Recap of the 15th Data & AI Meetup: Reinforcement Learning; TensorFlow on Azure; Visual Analytics

200 attendees at the 15th Data & AI Meetup at DB Systel in Frankfurt, Germany
200 attendees at the 15th Data & AI Meetup at DB Systel in Frankfurt, Germany

Yesterday we had an amazing Data & AI Meetup in Frankfurt! Let’s have a quick recap!

The venue: DB Systel’s Silberturm

DB Systel kindly hosted the 15th iteration of our Data & AI Meetup on the 30th floor of the Silberturm in Frankfurt, Germany.

Welcome & Intro

Darren Cooper and I had the pleasure to welcome 200 Data & AI enthusiasts! Furthermore, we were happy to announce that our Data & AI Meetup group has 1,070 members and our brand new Data & AI LinkedIn group already has 580 members.

Reinforcement Learning of Train Dispatching at Deutsche Bahn

Dr. Tobias Keller, Data Scientist at DB Systel, showed in his session how Deutsche Bahn aims at increasing the speed of the suburban railway system in Stuttgart (S-Bahn) using Artificial Intelligence. In particular, a simulation-based reinforcement learning approach provides promising first results.

TensorFlow & Co as a Service

Sascha Dittmann, Cloud Solution Architect for Advanced Analytics & AI at Microsoft, showed in his presentation, how TensorFlow and other ML frameworks can be used better in a team through appropriate Microsoft Cloud services. He presented different ways of how data science experiments can be documented and shared in a team. He also covered topics such as versioning of the ML models, as well as the operationalization of the models in production.

Visual Analytics: from messy data to insightful visualization

Daniel Weikert, Expert Consultant at SIEGER Consulting, showed in his session the ease of use of Microsoft Power BI Desktop. He briefly highlighted the AI Capabilities which Power BI provides and showed a way on how to get started with messy data, doing data cleaning and visualize results in an appealing way to your audience.

Speaking at an upcoming Data & AI meetup?

If youÔÇÖve dreamed of sharing your Data & AI story with many like-minded Data & AI enthusiasts, please submit your session proposal or reply to the recap tweet:

15th Data & AI Meetup: Reinforcement Learning; TensorFlow on Azure; Visual Analytics

We’d like to invite you to our 15th 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 of Train Dispatching at Deutsche Bahn
by Dr. Tobias Keller, Data Scientist at DB Systel

7:00pm: ­čÜÇ TensorFlow & Co as a Service
by Sascha Dittmann, Cloud Solution Architect for Advanced Analytics & AI at Microsoft

7:40pm: ­čôŐ Visual Analytics: from messy data to insightful visualization
by Daniel Weikert, Expert Consultant at SIEGER Consulting

8:30pm: Networking & drinks

9:30pm: Event concludes

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

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.

: 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: