WIE SEHR MUSS ICH ALS DATA SCIENTIST VERSTEHEN, WIE DIE ALGORITHMEN INTERN FUNKTIONIEREN? – mit Dr. Stefan Hilbert

- Moderatorin (nicht namentlich genannt)Host of this episode, The Erium Podcast
- Dr. Stefan HilbertSenior Data Scientist at Erium, Guest
- Dr. Maksim GreinerCo-Founder & CTO at Erium
Overview
In this episode of the Erium Podcast, the host, CTO Maksim Greiner, and Senior Data Scientist Stefan Hilbert accompany the fictional up-and-coming data scientist Erika through step four of her first data science project: understanding and modelling processes. The three discuss in practical terms how much process knowledge a data scientist really needs, how to handle poor documentation, and when predictive maintenance projects actually make sense.
About the guest
Dr. Stefan Hilbert is a Senior Data Scientist at Erium. He comes from an astrophysics background and brings a strong statistical methodology that he now applies in industrial data science projects. According to Maksim Greiner, Stefan impressed during the hiring process with such an outstanding solution to a statistics test task that it was promptly declared the new model answer. Stefan is also referred to in the podcast as the 'prototype listener' of the show, as he has represented the ideal target audience from the very beginning.
Summary
Order of steps in a project: Understand the process first or look at the data first?
Stefan Hilbert advocates for ideally clarifying the project goals first and then engaging deeply with the process before diving into the data. In practice, however, an iterative back-and-forth emerges: conversations with process experts and data reviews alternate repeatedly. Maksim Greiner adds that in earlier projects, a walkthrough of the process often served as an 'icebreaker', whereas today there is more frequently an existing target vision before work begins.
Poor documentation as the norm in manufacturing industries
In many projects from the manufacturing sector, there is little to no documentation that actually helps a data scientist. What does exist is often outdated, incomplete, or aimed at an entirely different purpose, such as assembly instructions. Maksim reports that in some projects the real value lay in documenting a process for the very first time and capturing it in a diagram, simply because nobody had ever done so before.
Communication and management as underestimated data science skills
A central theme of the episode is that data scientists must deliver far more than pure modelling work. Stefan and Maksim emphasise that one must actively ask the right questions, coordinate conversations with various experts, and informally steer the direction of the project even without a formal project lead role. If you find yourself being passed around, you should proactively request a joint meeting. Specifically, they recommend finding an internal point of contact on the client side early on who can help bring the right people together.
Erium's approach: Bringing domain knowledge into the model without a game of telephone
Maksim explains Erium's philosophy of having the domain expert capture their knowledge as directly as possible in a structured form that data scientists can work with, for example in the form of causal models. The goal is to minimise translation losses that arise when knowledge is passed along through multiple stages. Stefan confirms that direct communication with the process expert is essential for developing a usable process model.
Algorithm toolset: Broad foundational knowledge beats deep specialisation in every tool
When asked how well a data scientist needs to understand algorithms such as Recurrent Neural Networks (RNNs) internally, both agree: more important than specialising in individual tools is a solid statistical and mathematical foundation combined with the ability to quickly get up to speed with new methods. Maksim cautions that in the example, Erika may be reaching for a complex model too early, before the data quality is sufficiently understood.
Business case and the red line: When does data science pay off?
The discussion shows that a clearly calculated business case is crucial for knowing when a model is 'good enough' and when to steer the project towards deployment. Maksim recommends defining concrete threshold values upfront, for example what level of prediction accuracy is needed for planned maintenance to save more than it costs. Only with this 'red line' in place can a well-founded decision be made about whether further iterations are worthwhile or whether to pull the plug.
Predictive maintenance: Frequently underestimated effort, sometimes no real business case
Predictive maintenance is often cited as a classic entry-level example of data science in industry, but practice paints a more sobering picture. Stefan describes a real project in which the conclusion was that planned maintenance was not economically worthwhile because the prediction accuracy was too low. Maksim adds a structural problem: whoever always performs preventive maintenance has not collected any failure data and therefore has no data foundation for a predictive maintenance model. The outcome of such a project can still be valuable, for example as improved monitoring or as a clear insight into the actual cost structure.
Key takeaways
- Process understanding ideally comes before intensive data review, but in practice an iterative interplay between the two steps always emerges.
- Poor or unusable documentation is the norm in manufacturing industries, not the exception.
- A data scientist must actively communicate, coordinate, and informally steer the project, even without a formal project lead role.
