Dieser Beitrag gibt einen Überblick über die strategische, technische und organisatorische Umsetzung von Data Science bei der Deutschen Automobil Treuhand (DAT).
- AI-Strategie
- AI Maturity Assessment
- Data Science Plattform
- Datengetriebene Organisation
- Computer Vision
- Deep Learning
- BIlderkennung
Zentrale Herausforderungen
Unser Kunde ist die DAT Group, ein internationales Unternehmen der Automobilbranche. Seit über 90 Jahren bietet die Gruppe Daten, Produkte und Dienstleistungen an, die sich auf die Digitalisierung des Lebenszyklus von Fahrzeugen fokussieren.
Da Daten ein wichtiger Teil des Kerngeschäfts sind, war das Unternehmen bereits gewohnt, diese zu verarbeiten, zu analysieren und auf dieser Grundlage Entscheidungen zu treffen. Mit dem Ziel, ein noch stärker datengetriebenes Unternehmen zu werden, wollte DAT Innovationen realisieren, indem es neue AI- und Data Science-Funktionen effektiv in das Geschäft integriert.
Die Herausforderungen waren daher:
- Das vorhandene Know-how mit den innovativsten Methoden und Technologien zu kombinieren
- Eine Data-Science-Infrastruktur aufzubauen und Best Practices bereitzustellen
- Die Modellierung unstrukturierter (Text, Bilder & Videos) und strukturierter Daten zu ermöglichen
- Die Koordination aller Data-Science-Initiativen über alle Geschäftsbereiche hinweg zu gewährleisten
Unser Ansatz
Um die bestehenden Herausforderungen zu bewältigen und DAT dazu zu befähigen, die Vorteile fortschrittlicher Analysemöglichkeiten zu nutzen,
1. … halfen wir bei der Definition einer klaren AI-Strategie
- AI Maturity Assessment: Tiefgreifende Analyse und Workshops zur bestehenden Organisation, Infrastrukturen, Prozesse und Daten.
- Definition und Validierung einer Roadmap: Ableitung einer maßgeschneiderten Use Case-getriebenen Data Science Strategie & analytischen Roadmap.
2. … unterstützten wir sowohl bei der Definition als auch bei der Erstellung eines Implementierungsplans:
- Infrastruktur: Architektur und Installation eines Cloud-Ökosystems als Data-Science-Plattform.
- Prozesse: Definition von standardisierten Prozessen und einer Governance für das Management von Data Science-Solutions.
- Use Cases: Entwicklung mehrerer Use Cases vom PoC bis zur Produktion, darunter z. B.: Textsuche und Annotationen mittels NLU (Natural Language Understanding), Aufbau von Regressionsmodellen für Qualitätsbewertungen oder Aufbau und Einsatz von Computer Vision-Modellen.
- Organisation: Interne Teambildung, Coaching und Trainings, um intern zu sensibilisieren und ein Change Management zu ermöglichen.
Vorteile
- Steigerung der Effizienz mit modernen, datengesteuerten Methoden.
- Zentralisierung und bessere Zusammenarbeit dank einer vollständigen DSP-Architektur (Lab und Factory) für die Modellverwaltung.
- Standardisierte und skalierbare Pipelines zur Befüllung von Data-Analytics-Data-Lakes.
- Konkrete, greifbare Ergebnisse dank der tatsächlichen Operationalisierung von Machine-Learning-Modellen (nicht nur PoC-Entwicklung).
- Nächster Schritt: Überlegungen zu einem Data-Product-Ansatz und der Modernisierung der BI-Strategie.
Involvierte Rollen:
6 Experten waren während einer Dauer von 18 Monaten beteiligt:
- Projektmanager
- Product Owner
- Data Scientist
- Deep Learning Engineer
- ML Engineer
- Reporting Engineer
Technologien & Partner
Für diesen Use Case verwendete Technologien: Python, Azure Machine Learning, Azure Cloud, Apache Spark, Data Bricks und ML Flow.
Danke an unsere*n
Autor*in
