nicht realisierbar. Das muss man dann akzeptieren und eben auf die nächst priorisierte Fragestellung setzen. “Keramik ist halt anders als die Autoindustrie.” Über genaue Use Cases möchte ich daher noch nicht sprechen. Wir sind auf einem guten Weg.

Langfristig wünsche ich mir persönlich, dass Werte aus Daten – insbesondere bessere Ent­schei­dun­gen durch Wissen aus Daten – möglichst selbständig durch Business-Experten geschaffen werden und dies durch ein schlagkräftiges zentrales Team ermöglicht wird. D.h. das Team sorgt für eine entsprechen­de stets aktuell für Data Science geeignete Infrastruktur und steht bei komplexen Fragestellungen zur Verfügung.

Data Science Blog: Welche Algorithmen und Tools verwenden Sie für Ihre Anwendungsfälle?

Wir arbeiten auch mit Methoden im Bereich „Deep Learning“, zum Beispiel für die Bilderkennung. Allerdings gerade um die Erwartungshaltung im Unternehmen nicht zu hoch zu hängen, schauen wir immer wofür sich diese Methodik eignet und wo sie nicht unsere eigentliche Frage beantworten kann (siehe unten) oder schlicht weg nicht genügend Daten verfügbar sind. Insbesondere, wenn wir die eigentlich Ursache eines Problems finden und darauf reagieren wollen, ist es schlecht, wenn sich die Ursache „tief“ im Algorithmus versteckt. Dafür eignet sich z.B. eine logistische Regression, sofern gut parametrisiert und mit gut aufbereiteten Daten befüttert, häufig deutlich besser.

Wir nutzen kostenpflichtige Software und Open Source. Wunsch wäre, möglichst jedem im Unternehmen die richtige Anwendung zur Verfügung zu stellen, damit sie oder er leicht selbst die richtige Exploration erstellen kann, um die richtige Entscheidung zu treffen. Für den Data Scientist mag das ein anderes Tool sein als für den Fachexperten im Geschäftsbereich.

Data Science Blog: Daten werden von vielen Unternehmen, vermutlich gerade von traditionsreichen Familienunternehmen, hinsichtlich ihres Wertes unterschätzt. Wie könnten solche Unternehmen Daten besser bewerten?

Unternehmen müssen sich genau überlegen, was die für sie richtigen Fragen sind. Aus welchen Daten oder deren Verknüpfung kann ich Wissen generieren, dass diese für mich relevante Fragen (überhaupt) beantwortet werden können, um mit vertretbarem Aufwand nachhaltig Mehrwerte zu generieren. Natürlich sind die schlimmsten „pain points“ immer am schwierigsten, sonst hätte sie vermutlich jemand vor mir gelöst. Dies wird stets begleitet, warum mit den schon gesammelten Daten noch kein Mehrwert generiert wurde und somit ggf. begründet warum kein (Zeit-)Budget frei gegeben wird, um weitere (dann hoffentlich die richtigen) Daten zu sammeln.

Als erstes ist es m.E. daher wichtig dem Entscheidungsträger klar zu machen, dass es keine Maschine gibt in die ggf. wahllos gesammelte Daten reingeworfen werden und die „KI“ spuckt dann die richtigen Antworten auf die richtigen nie gestellten Fragen heraus. Denn gäbe es diese Art künstlicher Intelligenz, wäre der Erfinder wohl längst der reichste Mensch der Welt.

Nein, dafür wird menschliche Intelligenz gebraucht und Freiraum für die Mitarbeiterinnen und Mitarbeiter, die richtigen Fragen und Antworten zu suchen und auch auf diesem Weg manchmal kurzfristig zu scheitern. Kurz gesagt, braucht es eine Datenstrategie, um alle, Vorstand und Mitarbeiterinnen und Mitarbeiter, auf diesen Weg mitzunehmen.

Data Science Blog: Wie erstellen Unternehmen eine Datenstrategie?

Unternehmensleiter wollen Ergebnisse sehen und verstehen oft nicht gleich, warum sie Geld in Daten investieren sollen, wenn erst mittel- bis langfristig ein Mehrwert herausspringt. Die alleinige Drohkulisse, wenn nicht jetzt, dann eben in 10 Jahren ohne uns, hilft da oft nur bedingt oder ist gar kontraproduktiv.

Wichtig ist es daher, alle an einen Tisch zu holen und gemeinsam eine Unternehmensvision und Ziele zu diskutieren, zu begreifen und zu vereinbaren, dass Daten dafür ein Faktor sind (oder ggf. vorerst auch nicht). Noch wichtiger ist der Weg dahin, die Datenstrategie, nämlich wie aus Daten langfristig nachhaltige Mehrwerte gehoben werden.

