Data & AI Meetup: Reinforcement Learning; TensorFlow on Azure; Visual Analytics

DB Systel Skydeck in Frankfurt (previous meetup)
DB Systel Skydeck in Frankfurt (previous meetup)

We’d like to invite you to our Data & AI meetup, hosted at Skydeck @ DB Systel in Frankfurt, Germany.

Agenda:

5:30pm: Doors open

6:00pm: Welcome & Intro
by Alexander Loth, Digital Strategist at Microsoft
and Darren Cooper, Principal Consultant at DB Systel

6:20pm: ­čÜä Reinforcement Learning at Deutsche Bahn
by Dr. Tobias Keller, Data Scientist at DB Systel

7:00pm: ­čÜÇ TensorFlow on Microsoft Azure
by Sascha Dittmann, Cloud Solution Architect for Advanced Analytics & AI at Microsoft

7:40pm: ­čôŐ Visual Analytics with Tableau
by TBA at Tableau

8:30pm: Networking & drinks

9:30pm: Event concludes

Sign up on Meetup and join us on Twitter @DataAIHub and LinkedIn!

Do you want to speak at our events? Submit your proposal here: https://aka.ms/speakAI

Predictive Maintenance hilft Ihnen Wartungsma├čnahmen effizient zu gestalten

Screenshot
Predictive Maintenance zeigt verbleibende Nutzungsdauer von Aufz├╝gen der Deutschen Bahn: klicken, um interaktives Dashboard zu ├Âffnen

Nicht nur die Fertigungskosten lassen sich mit Predictive Maintenance senken. Auch im Dienstleistungsbereich entsteht durch Vorhersagen enormes Optimierungspotential. Im wesentlichen lassen sich die Fragestellungen, die im Rahmen von Predictive Maintenance gestellt werden, in drei Klassen einteilen:

  • Wie hoch ist die Wahrscheinlichkeit, dass ein Ger├Ąt in naher Zukunft ausf├Ąllt?
  • Was sind die Ursachen von Ausf├Ąllen und welche Instandhaltungsma├čnahmen sollten durchgef├╝hrt werden, um diese Probleme zu beheben?
  • Wie lang ist die Nutzungsdauer eines Ger├Ątes?

Ein Beispiel, das die Frage der Nutzungsdauer in den Mittelpunkt r├╝ckt, zeigt das Dashboard Predictive Maintenance Deutsche Bahn Elevators. Dieses Dashboard sagt voraus, wie lange Aufz├╝ge noch ohne Wartung auskommen (“Rest of Useful Life”). Mit dem Parameter “Material Wear Off” l├Ąsst sich zudem der Grad der Abnutzung beeinflussen.

Die visualisierten Sensordaten erlauben dar├╝ber hinaus die M├Âglichkeit Anomalien zu entdecken. Hier lassen sich mit den Parametern “Primary Sensor” und “Secondary Sensor” verschiedene Kombinationen analysieren. In der “Setting Matrix” werden die verschiedene Einstellungen, die beim Betreiben der Aufz├╝ge angewandt werden zusammengefasst.

Details zu den Aufz├╝gen werden im Tooltip angezeigt. In diesen Tooltips lassen sich dar├╝ber hinaus Wartungsauftr├Ąge via Twitter triggern:

 

Anstatt auf eine St├Ârung zu reagieren, k├Ânnen Servicetechniker somit auf Vorhersagen zur├╝ckgreifen. Damit agieren sie bereits vor einem Ausfall des Aufzugs entsprechend. Techniker sind somit in der Lage einen Aufzug aus der Ferne in den Diagnosemodus zu versetzen und ihn auf einer bestimmten Etage zu parken. All dies f├╝hrt zu weniger Anfahrtszeiten, gesteigerter Effizienz und geringeren Kosten.

Dieses und weitere Beispiele zeige ich auf meinem Vortrag┬áÔÇťIndustry 4.0: Self Service BI and Predictive MaintenanceÔÇť im Rahmen des IBI┬áSymposium┬áam┬á17. November 2016 in Stuttgart.

[Update 24 Mar 2017]: Das Predictive Maintenance Dashboard wird au├čerdem auf der CeBIT 2017 im Rahmen der “neuen datenbasierten Gesch├Ąftsmodelle und Big Data bei der DB” vorgestellt: