Data Science auf dem Markt der Industrie 4.0

Kurz gesagt: Der Markt ist riesig, und Data Science steht mit all ihren Teilbereichen, zu der auch Künstliche Intelligenz, Mustererkennung, NLP und Machine Learning gehören, vor einer rosigen, weil profitablen Zukunft: Mehr Möglichkeiten, mehr Umfang, mehr Komplexität, und: Mehr Akteure. Reine Data Science Firmen drängen in den automobilen Markt, da deren Erfahrungen im Bereich Data Science sich problemlos im Automotive-Bereich einbringen lässt. Und nicht nur das: Oft fehlen den Automobil-Herstellern und -Zulieferern Erfahrung und Infrastruktur, gerade bei rein cloudbasierten Anwendungen. Interessante Randnotiz: Gerade Telekommunikationsunternehmen könnten zu den ernstzunehmenden Playern der Branche gehören, da deren Erfahrungsschatz im Bereich Data Science und Cloud sie zu führenden globalen Akteuren macht.

Data Science: Wie die Cognizant Mobility mit Automotive-Erfahrungen über den Tellerrand blickt

Nun sprachen wir bereits darüber, wie neue Akteure die Bühne betreten, ganz gemäß des Shakespeare’schen Mottos, dass die ganze Welt eine (Hebe-)Bühne sei, auf der alle Menschen bloße Spieler seien. Proaktivität lohnt sich mehr denn je, was auch die Cognizant Mobility schon früh erkannt hat und nicht zuletzt durch den Zusammenschluss mit Cognizant auch einmal mehr unter Beweis gestellt hat: Unternehmen aus der Branche können nicht länger nur vorgefertigten Wegen folgen, sich auf ihre Kernkompetenzen fokussieren und sich als reiner Zulieferer verstehen. Vielmehr müssen moderne Automotive-Player zu IT-Unternehmen werden, sich cloudifizieren, Wert auf Data Science legen – ja, die Zukunft begreifen. Was zunächst nach Plattitüde klingt, basiert auf praktischen Projekterfahrungen.

Dank Data Science: Automotive erobert die Medizin

Im automobilen Bereich erarbeitete Data Science Lösungen sind optimal geeignet, um auch musterbasierte Events in anderen Bereichen zu erkennen und auszuwerten. Es gibt also, wie so oft, nicht nur den einen Weg: Nicht nur Data Science- und Telekommunikationsunternehmen drängen in die Automobilbranche – die zukunftsorientierten Automobil-Beteiligten brechen sich ebenfalls Bahn in andere Bereiche wie zum Beispiel den der Medizintechnik. Eine Lösung, an der die Cognizant Mobility als Teil der Cogizant Gruppe in genau diesem Bereich arbeitet, gestaltete sich wie folgt:

Ein führender medizinischer Player benötigte Daten über Patienten, grundsätzlich mal einfacher Natur: Einatmen, ausatmen, ein Bein heben, einen Arm. Die Idee war, Events in Signalen zu erkennen, die physiologische Messungen eines logischen Vorgangs ermöglichen sollen. Hierzu werden natürlich auch entsprechende Datensätze benötigt, wobei diese nicht immer einfach zu erhalten sind: Schließlich ist der Normalzustand eher der, dass der Patient sich eben nicht bewegt. Erkannt werden muss also die Ausnahme, zu der nachvollziehbarerweise nur geringe Datenmengen vorliegen.

Die gewünschte Situation stand vor einem für die Medizintechnik durchaus relevanten Problem, welches die Automobilbranche allerdings bereits vor Langem gelöst hat, nämlich der Erkennung von Zuständen. Komplexe Fehlerbilder in BUS-Signalen auszuwerten, ist vom Grundprinzip durchaus vergleichbar mit der Auswertung komplexer Bewegungsabläufe bei Patienten. Dies kann im Einzelfall über neuronale Netze oder auch klassischere Verfahren wie Entscheidungsbäume („Decision Trees“) stattfinden. Entscheidend für eine robuste Signalverarbeitung ist dabei ein zeitinvariantes Verfahren, dass das Event unabhängig vom Zeitpunkt des Auftretens erkennen kann. Eine Lösung dafür ist das BOSS-Verfahren (Bag-Of-SFA-Symbols), das eine Signal-Zeitreihe in ein Sprachverarbeitungs-Problem in einer Kunstsprache übersetzt. Hierzu werden die von BOSS generierten Wörter in eine Bag of Words, also ohne Reihung oder zeitliche Anordnung, weiterverarbeitet. Der „Gewinner-Algorithmus“, der am besten für die finale Lösung geeignet war, ist der One-Nearest-Neighbour, der Datenpunkte auf Basis des ähnlichsten bisher eingeordneten Datenpunktes klassifiziert.  Man sieht sich also den ähnlichsten Punkt an, über den man bereits Kenntnis erlangt hat, und wendet dieses Wissen auf den nächsten ähnlich gearteten Punkt an, was eine immer weiterführende Validierung ermöglicht.

Die Lösung der Cognizant Mobility führte nicht nur zu besseren Resultaten und lässt sich generalisiert für Signalabschnitte anderer Länge oder anderen Zuschnitts anwenden, was auch den eingangs erwähnten führenden Kunden unbedingt zufrieden stellte und ihn befähigte, die von der Cognizant Mobility entwickelte Lösung umgehend einzusetzen. Die Signale müssen außerdem nicht mehr manuell erkannt und eingetragen werden, dies erledigt nun die Lösung der Cognizant Mobility, und es profitieren Patient, Kunde und Hersteller: Ein erfolgreiches Wachsen aus dem Automotive-Rahmen, mit Punktlandung im medizinischen Forschungsbereich.

Die Zukunft der Data Science außerhalb der Automotive Branche

Während sich die Data Science also weiterentwickelt und neue Akteure in den Markt drängen, dürfen auch etablierte Anbieter auf dem Markt nicht versäumen, sich selbst immer wieder zu Innovationen zu bewegen, ausgetretene Pfade zu verlassen und neue Märkte jenseits der behaglichen Komfortzone zu betreten. Denn die Zukunft ist rosig: Eine deutlich feinkörnigere Klassifizierung von Daten ist auf dem Weg, Multiclass Cases mehr als nur Zukunftsmusik: Logisches Handwerk statt lauer Vision. Es wird immer mehr Daten geben, wertvollere, schwierigere, spannendere. Und dass Automobilhersteller hierbei aufgrund ihrer weitreichenden Data Science Erfahrungen unerlässliche Wegbegleiter sind, liegt auf der Hand: Mehr und komplexere Probleme erfordern nämlich mehr und komplexere Modelle.

Die wir für Sie entwickeln. Sprechen Sie uns gerne an, gleich hier mittels Kontaktformular, oder ganz altmodisch, dafür aber auch ungemein menschlich: Rufen Sie uns an, und wir unterhalten uns – mit Blick nach vorne.