Machine Learning Hackathon – Die Aufgabenstellung

Erst am Morgen des ersten Wettbewerb-Tages wurde die Aufgabenstellung seitens BMW im Rahmen einer Kick-Off-Session bekannt gegeben und forderte die grauen Zellen des dreiköpfigen Cognizant Mobility Teams und deren Mitstreiter. Die Aufgabe wurde im Detail erläutert, ehe im Anschluss die Daten freigegeben wurden. Kontext der zu meisternden Aufgabenstellung war dabei: Die Kühlung des Fahrzeuginnenraums mittels MAX-/AC-Taste (also ein schnelles Herunterfahren der Temperatur im Innenraum). Dazu wurden 3.000 Datensätze bereitgestellt, die neben dem Verlauf der Temperatur unter Anderem auch Informationen zur Anzahl der Fahrzeuginsassen, der Fenster- und Klimaeinstellungen und weiteren Info-Happen enthielt. Darauf basierend sollte der zeitliche Verlauf der Temperatur für unbekannte Fälle vorhergesagt werden. Eine schöne Aufgabe, der sich unser innovatives Machine Learning Team mit Freude stellte.

Die Fragen und Abläufe des Machine Learning Hackathon

In zwei Q&A-Sessions konnten Fragen und Abläufe geklärt werden. Unser Team erkannte nach einer ersten Datensichtung schnell, dass es sich bei der Aufgabenstellung nur dem Anschein nach um ein Time-Series-Problem handelte. In Wirklichkeit war der zeitliche Temperaturverlauf mit wenigen Parametern treffend beschreibbar. Verschiedene Modellierungsansätze für eine Machine-Learning-Lösung wurden diskutiert und im Rapid-Prototyping-Verfahren umgesetzt. Zu später Stunde am ersten Tag stand schließlich fest, dass eine Klasse von mehrlagigen neuronalen Netzwerken den gesuchten Verlauf nahezu perfekt vorhersagen konnte. Der zweite Tag war der Integration aller erfolgreichen Ansätze in eine „präsentable“ Lösung gewidmet. Dabei ging es auch darum, die Vorhersagemöglichkeiten des Modells mit möglichen Use-Cases für BMW zu verknüpfen. Das Team hat dabei einen „Cool me down“-Algorithmus skizziert, der ein Fahrzeug, das in der prallen Sommerhitze geparkt wurde, energiesparend, zeit- und temperaturpunktgenau herunterkühlen könnte, noch bevor der Fahrer einsteigt.

BMW Machine Learning Hackathon: Tag 2

Ob das auf Basis der zur Verfügung gestellten Daten trainierte (mutmaßlich) beste Modell auch wirklich funktionierte, konnte erst gegen Mittag des zweiten Tages anhand der dann freigegebenen Validierungsdatensätze überprüft werden. Wie „im echten Leben“ lagen die Daten dabei noch ohne den unbekannten, „künftigen“ Temperaturverlauf vor. Die teilnehmenden Teams mussten für insgesamt 100 Szenarien bis zu einer Deadline ihre Vorhersagen hochladen. Erst eine halbe Stunde vor der abschließenden Pitch-Session wurden dann alle Informationen, also auch die „Auflösung“, herausgegeben. Kurz vor der Pitch-Session war damit klar: das Modell taugt!

Bei der Schlussrunde bewertete die fünfköpfige BMW-Jury die Leistungen der insgesamt acht teilnehmenden Firmenteams – darunter sowohl große und bekannte IT-Dienstleister aus der Branche als auch dedizierte Data-Science-Beratungsfirmen – entlang der Kriterien: vollständiges Laden und Vorverarbeiten der Daten, Datenexploration, Modelltraining, Modellergebnis und Präsentation. Unser Team hatte bei der von den Hackathon-Organisatoren geforderten Zielgröße (Mean-Squared-Error) für die Modellbewertung einen Spitzenwert erreicht. Während einige andere Teams Werte im niedrigen zwei- oder einstelligen Bereich erzielten, lag unser Wert weit unter 0.01 und damit in einem Spitzenfeld von wenigen Teams, die das Machine-Learning-Problem am besten gelöst hatten.

Wertung und Sieg beim Machine Learning Hackathon

Nicht zuletzt der fesselnde Vortrag bei der Abschlusspräsentation am Mittwochnachmittag hat dem Cognizant-Mobility-Team dann den Sieg beschert. In echter Hackerthon-Manier hat unser Team dabei das Angebot der Organisatoren angenommen, direkt aus einem Jupyter-Notebook heraus zu präsentieren. Hochglanzfolien und stylische Graphen, wie von der Konkurrenz präsentiert, haben am Ende also NICHT den Ausschlag gegeben, sondern Teamwork, Einsatz und viele gute Ideen. Toll gemacht! Wir freuen uns schon auf die nächste Challenge!

Für uns bleibt nach diesem tollen Ergebnis nicht nur der Spaß an der gestellten Aufgabe in Erinnerung: Auch das echte, produktive Teamwork wusste zu überzeugen und war der wahre Schlüssel zum Gemeinschaftserfolg. Eine schöne Erfahrung, die uns in unseren bisherigen Ansätzen weiterhin bestärkt.

Wenn ihr noch mehr über Machine Learning, Künstliche Intelligenz und weitere spannende Themen aus den Bereichen Data Science, Cloud IT und anderen Mobilitätsthemen erfahren möchtet, empfehlen wir euch unsere Artikel zum Identity Storage oder den ersten Lösungen im Bereich der Medizintechnik.

Mehr über die Cognizant Mobility, sowohl als Partner als auch Arbeitgeber, erfahrt ihr unter folgendem Link, und gleich unter diesem Satz warten schon die nächsten Artikel auf euch – viel Spaß!