- A solid statistical foundation and the ability to quickly learn new methods are more important than knowing every specific ML tool.
- Before deploying a complex model such as an RNN, data quality and the underlying data basis should be sufficiently understood.
- A clearly calculated business case with concrete success thresholds is essential for steering projects purposefully and bringing them to a timely conclusion.
- Predictive maintenance projects frequently fail because the cost structure offers no real advantage over reactive maintenance or because suitable failure data are not available.
- Physicists often bring a strong foundation for data science through analytical thinking and statistical grounding, much like early computer scientists who came from physics.
Conclusion
The episode makes clear that successful data science projects require far more than modelling expertise. Process understanding, strong communication skills, business thinking, and a realistic view of data availability are equally decisive. Anyone starting their first project like Erika should not be discouraged by poor documentation, but instead ask questions proactively, calculate a business case early on, and only increase model complexity when the data situation justifies it.
For beginners and young professionals in data science
Do not expect to spend the whole day tinkering with models. Communication, project steering, and an understanding of business processes are equally part of the job, and fortunately they can also be learned on the job.
For data scientists with project experience
Define a measurable 'red line' for project success early on and calculate the business case before you get lost in model complexity. This protects against endless exploration phases without a clear goal.
For companies looking to launch data science projects
Make sure that process experts, database owners, and quality management are accessible from the very beginning. The unavailability of the right contacts is one of the most common causes of delays in data science projects.
Show full transcript
Speaker0: Ihr hört, die Ihrem Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Herzlich willkommen zu 1 neuen Ausgabe von The Ihrem Podcast, in der wir weiter die Geschichte von Erika, der jungen Data Scientistin bei ihrem ersten Data Science Projekt verfolgen und ja, schauen, was sie denn da so für Abenteuer erlebt. Und diesmal schauen wir uns den vierten Schritt an. Letztes Woche haben wir uns das Preprocessing angeschaut und diesmal geht's das Verstehen und Modellieren von Prozessen. Und wir haben heute eine ganz besondere Folge am Start, denn diesmal sind wir komplett ereum hausintern vertreten, gemeinsam mit dem heutigen Gast sozusagen, Stefan Hilbert. Du bist Senior Data Scientist bei ereum. Toll, dass Du da bist. Hallo. Freut mich sehr. Dann haben wir noch da den den Maxim, CTO von Ihrem und auch bekannt bekannte Podcaststimme schon mittlerweile bei uns. Ja, hallo. Super, dass dass ihr da seid. Ihr seid unsere ja, Prozessverständnis- und Verständnis- und und Modellierungsexperten, deswegen seid ihr perfekt geeignet für die heutige Folge. Und ich bin gespannt, was ihr so was ihr so zu erzählen habt zu den, ja, ja, Geschehnissen, die der Erika so widerfahren. Und genau, zunächst aber fände ich's mal interessant zu hören, wie denn der Stefan überhaupt zu Erium gekommen ist. Maxim, könntest Du uns da vielleicht einen kurzen Einblick geben in die Erium Historie? Ich glaub tatsächlich, dass der Stefan und ich fast zeitgleich zu Ihrem gekommen sind, also so ungefähr vor 'nem Jahr. Und ja, also es wär superspannend zu hören, was denn
Speaker3: da vor sich gegangen ist. Ja, wir haben damals eine Ausschreibung gehabt, dass wir 'n Data Scientist suchen. Und was man über Data Science wissen muss, das ist ja noch nicht son klar ausdefiniertes Feld. Das heißt, da gibt's alle möglichen von Subspezialisierungen. Manches ist es vielleicht mehr 'n Data Engineer, anderes ist vielleicht wirklich eher ein Mathematiker. Also da ist einfach 'n sehr heterogenes Feld. Und deswegen haben wir die Leute getestet, zum 1 zum einen in halt den Bewerbungsgespräch natürlich. Da haben wir dann zum Beispiel so Sachen gemacht, ja, erklär uns doch mal deine Uni Abschlussarbeit oder irgend 'nem Projekt. Und dann hatten wir halt Leute dabei, ja, die konnten megagut rechnen oder so was, aber können halt nicht erklären. Und dann, gut, wie willst Du dir aufn Projekt schicken? Dann gab's halt viele andere, die konnten vielleicht gut so typische Data Science Aufgaben lösen, aber waren jetzt nicht so mit der tieferen Statistik bewandert. Und da wir 'n Produkt entwickeln, war das auch nicht so das, was wir suchen. Also haben wir sone Testaufgabe gestellt, wo man halt ein Statistikproblem lösen muss. Und dann kamen ja die ersten Antworten rein und da war alles Mögliche dabei, sehr kreative Lösungen zum Teil, die aber, sagen wir mal, nicht das waren, was wir uns vorgestellt hatten. Und dann bekam wir irgendwann sone Lösung, wo wir dachten, okay, die nehmen wir jetzt als neue Musterlösung. Und dann kannten wir den Namen noch irgendwoher aus unserer Max Planck Institut Zeit und das war halt eben der Stefan. Dann haben wir zuerst gedacht, okay, war das jetzt sozusagen so als mal so Machtdemonstration? Will er sich überhaupt bewerben? Oder wollt er nur unsere Aufgabe crashen? Aber nein, wär ernst gemeint. Und dann haben wir uns getroffen. Und na ja, jemand wie Stefan hat natürlich auch 'n paar Angebote gehabt dann. Also hat mir son bisschen hat son bisschen hin- und hergedauert, dass wir uns voneinander auch gut überzeugt hatten. Und dann kam's aber zustande und hat seitdem super funktioniert. Also wir machen wir möchten den nicht mehr missen.
Speaker1: Stimmt das so, Stefan? Wolltest Du einfach nur deine Macht demonstrieren oder wolltest Du dich tatsächlich bewerben? Was ist die Wahrheit?
Speaker2: Natürlich habe ich mich da ernsthaft beworben. Ich war halt auf der Suche nach einem Job in Data Science. Das war das Hypethema zu der Zeit auch und ich fand das sehr spannend. Und was mich an Erium besonders gereizt hat, war, dass sie dieses neue Feld Data Science, neue Methoden verbinden mit den statistischen Methoden, die ich aus meiner Arbeit bisher kannte, aus der Astrophysik und die ich denke, sehr vielseitig sind und sich auch super einsetzen lassen in vielen anderen Bereichen.
Speaker1: Gut. Vielleicht noch ein 1 kleine Anekdote dazu, was mit die mir da einfällt. Und zwar weiß ich noch, als wir die 1. Staffel von unserem Podcast vorbereitet haben, haben wir uns auch so den den den Prototyp Zuhörer überlegt und wer das denn sein soll und wie wir den tageln wollen. Und da weiß ich noch tatsächlich, dass der was der Tür mir erzählt hat, und zwar, dass wir uns am besten vorstellen sollten, der Zuhörer ist ein ist der Stefan Hilbert. So, tatsächlich, ja? Und wir und da dachte ich mir, okay, gut, ich kenn ich kannte dich da nicht, deswegen war ich etwas verwirrt. Aber genau, das war so die Idee, ob das uns gelungen ist im Nachhinein oder nicht. Das muss jemand anders beurteilen, aber Du bist quasi unser Prototyp Zuhörer zudem und Prototyp Gastwitz auch noch für den Podcast. Das heißt,
Speaker3: ich bin gespannt, was uns erwartet. Und ich würd sagen Und jetzt musst Du ihn testen. Muss ich nicht testen, genau. Folge 3, Minuten, 5, 12 Sekunden. Was wurde gesagt? Exakt. Genau. Exakt.
Speaker1: Ich würd sagen, wir hören einfach mal in die Story von der Erika rein und genau. Ich bin gespannt, was ihr hier zu erzählen habt.
Speaker4: Erika setzt sich nach ihrem ersten Preprocessing mit dem Prozess genauer auseinander. Sie startet mit einem kleinen Prozess- und Ablaufdiagramm, in dem sie die Prozesskette vereinfacht darstellt. Diese reviewt sie mit dem Prozessingenieur Peter. Erika fragt zudem nach 1 Art Dokumentation der Montageanlage. Wie werden die einzelnen Parameter der Stationen innerhalb der Prozesskette eingestellt? Was passiert bei einem fehlerhaften Produkt? Wann wurden die Parameter das letzte Mal geändert? Peter informiert sie, dass er das gar nicht so genau weiß, da er die Anlage selbst nicht bedient. Erika ist ratlos. Wie soll sie nun weiterarbeiten?
