Bild einer Bücherei im Zusammenhang mit Software Libraries | © ESG Mobility

data analytics für audi 

Effiziente Bibliotheksfunktionen

Von der Mustererkennung zur automatisierten Fehleranalyse

Die ESG Mobility unterstützt Audi im Bereich der Data Science mit ihrem aus Erfahrung und Souveränität erwachsenen Know-How. Wie genau auch Ihre Idee durch die Hilfe der ESG Mobility Vision erhält, verrät dieser Artikel.

Das Fehlverhalten in komplexen IT-Systemen zu identifizieren, ist eine mühsame Aufgabe.

 Als Autofahrer und Nutzer von Mobilitätsservices vertrauen wir darauf, dass kein Fahrzeug den Markt erreicht, dessen Fehler nicht vollständig ausgemerzt wurden. Und genau darin liegt die Herausforderung, denn es gilt beim Auftreten eines Fehlverhaltens herauszufinden, welche der tausenden von Sensordaten und Zuständen dafür verantwortlich waren.

Bedenkt man nun, dass alle Daten und Variablen in der Realität beliebig kombiniert auftreten können, wird klar, mit welchen Schwierigkeiten die Softwareentwickler konfrontiert sind. Das Finden von Mustern und Auffälligkeiten gleicht somit nämlich der sprichwörtlichen Suche im Heuhaufen. 

Als erfahrener Data-Engineer weiß man, dass bei solchen Aufgabenstellungen auf leistungsstarke Analyseframeworks wie Apache Spark zurückgegriffen werden kann. Die Anwendung solcher Frameworks auf täglicher Basis, über viele Abteilungsgrenzen hinweg, stellte Audi vor ein großes Problem, denn Zeitreihenanalysen sind zeitaufwendig und das Handling der Daten oftmals händisch. Die IT-Experten der ESG Mobility um Angelique Jakob fanden die Lösung, indem sie ein Tool speziell für diesen Zweck entwickelten. 

So funktioniert die automatisierte Fehleranalyse durch Big Data Analytics
 

Es gelang, die Best-Practices aus Apache Spark zu intelligenten Funktionen für die immer wiederkehrenden Anwendungsfälle bei Audi zusammenzufassen. Mit Hilfe dieser einfach anzuwendenden Bibliotheksfunktionen kann abteilungsübergreifend mit wenig Aufwand nach Mustern und Events in großen Datenmengen gesucht werden. Ob lokale Maxima, steigende/fallende Flanken oder andere Beispiele für Anomalien in den Zeitreihen – sie lassen sich so deutlich einfacher finden und deren Auswirkungen auf andere Variablen nachvollziehen.

So elegant diese Bibliotheksfunktionen auch derzeit sind, so spannend wird deren zukünftige Weiterentwicklung sein. Denn das ESG Mobility Team arbeitet intern schon an Lösungen für eine vollständige Automatisierung der Fehleranalyse. Ohne menschliche Zuarbeit sollen mit Hilfe von verschiedenen Clusterverfahren, wie es im Fachjargon genannt wird, Ähnlichkeiten in den Signalen und Variablen zu Gruppen zusammengefasst werden. So abstrakt es klingen mag, aber auf diese Weise ließe sich die Software im Auto tatsächlich dazu befähigen sich selbst zu berichtigen.

Birne ESG Mobility | © ESG Mobility

In A Nutshell

  • Pattern Recognition
  • Zeitreihenanalyse
  • Clusterverfahren
  • Apache Spark
Uwe Bieberich ESG Mobility | © ESG Mobility
Uwe Bieberich
Projektleiter intelligente Fehleranalyse

Frag uns was!