Um eine Datenstrategie zu erstellen, braucht es eine gewisse Mindestausstattung einerseits an dafür zumindest zum Teil freigestellten Experten aus dem Business und anderseits Datenexperten, die mit diesen Experten reden können. Sie müssen nach erfolgreicher Zielbildung einen minimalen Werkzeug­kasten aus KnowHow und Technologie schaffen, der es erst ermöglicht Leuchtturmprojekte erfolgreich umzusetzen. Diese Leuchtturmprojekte dienen als erste erfolgreiche Beispielwege. Damit fällt es auch leichter den Werkzeugkasten als Grundlage zur Lösung größerer pain points weiter auszubauen. In Zeiten, wo halbwegs kommunikative Data Scientists mit Businessverständnis Mangelware sind, ist dies manchmal nur mit externer Unterstützung möglich. Doch Obacht, wichtig ist ein interner Koordinator, der alle Zügel in Händen behält, damit nicht viele richtige Antworten auf irrelevante nicht gestellte Fragen gegeben werden. Denn dann geht anfängliche Akzeptanz leicht verloren.


Dr. Christina Bender präsentiert am 15. November 2018, dem zweiten Tag der Data Leader Days 2018, über die „Tradition und digitale Innovation bei einem Keramikhersteller – warum Deep Learning nicht immer das Allheilmittel ist“.

Grußwort des Bundesministers für Verkehr und digitale Infrastruktur

Wir schaffen eine neue Datenpolitik

Grußwort des Bundesministers für Verkehr und digitale Infrastruktur
für das Programmheft zu den Data Leader Days 2018

Wenn es um Daten geht, heißt es häufig ganz selbstverständlich, sie seien der Rohstoff der Digitalisierung. Doch genau genommen ist das Bild schief. Anders als Erdöl oder Metalle sind Daten nicht von der Natur gemacht, sondern von Computern und letztlich vom Menschen. Wir müssen sie also nicht als gottgegeben hinnehmen. Erdöl ist da – und wir bestimmen, wie es genutzt und verteilt wird. Bei Daten können wir nicht nur bestimmen, wie sie genutzt werden, sondern auch: wie sie entstehen. Damit haben wir den Schlüssel in der Hand, sie eindeutig zu regeln und nach unseren Vorstellungen zu formen.

Klar ist: Daten sind die Grundlage jeder digitalen Innovation. Sie sind die Riesenchance auf mehr Lebensqualität und Wohlstand. Gleichzeitig ist es aber eine große Herausforderung, ihre Verwendung zu regeln.

Die Mobilität ist dafür ein Paradebeispiel. Jeder moderne Serienwagen ist ein rollender Computer, sammelt innerhalb von acht Stunden vier Terabyte an Daten – und weiß damit alles über Routen, Hindernisse, Unfälle, Kurvenkrümmungen und Witterung. Das ist gut, weil es mehr Verkehrssicherheit, weniger Emissionen und damit mehr Lebensqualität bringt. Diese Potenziale wollen wir heben – und dabei die Persönlichkeitsrechte unserer Bürger mit den Interessen der Unternehmen in Einklang bringen. Mein Haus hat dafür einige wichtige Schritte eingeleitet. Wir haben eine Studie zur Eigentumsordnung von Mobilitätsdaten veröffentlicht und damit eine nationale Diskussion zu Verfügungs- und Zugangsrechten zu Mobilitätsdaten angestoßen. Diese Diskussion hat gezeigt, dass die Erarbeitung technischer Konzepte für den Zugang zu Mobilitätsdaten immer mehr an Bedeutung gewinnt. Diese sollen den Datenzugang verbessern und damit Dateninnovation ermöglichen. Gleichzeitig helfen sie aber auch, Transparenz zu schaffen und die Datensouveränität zu wahren. Gemeinsam mit dem Innen- und Justizministerium haben wir eine Datenethikkommission ins Leben gerufen, die der Bundesregierung und dem Parlament innerhalb eines Jahres einen Entwicklungsrahmen für Datenpolitik, den Umgang mit Algorithmen, künstlicher Intelligenz und digitalen Innovationen vorschlagen soll.

Die Data Leader Days 2018 sind auf diesem Weg ein wichtiger Impulsgeber. Ich wünsche den Teilnehmerinnen und Teilnehmern einen spannenden und anregenden Austausch!

Ihr

Andreas Scheuer MdB
Bundesminister für Verkehr und digitale Infrastruktur