Speaker1: Steigen wir mal hier direkt ein mit 1 Frage, die mich persönlich fast am dringlichsten interessiert, und zwar von der Chronologie her. Macht das denn so Sinn? So wie wir es bis jetzt erzählt haben, ne? Also erst kommt Preprocessing, dann geht man an das Verständnis von dem Prozess oder geht eben ans son bissel ans ans Modellieren ran. Ist das, also macht das so Sinn? Würdet ihr sagen, ihr macht das auch so? Oder sagt ihr, okay, gut, bevor ich mich da irgendwie reindenke und versuch irgendwas zu verstehen, muss ich mir erst die Daten anschauen, was aber auch aufwendig ist? Oder macht man's genau andersrum zu sagen, bevor bevor ich mir da jetzt diesen Haufen Daten angucke, schaue ich mir erst mal den Prozess son bisschen an. Was würdet ihr sagen, ist da eurer Erfahrung nach am gängigsten?
Speaker2: Also ich würde es vorziehen, andersrum anzufangen. Nach Möglichkeit erst die Ziele diskutieren und dann als nächsten Schritt mich genauer mit dem Prozess zu beschäftigen. Und dann im Zuge dessen kommt natürlich auch die Frage nach den vorhandenen Daten ins Spiel beziehungsweise welche Daten erhoben werden könnten. Und dann ist das eher 'n Wechselspiel zwischen sich mit den Prozesxperten unterhalten, die Daten anschauen. Das kann zwei-, dreimal hin- und hergehen, sodass man ein besseres Verständnis hat für die Daten, die man hat beziehungsweise die man bekommen möchte oder bekommen kann. Und dann würde ich tiefer in die Modellierung einsteigen. Aber das ist natürlich so im Idealfall so. In der Praxis hängt es sehr davon ab, was man zuerst bekommt. Bekommt man zuerst Daten? Bekommt man zuerst ein Gespräch mit jemand, der den Prozess versteht? Ist schon vorher klar, welches Ziel zu erreichen ist oder ist das erst einmal rein explorativ? Das hängt dann sehr stark vom Projekt ab, wie's in der Praxis läuft.
Speaker3: Also was wir in der Vergangenheit häufig auch hatten, war, dass man tatsächlich mit 1 Prozessbegehung anfängt, aber das hat sich ein bisschen geändert. Das war so in Zeiten, wo das Label Data Science noch nicht so geläufig war. Und das war dann son bisschen so der, wenn man so will, der Türöffner, weil Ingenieur doch ganz gern meistens was über seine Anlage erzählt. Der führt einen da stolz durch. Und wenn Du dann halt gut zugehört hast, dann konntest Du dann daraus nachher ein informierteres Meeting oder Gespräch gestalten. Mittlerweile habe ich das Gefühl, dass das bisschen reifer und dann ist es, wie auch Stefan sagt, dann schon so, dass man doch vorher irgendwas bekommt. Das gibt vielleicht schon eine Zielvorstellung und dann kommt man in dieses Wechselspiel rein. Aber vor so 3 Jahren war das viel so, na, gehen wir mal rein. Schauen wir mal.
Speaker1: Das wär jetzt mal eine nächste Frage gewesen, ne. Also das ist das verlangt ja auch schon son bisschen Verständnis von auf der nicht Data Science Seite über Data Science ab oder nicht. Also wenn wenn man quasi hinbekommt und sagt, okay gut, ich muss erst mal schauen, was ich bekomme, dann hängt es ja auch von den anderen von der anderen Partei ab, was man denn bekommt. Also entweder die hauen einem erst mal Daten und sagen, okay gut, schau mal, ob das klappt oder man setzt sich tatsächlich erst mal mit denen auseinander und diskutiert einen potenziellen Use Case. Ja, Maxim?
Speaker3: Also Du musst die Diskussion als der Data Scientist leiten. Du musst die Du musst die bohrenden Fragen stellen, sonst geht es halt irgendwohin. Also dieses Verständnis von Data Science, dass sozusagen deine Counterpart zu wissen, was Du brauchst und was überhaupt 'n guter Use Case ist, das ist jetzt nicht Standard. Das muss erst geschaffen werden. Genau. Vielleicht hat's Stefan, wie war's bei dir?
Speaker2: Nein, das ist eigentlich oft über den gesamten Verlauf des Projekts, auch wenn man offiziell nicht der Projektleiter ist vom Gesamtprojekt, muss man immer ein Auge mit darauf haben, was geht? Was sind die nächsten sinnvollen Schritte? In welche Richtung muss man das Projekt lenken, damit es als Data Science Projekt erfolgreich ist? Ja, das waren jetzt schon Also wenn ich jetzt zurückblick auf die letzten Aufnahmen, die wir gemacht haben,
Speaker1: kommen immer mehr kommt immer mehr zu dem Skillset 1 Data Scientists dazu, was einfach nicht Data Science ist, zumindest nicht auf den auf den ersten Blick. Würdet ihr da zustimmen, dass Du das sagst, okay, gut, für jetzt zum Beispiel auch jemanden wie die wie die Erika, die die quasi, sagen wir, erst mal aus der Theorie kommt und dann erst mal überrumpelt wird von der von der, ja, von dem geringen Maße an Data Science Arbeit, die sie dann doch leisten muss im Vergleich zu, ey, jetzt muss ich plötzlich über Corporate Strategy nachdenken von von irgendwem oder ich muss ich muss ja RUIs berechnen, was vielleicht nicht unbedingt das krasseste, die krasseste Rechnung ist, aber trotzdem, man hat's ja noch nie gemacht und ich muss plötzlich für den Use Case argumentieren auf 'ner Business Ebene. Würde, also Stefan, Du bist ja auch in Data Science eingestiegen, hat dich das überrumpelt oder würdest Du sagen oder wusstest Du von vornherein, hey, das es war mir klar, dass ich damit konfrontiert werde?
Speaker2: Jein. Primär war ich natürlich auch enthusiastisch, was die neuen tollen Methoden in Machine Learning und so weiter betrifft und darauf habe ich mich gestürzt. Aber klar wurde auch recht schnell Data Science erfolgt meistens in Projekten und der primäre Skill ist, Projekte zu bearbeiten, in dem Fall oft eben zumindest informell, die Projektleitung zu übernehmen. Und dieses diese Fähigkeiten, Fertigkeiten, ein in einem Projekt zu arbeiten, in einem Team zu arbeiten, das Team eventuell auch zu leiten, auch wenn man vielleicht gar nicht offiziell da eine leitende Position inne hat, dass man eben auch die wirtschaftliche Seite anderer Aspekte mit im Blickfeld hat, das wird sehr wichtig. Und am Ende, was so der Kern, was einige denken, Machine Learning, Data Science betrifft tatsächlich tolle Modelle zu trainieren auf Superdaten. Das ist halt ein kleiner Teil Mhm. Der Gesamtarbeit nur. Und Maxim, wie geht's dir da?
Speaker3: Ich war da viel naiv. Aber das ist ja jetzt 'n paar Jahre her.
Speaker1: Du meinst naiv, dass Du dir gedacht hast, ja, ich sitz den ganzen Tag am PC und kann Data Science, also kann Modelle irgendwie mir zusammenbasteln, die dann Prozesse optimieren oder wie wie meinst Du? Ja, genau. Ich sitz hier, ich kann programmieren, ich kann rechnen, jetzt kommt bestimmt gleich jemand durch die Tür.
Speaker3: Und dann hat er da mehrere Daten dabei und eine konkrete Fragestellung und ich hab dann Zeit.
Speaker1: Ja, ich ich erinnere daran, ich hatt's schon mal erwähnt. Also diese diese diese ja, dieses Geflecht an ZIP Dateien, was die Erika in der Story bekommen hat, basiert auf 'ner wahren Geschichte, die dem Maxime so widerfahren ist. Und ja, ich hab letztens gehört, der Maxime weint sich immer noch manchmal in den Schlaf wegen dieser wegen dieser Arbeit, die er da leisten musste. Langsam sind die Narben nicht mehr offen.
Speaker3: Sehr gut.
Speaker2: Ja, aber da hilft eben, dass man überhaupt Erfahrung hat schon mit Projekten. Und wenn man jetzt aus der Universität, aus der Forschung, aus dem akademischen Bereich kommt, dann waren das vielleicht Forschungsprojekte. Und da gibt's natürlich die, wo man vor sich hin forscht im stillen Kämmerlein und die, wo man in 'ner größeren Gruppe zusammen versucht, was rauszufinden. Und die bereiten einen dann schon wesentlich besser auf so eine Arbeit vor.
Speaker1: Dann gehen wir noch mal mal etwas genauer auf die Story von der Erika ein, die ich grade vorgelesen hab. Und zwar ging's ja da auch die Dokumentation von so 1 Montageanlage. Ihr habt ja jetzt auch viel Erfahrung von mit der produzierenden Industrie und verschiedenen Teilbereichen dort. Mit welcher Art von Dokumentation muss man denn branchenbedingt rechnen? Also jetzt nehmen wir mal 'n Beispiel, wirklich eine Anlage, wo wo ihr quasi mitgearbeitet habt.
Speaker3: Also Also eher keine Dokumentation im Zweifelsfall oder beziehungsweise keine, die man sich als Data Scientist gewünscht hatte. Gab auch 'n paar Beispiele, da war das ganz gut, aber der Blickwinkel ist eigentlich immer 'n anderer gewesen. Und in manchen Projekten hatten wir's aber auch so, dass dass sozusagen der primäre Wert, der entstanden ist durch das Projekt, war, dass überhaupt jemand mal aufgeschrieben hat, was passiert. Weil die Daten waren dann so waren so unbrauchbar, dass aus denen sowieso nix werden konnte. Aber dass sich jemand mal hingesetzt hat und und die Bohrenden Fragen gestellt hat und nachher ein ja, 'n Prozessdiagramm hatte, war schon sozusagen 'n Paradigmenwechsel, weil das einfach vorher nie jemand Zeit dafür gehabt hatte. Und das ist der deutlich häufigerere Fall, als Du kriegst hier wunderschönes, wie heißen die Dinger gleich? Mir fällt grad der Diagrammname nicht ein, aber son schönes Flowchart halt. Also ich hätte ein Beispiel,
Speaker2: was gar nicht mal das Schlechteste ist. Man bekommt zum Beispiel eine Anleitung, wie die Anlage aufgebaut werden soll, wo natürlich der Fokus darauf ist, dass die Leute, die das aufbauen, die Schrauben richtig anziehen. Aber ist manchmal das, womit man arbeiten muss. Und dann gut, dann fängt man damit halt an.
Speaker1: Maxim, Du hattest gesagt, dass die dass die dass es erst mal, dass es zu bei sonem Deadline Projekt oft das 1. Mal ist, dass sich 1 hinsetzt und die wichtigen Fragen stellt. Ich les noch mal kurz die Fragen vor, die die Erika sozusagen einerseits sich selbst stellt und auch den den Prozessingenieur. Und zwar waren das, wie denn die einzelnen Parameter der Station innerhalb der Prozesskette eingestellt werden, was bei einem fehlerhaften Produkt genau passiert oder was da gemacht wird und wann denn die Parameter das letzte Mal geändert wurden. Das sind alles valide Fragen, schätz ich mal, könnt ihr vielleicht besser einschätzen. Aber würdet ihr denn sagen, da fehlt was? Also gibt's habt ihr son Katalog an Fragen, wo ihr sagt, okay gut, am Anfang 1 Projekts muss das gestellt werden. Und ich muss jetzt hier sozusagen einmal abfragen, okay, gut, ist ist das schon gemacht worden, ist das schon gemacht worden oder wie genau sieht das aus? Und es hängt ja auch so bissel mit dieser Dokumentation dann zusammen, wenn die dann alle, wenn dann immer gesagt wird, weiß ich nicht, weiß ich nicht, weiß ich nicht, wird man dann als Data Scientist am Ende immer von a nach b geschickt, eine Antwort auf diese Fragen zu bekommen. Wie genau sieht da dieses Day to Day Business aus von 'nem Data Scientisten, wenn er erst mal überhaupt verstehen will, wie dieser Prozess funktioniert?
Speaker2: Ja, man fängt halt an, die Leute zu fragen, mit denen man direkt Kontakt hat und wenn die nicht weiter wissen, dann wissen die hoffentlich jemanden, den man fragen kann und so fragt man sich durch. Also ich würd das nicht so sehen, dass man von zu Pilatus geschickt wird, aber es ist natürlich erforderlich, mit vielen Leuten zu reden und nachzufragen und vielleicht auch nachzubohren und dafür aber auch Zeit einzuplanen, weil man kriegt ja nicht die Leute immer sofort direkt ans Telefon oder die beantworten nicht sofort E-Mail oder es ist nicht sofort klar, wie man da wie man da finden kann, wer sich auskennt, aber man muss nachbohren, nachfragen und nach und nach die Informationen sich zusammensuchen.
Speaker1: Und habt ihr da schon son Gefühl dafür, wie viel Zeit ihr da einplant? Also das mal in Relation setzen zu können, zum Beispiel zu 'nem Preprocessing oder Modelbuilding? Also sagt ihr, okay, gut, weil ich Manchmal muss es ja sicherlich auch irgendwie kommunizieren, wenn man wenn man gefragt wird, hey, ich muss mich erst mal irgendwie einleben in den Prozess. Dann wird mir ja vielleicht auch gefragt, gut, wie lange dauert 'n das? Sagt ihr da eine Woche oder oder könnt ihr das irgendwie irgendwie abschätzen oder kriegt ihr da oder würdet ihr sagen, man kann sich da eine Freiheit nehmen? Was was würdet ihr sagen?
Speaker3: Wir sagen wir sagen in der Regel, wie viel Zeit wir mit den entsprechenden Experten brauchen. Und je nachdem, was da dann schon auf diese Anfrage für eine Rückmeldung kommt, kannst Du schon mal einschätzen, wie lang es dann dauern wird. Also wenn Du zum Beispiel sagst, na ja, ich brauch einen halbtägigen Workshop mindestens jetzt mal, bei dem der Prozes Experte, jemand, der die Datenbank kennt, jemand vom Qualitätsmanagement dabei ist. Und wenn das dann Du schon merkst, okay, der nächste Terminvorschlag Vorschlag liegt irgendwie 2 Monate in der Zukunft, dann kannst Du schon ungefähr abschätzen, worauf Du dich gefasst machen kannst. Und wenn Du's aber dazu, ja, kein Problem, machen wir nächste Woche oder machen wir übermorgen, dann dann geht's. Also es ist nicht so sehr, glaub ich, die absoluten Stunden, sondern so dieses Terminverfügbarkeitsgeschacher
Speaker1: dann. Was es dann in die Länge zieht potenziell, meinst Du erwähnen.
Speaker3: Genau. Und ob Du die Leute gleichzeitig kriegst.
Speaker2: Ja, es kann sein, dass man da einfach schauen muss, dass man jemanden verantwortlich macht dafür, dass man die richtigen Antworten bekommt, auch wenn derjenige die nicht selber weiß. Aber dass man 'n bisschen mehr Hilfe bekommt, gerade wenn das eine Firma ist, dass man intern jemanden findet, der intern auch die Macht hat, die entsprechenden Leute dann zusammenzubekommen. Dass man dann nicht einen alleine kämpft von außen, sondern dass man jemanden findet, den man auf seine Seite kriegen kann, der einem dann hilft, die Leute zusammenzukriegen. Und es kann auch gut laufen, dass die einen einfach weiterschicken und man kann seine Antwort einfach einsammeln, aber wenn's tatsächlich das Gefühl aufkommt, Du wirst im Kreis geschickt, dass Du dann sagst, so Leute, bitte, wir machen gemeinsam einen Termin und wir müssen das jetzt klären, damit das Projekt vorangeht.
Speaker1: Das heißt, man muss auch son bisschen, ja, Management auf dem Kasten haben. Und speziell ganz interessant fand ich den Punkt, dass man quasi jemanden auch verantwortlich macht oder zumindest jemanden beim Wort nehmen kann, Weil sonst werden Fliegeninformationen durch den Raum und eigentlich viele meinen andere Leute was völlig anderes. Und das kann ja auch 'n guten Grund haben, ne. Also da tun sich ja vielleicht noch mal Informationen auf, wo man sagt, hey, ich benutze diese Anlage anders, als ob ich da auch eine andere Sichtweise drauf, was natürlich für das Modell am Ende wieder, ja, wichtig sein könnte und essenziell sein könnte. Gut, sprich, ist, es braucht 'n Haufen Kommunikation, speziell auch am Anfang des Projekts gemeinsam mit den, ja, Experten, die die Anlage bedienen. Was ist denn Eriums Idee oder Eriums Philosophie für genau diese Kommunikation? Ich kann mich erinnern, Maxim, wir haben mal eine kleine Reviewfolge aufgenommen, wo wir auch über ein, ja, Konzept gesprochen haben für Data Science Projekte, wo es einen Mittelsmann gibt oder Mittelsfrau, zwischen Data Scientist und Experte. Ich weiß noch, das war ein Zitat zu aus der Folge mit Patricia Goldberg aus der zweiten Staffel, die quasi viel mit der, ja, mit mit der mit Agrarwissenschaftlern zusammenarbeiten und und und Farmern. Und die haben quasi da immer ihre Mittelsmänner, die mit den Bauern dann dann sprechen, die auch nicht immer super digitalisiert sind. Und da hatten wir ja auch 'n Lösungsansatz. Maxim, könntest Du da drüber sprechen, was noch mal die Idee ist von Erium an der Stelle?
