Wir nutzen Daten zum Vorteil derjenigen, denen diese Daten auch gehören - den Betreibern der Maschinen und Anlagen.
Als Data Scientist stehen einem viele Branchen und noch mehr Anwendungsgebiete offen. Man kann Kreditausfallrisiken einer Bank abschätzen, im Marketing die Ausspielung zielgerichteter Werbung optimieren oder im Handel die künftige Nachfrage nach bestimmten Produkten vorhersagen. Bei uns selbst, in der produzierenden Industrie, gibt es noch zahlreiche verschiedene Anwendungsgebiete. Und genau das machte es so spannend, als Data Scientist bei Weidmüller zu arbeiten.
Unsere Untersuchungsgegenstände sind Maschinen und allgemein industrielle Produktionsanlagen. Deren Verhalten wird maßgeblich von physikalischen Zusammenhängen bestimmt. Letztlich beschreiben unsere Modelle genau diese physikalischen Zusammenhänge, aber auch die Auswirkungen der Regelung und Steuerung der Produktionsanlage. Der Einsatz von Machine Learning (ML) hilft dabei, bisher unbekannte Zusammenhänge zu entdecken und dieses insgesamt durchaus komplexe System beherrschbar zu machen.
Der Einsatz von ML-Verfahren hilft in diesem Anwendungsgebiet ganz verschiedenen Akteuren unterschiedliche Ziele zu erreichen. Zum Beispiel möchte die Instandhaltungsabteilung wissen, wann der optimale Zeitpunkt für den Austausch eines Verschleißteils ist. Die Qualitätssicherung möchte anhand der Prozessdaten die Qualität der mit der Produktionsanlage hergestellten Bauteile messen, um mangelhafte Bauteile schon vor dem nächsten Prozessschritt aussortieren zu können. Und der Hersteller einer Maschine möchte seinen Kunden genau solche Dienste anbieten, welche diese ohne eigenen Entwicklungsaufwand nutzen können.
Wir nutzen (Maschinen-)Daten zum Vorteil derjenigen, denen diese Daten auch gehören - den Betreibern der Maschinen und Anlagen.
Unsere Maschinendaten haben immer einen zeitlichen Verlauf. Der Zustand einer Produktionsanlage kann kaum beurteilt werden, ohne das zu berücksichtigen: Ist die Maschine bereits warmgelaufen? Und welcher Schritt des Produktionsprogramms wird gerade ausgeführt? Viele klassische ML-Verfahren berücksichtigen diese Zeitreihen noch unzureichend, so dass wir immer wieder spannende methodische Herausforderungen haben. Dazu entwickeln wir eigene Software-Module, die bestehende Frameworks um diesen zeitlichen Aspekt erweitern.
Viele Prozessdaten beschreiben außerdem einen zyklischen Vorgang, wie zum Beispiel die Erzeugung einer immer gleichen Schweißnaht mit einem Roboterarm. Kommt es zu einer Störung des Prozesses, entstehen Abweichungen von seinem typischen Verlauf. Die Anwendung von ML-Verfahren für solche Probleme ist alles andere als Standard und gibt Freiraum für eigene Entwicklungen. Wir arbeiten eng und auf Augenhöhe mit unseren Kunden zusammen, um gemeinsam Lösungen für die Probleme des Kunden zu erarbeiten.
Unsere Verfahren entwickeln wir nicht nur für einen einzelnen Anwendungsfall eines Kunden, sondern verallgemeinern unsere Lösungen für unsere Industrial AutoML Software. Diese Herausforderung macht unsere Arbeit besonders interessant im Vergleich zur reinen Projektarbeit. Wir sind dadurch Bestandteil des Entwicklungsteams dieser Software und arbeiten eng mit Kolleginnen und Kollegen mit den Schwerpunkten Frontend, Backend und Testing zusammen.
Damit reicht unser Aufgabengebiet weit in andere Jobprofile hinein: Von der Akquise und Betreuung unserer Kunden bis hin zur bereits erwähnten Softwareentwicklung. Mit der Zeit entwickeln wir ein ganzheitliches Verständnis, was alles zu einer ML-basierten Lösung bei einem Kunden gehört, wie zum Beispiel Hard- und Software zur Datenakquise und ein darauf angepasstes Geschäftsmodell.
Als Pioniere im schnell wachsenden Feld des Industrial Internet of Things (IIoT) und durch die Entwicklung unserer Software und die enge Betreuung unserer Kunden sind wir sozusagen auch Data Scientists für die vielen kleinen und mittleren Unternehmen, die keine eigenen Data Scientists beschäftigen. Und dabei bekommen wir nicht zuletzt immer wieder spannende Einblicke in zahlreiche industrielle Fertigungsprozesse: Von der Produktion von Schokoriegeln in der Lebensmittelindustrie bis hin zur Lackierung von Karosserieteilen in der Automobilindustrie.