Big Data-Projekte bei mittelständischen Unternehmen – da klemmt es recht häufig. Manfred Lackner, Vorstandsvorsitzender der PROFI Engineering Systems AG, erläutert im Interview mit Midrange Mail (MM), welche Aspekte es zu beachten gilt.

MM: Welche grundlegenden Technologien müssen optimal zusammenspielen, damit sich Big Data-Projekte in mittelständischen Unternehmen erfolgreich umsetzen lassen?
Lackner: Jedes Big Data-Projekt benötigt eine leistungsstarke, skalierbare Rechenplattform, eine flexible, möglichst schemafreie Datenhaltung und natürlich ein gut ausgebautes Netzwerk, um alles zusammen zu bringen. Containerisierung der Komponenten ist hier ein zukunftsweisender Weg, eine Plattform, die über Cloud- und lokale Systemressourcen skalieren kann und Analysewerkzeuge, die einfach und intuitiv zu nutzen sind.

Quelle: PROFI Engineering Systems AG

„Wir unterstützen umfassend bei Big Data, “ verspricht Manfred Lackner.

MM: Wie sollte der „Fahrplan“ eines Mittelständlers aussehen, der sich im Bereich Big Data engagieren möchte?
Lackner: Big Data ist kein Thema zum Selbstzweck. Am Anfang eines Big Data-Projektes müssen Zielsetzungen stehen, die Frage, was ich überhaupt mit einem Projekt erreichen möchte. Dann suche ich mir einen geeigneten Partner, der mich durch das Thema führt und die einzelnen Umsetzungsschritte mit mir gestaltet. Das weitere Vorgehen hängt sehr stark von der gefundenen Zielsetzung und den datentechnischen Voraussetzungen ab, zum Beispiel von der Frage, ob vor einer Datenverarbeitung erst einmal eine Datensammlung benötigt wird.

MM: Welche Hilfestellung können externe Dienstleister wie die PROFI AG dabei bieten?
Lackner: Wir bringen Know-how und Technologie in das Projekt ein. Know-how, das erforderlich ist, um die Umsetzbarkeit zu bewerten, die Umsetzungsschritte in die beste Reihenfolge zu bringen und generell im Einsatz von Tools und Infrastruktur zu unterstützen. Wir können und wollen nicht das fachliche Wissen des Kunden um seine eigenen Geschäfts- oder Produktionsprozesse ersetzen. Wir sehen uns als Unterstützer, um dieses Wissen mit der richtigen Technologie und Methodik zum besten Ergebnis zu führen.

MM: Predictive Maintenance hat sich als ein erfolgversprechendes Anwendungsfeld für Big Data herauskristallisiert. Welche Rolle spielt dabei der Einsatz von Künstlicher Intelligenz – der KI?
Lackner: KI-Methoden helfen bei der Gewinnung der Daten für prädiktive Analysen, z. B. in Form von Bild- bzw. Video-Analysen bei der Entdeckung, Beobachtung und Verortung von Schäden. Gerade im Umfeld historisch gewachsener Infrastruktur, bei der die Dokumentation von Bau, Inspektion und erfolgten Reparaturarbeiten oft noch in Form von unstrukturierten Texten oder sogar analog erfolgte, brauchen wir oft Texterkennungs- und Textmining-Methoden, um diese Informationsschätze für Analysen verfügbar zu machen.

MM: Wie können KI-Technologien wie IBMs Watson für Anwendungsunternehmen sinnvoll zugängig gemacht werden?
Lackner: Die Verfügbarkeit dieser Technologie als Cloud-Dienste macht es besonders einfach, komplexe Technologie, die man on-Premise gar nicht würde betreiben wollen, einfach von Fall zu Fall oder regelmäßig als Teilschritt in einem Verarbeitungsprozess zu nutzen – und das in vielen Fällen für kleines Geld. Die komplexe Technologie reduziert sich damit praktisch auf z. B. eine einzelne REST-Schnittstelle. Das hält die Eingangsschwelle niedrig, um den Nutzen eines KI-Einsatzes einfach mal auszuprobieren.

MM: Welche Anwendungsfälle haben Sie im Bereich Predictive Maintenance bereits umsetzen können?
Lackner: Allen voran möchte ich da unseren Anwendungsfall des digitalen Brückenmanagements nennen. Wir können damit nicht nur die Zustandsentwicklung eines Bauwerks in Abhängigkeit von seinen Bau- und Nutzungsparametern dokumentieren, sondern auch Berechnungen über die weitere Entwicklung von Schäden durchführen und mit Was-wäre-wenn-Modellen die Auswirkungen von Handlungsalternativen erkennen. Wir haben uns aber auch schon mit anderen Themen beschäftigt, z. B. der Prognose von Ersatzteil-Lebensdauern mit dem Ziel, die Teilelogistik zu verbessern.

MM: Was waren die Besonderheiten an diesen Beispielen?
Lackner: Jedes Predictive Maintenance-Projekt hat seine Besonderheiten, in den genannten Fällen sind Datenverfügbarkeit und Datenqualität als besondere Knackpunkte in Erscheinung getreten. Mit den richtigen Methoden, insbesondere im KI-Umfeld, lässt sich da einiges verbessern, aber eben auch nicht alles. Es kommt vor, dass Analyseziele mangels Datenverfügbarkeit zurückgestellt werden müssen.

Rainer Huttenloher

PROFI Engineering Systems AG