­čôî Big Data, IoT und die SEEBURGER AG

SEEBURGER

The Engine Driving Your Digital Transformation

IoT & Industry 4.0 Trends & Innovationen

Big Data, IoT und die SEEBURGER AG

|

Big Data, IoT und die SEEBURGER AG Go with the flow! ÔÇô Oder, was haben Br├Âtchen mit Big Data zu tun?Go with the flow! ÔÇô Oder, was haben Br├Âtchen mit Big Data zu tun?

Daten werden in Massen generiert ÔÇô auch an Orten, wo man es gar nicht vermutet. Die Kunst liegt darin, Mittel und Wege zu finden, diese unvorstellbar gro├čen Mengen an Daten an einem Ort zu sammeln und sie anschlie├čend von dort aus m├Âglichst schnell verf├╝gbar und f├╝r konkrete Zwecke nutzbar zu machen. Was passiert, wenn man viel diskutierte Technologien wie IoT (Internet of Things), KI (K├╝nstliche Intelligenz), Big Data, APIs (Application Programming Interfaces) und Data Lakes in einem anschaulichen Szenario zusammenf├╝hrt? Lesen Sie weiter!

Im Einzelhandel ist es bereits Gang und G├Ąbe:┬á Um planen zu k├Ânnen, wie viel ofenfrischer Nachschub an Sesambr├Âtchen oder Laugenstangen mehrmals t├Ąglich an die Brotverkaufsstellen geliefert werden muss, werden die Verkaufszahlen der letzten Stunden in Echtzeit von den Kassen an die Zentrale ├╝bermittelt. Noch spannender w├Ąre es, wenn aus den aggregierten Daten der Vergangenheit automatisiert Prognosen f├╝r die Bedarfe in der direkten unmittelbaren Zukunft ermittelt werden k├Ânnten ÔÇô um die Nachschubmenge optimal zu steuern. Dieselbe Herausforderung stellt sich bei jeglicher Art von Verbrauchs- oder Abgangsmengen ÔÇô nicht nur im Einzelhandel: Beispiele sind etwa Materialfl├╝sse innerhalb eines Unternehmens (intra-Company-Logistik), Containerdurchfl├╝sse auf Umschlagspl├Ątzen oder auch die Verkehrsfl├╝sse, von denen logistische Prozesse direkt abh├Ąngig sind.

Genau das Beispiel ÔÇ×Verkehrsfl├╝sseÔÇť war grundlegender Treiber f├╝r ein Forschungsprojekt der SEEBURGER AG. Unter Einbeziehung von Verfahren der KI (K├╝nstlicher Intelligenz) zur Erstellung automatisierter Prognosen auf Basis von aggregierten Massendaten wurde hierf├╝r folgendes Szenario unter Einbindung der Business Integration Suite (BIS) und von Open Source L├Âsungen aufgesetzt:

Datenverkehr einmal ganz w├Ârtlich genommen ÔÇô Traffic as a Data Source

In diesem Forschungsprojekt ging es um Datenverkehr, APIs, Data Lakes und KI. Ziel war es, neue Erkenntnisse ├╝ber IoT Use Cases (Verarbeitung von Sensor-Massen-Daten) zu gewinnen und KI-Ans├Ątze zu eruieren.

Data Driven B2B Traffic - Von der Stra├če in den BIS und ...
Data Driven B2B Traffic – Von der Stra├če in den BIS und …

Zu Beginn des Projektes stellte sich eine ganz grundlegende Frage: Woher bekommt man die ben├Âtigten riesigen Datenmengen in Echtzeit? F├╝ndig wurden die Forscher buchst├Ąblich auf der Stra├če ÔÇô beim Bundesministerium f├╝r Verkehr und digitale Infrastruktur, BVMI. Dort werden Echtzeitdaten ├╝ber Verkehrsfl├╝sse auf bundesdeutschen Autobahnen zur Verf├╝gung gestellt, die je Bundesland gebucht und abgerufen werden k├Ânnen. Die Daten werden ├╝ber Sensoren entlang der Autobahnen erfasst und in Pools von den Verkehrszentralen aggregiert. Gemessen werden z. B. Verkehrsgeschwindigkeit und Verkehrsfluss f├╝r jede Fahrspur und f├╝r jeden Fahrzeugtyp.

Traffic as Data Source - Sensoren erzeugen Streams mit Messages (IoT)
Traffic as Data Source – Sensoren erzeugen Streams mit Messages (IoT)

F├╝r ihr Forschungsprojekt buchte die Forschungsabteilung der SEEBURGER AG die Echtzeitdaten der Bundesl├Ąnder Hessen und Nordrhein-Westfalen beim Mobilit├Ąts-Daten-Marktplatz und hat jederzeit Zugriff auf die aggregierten Werte der letzten Minute.┬á┬á Diese werden von der SEEBURGER Business Integration Suite (BIS) regelm├Ą├čig ├╝ber die API des Marktplatzes abgeholt.

Um diese Daten vereinheitlicht analysieren und aufbereiten zu k├Ânnen, m├╝ssen sie zun├Ąchst einmal irgendwie in einen Data Lake flie├čen, wo sie gesammelt werden und Zugriff auf einen kontinuierlich wachsenden Datenpool an Echtzeitdaten, der mittlerweile mehrere Monate umfasst, gew├Ąhren. M├Âchte man diese Daten nun f├╝r Big Data Tools nutzbar machen, k├Ânnen sie in entsprechende Formate konvertiert und an weitere Systeme ├╝bertragen werden.

Auf diese Weise k├Ânnen beispielsweise alle Arten von Streaming Dashboards erstellt werden, die die Echtzeitbewegungen perfekt wiedergeben. Doch es geht noch weiter. Mit diesem Datenstrom kann man eine ganze Menge mehr anstellen ÔÇô Stichwort:

Machine Learning und KI

F├╝ttert man diesen Datenstrom ├╝ber mehrere Monate zu Trainingszwecken in ein System wie Tensorflow, was wiederum ├╝ber die SEEBURGER BIS m├Âglich ist, k├Ânnen diese Systeme die Daten zu Verkehrsgeschwindigkeit und Verkehrsfluss f├╝r jede Fahrspur und f├╝r jeden Fahrzeugtyp vorhersagen. F├╝r Vorhersagen zum durchschnittlichen Verkehrsfluss in 30 bzw. 60 Minuten wurden bereits sehr gute Ergebnisse erzielt, wie man in untenstehender Darstellung gut erkennen kann. Hierf├╝r wurde ├╝ber die blaue Zickzacklinie, die den tats├Ąchlich gemessenen Verkehrsfluss darstellt, eine schwarze Linie als Overlay gelegt, die die Prognose f├╝r die n├Ąchsten 30 bzw. 60 Minuten darstellt.

Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow - Modell f├╝r zuk├╝nftige Werte in 30 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow – Modell f├╝r zuk├╝nftige Werte in 30 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow - Modell f├╝r zuk├╝nftige Werte in 60 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow – Modell f├╝r zuk├╝nftige Werte in 60 Minuten

Den ganzen Use Case finden Sie in unserem Webcast.

Der Blick in die Zukunft

Diese Art der Vorhersage kann man vielseitig einsetzen. Von Stauprognosen ├╝ber Routenplanung bis hin zur m├Âglichen Erkenntnis, dass der ein oder andere Autobahnabschnitt erweitert werden m├╝sste, hier sind keine Grenzen gesetzt.

Wir bei SEEBURGER machen uns im Weiteren dar├╝ber Gedanken, wie solche Informationen f├╝r SEEBURGER Kunden bereitgestellt werden k├Ânnen. Das operative Tagesgesch├Ąft vieler unserer Kunden ist stark von ├Ąu├čeren Gegebenheiten wie Verkehrsfl├╝ssen abh├Ąngig. Diese Abh├Ąngigkeiten werden immer kritischer, je mehr das operative Tagesgesch├Ąft durch St├Ârungen wie beispielsweise Staus gef├Ąhrdet ist. Prognosedaten ├╝ber Verkehrsfl├╝sse, wie hier beschrieben, k├Ânnten helfen, diese St├Ârungen abzufedern.

Das also passiert, wenn Technologien wie IoT (Internet of Things), KI (K├╝nstliche Intelligenz), Big Data, APIs (Application Programming Interfaces) und Data Lakes in einem Use Case zusammengef├╝hrt werden. Grundvoraussetzung ist, dass die sowieso vorhandenen Daten integriert und damit weiterverwendbar gemacht werden.

 

Haben Sie Fragen oder Anmerkungen?
Wir freuen uns hier ├╝ber Ihre Nachricht.

Teilen Sie diesen Beitrag, w├Ąhlen Sie Ihre Plattform!

├ťber den Autor:

Dr. Johannes Strassner, Head of Research, is responsible for application-oriented research on innovation of SEEBURGER's business integration technologies and solutions. The current focus is on Machine Learning, Big Data, API, Blockchain and IoT. Johannes Strassner received his doctorate at the University of Koblenz-Landau for his work on ÔÇśParametrizable Human Models for Dialogue EnvironmentsÔÇÖ. He joined SEEBURGER in 2011 after research activities at the Massachusetts Institute of Technology and the Fraunhofer-Gesellschaft.

├ähnliche Beitr├Ąge