Speaker3: Also was wir ja wollen, ist, dass möglichst der, also ohne wenig stille Poseffekte dazwischen, dass möglichst der Domänenexperte, also jetzt in Erikas Fall eben der Prozes Experte, sein Wissen, sein Modell der Realität zu Papier bringt. Und deswegen wollen wir möglichst dahin kommen, dass das so einfach wie möglich geht, aber gleichzeitig schon in der Form ist, dass nachher der Data Scientist auch möglichst direkt damit mit der Modellierung loslegen kann und nicht so viele Übersetzungseffekte stattfinden. Deswegen haben wir ja in der Vergangenheit viel Mühe da rein investiert, unsere kausalen Modelle zu visualisieren. Und deswegen bewegen wir uns jetzt auch in die Richtung, das noch einfacher zu machen, wie man so sein Abbild der Realität, und da hat ja in der Regel der Domänenxperte dann doch das Beste, relativ frei, aber dann doch gezwungen in irgend eine Struktur halt zu Papier bringen, beziehungsweise na ja, kein Papier, digital. Und damit das dann da ist und derjenige sich damit auch identifizieren kann, das ist auch gut für son Projekt. Und man da auch dann als Data Scientist rückfragen kann. Was bedeutet denn das hier, was Du da aufgeschrieben hast?
Speaker1: Ist das 'n, den Du spürst, Stefan? Also so so stille Posteffekte? Und ist es dir sozusagen auch ein 1 Anliegen als Data Scientist, das das damit zu bekämpfen?
Speaker2: Ja, mit Sicherheit. Das hängt auch immer davon ab, mit dem Prozentexperten selber. Man muss natürlich erst mal verstehen, worüber der redet, Fragen stellen. Und solange ich mit dem Prozentexperten direkt kommunizieren kann und er sich mir gegenüber verständlich machen kann, können wir zusammen versuchen, das dafür ein Modell zu entwickeln, mit dem ich dann auch weiterarbeiten kann. Aber idealerweise ist es natürlich so, dass der Prozes Experte selber möglichst viel so aufschreiben kann, dass ich da nicht mehr viel nachfragen muss, sondern das möglichst schnell halt umsetzen kann in ein Modell des Prozesses zum Beispiel.
Speaker3: Also Du siehst, wir wollen dahin, dass wir nicht so viele bohrende Fragen stellen müssen.
Speaker1: Aber wir werden sehen, vielleicht ist das einfach unser Schicksal. Gut, dann kommen wir jetzt zum nächsten Abschnitt der Erika Storyline.
Speaker4: Prozessingenieur Peter leitet Erika an einen der Anlagenmitarbeiter Martina Albrecht weiter. Martina zeigt Erika, wie sie die Parameter der Maschine einstellt. Das, was Erika bekommt, ist allerdings ernüchternd. Die Dokumentation ist alt, unvollständig und teilweise sogar handgeschrieben und an die Maschine geklebt von jemandem, der nicht mal mehr an der Anlage arbeitet. Auf die Frage, ob denn nun schon mal verschiedene Parameter ausprobiert wurden, kommt nur die Antwort, sicherlich. Aber irgendwann hatten wir den Dreh raus und dachten uns. Erika ist zu diesem Zeitpunkt sehr ratlos. Ihre Idee ist es, die Informationen von Peter darüber, wann denn die letzten Erwartungen waren, in die Daten mit einfließen zu lassen, so herauszufinden, ob sich ein Muster beziehungsweise ein Grund hinter den ungeplanten Erwartungen versteckt. Ihr Ziel ist es, die Wartungszeiten mithilfe 1 Recurrent Neural Networks abschätzen zu können, dessen Inputs, die gemessenen Montagewerte und Testdaten und die Einstellparameter der Maschine sind. Ob das so klappt, finde sie selber eher fragwürdig, hinterfragt jedoch nicht weiter. So sollen jedenfalls Wartungsarbeiten in Zukunft besser vorherzusehen sein und Einstellparameter dahingehend optimiert werden, dass weniger Erwartungen langfristig notwendig sind und Geld gespart wird. Allerdings bereitet ihr die Datenlage aktuell auch noch Sorgen. Zwar fühlt sie sich mit ihrem Preprocessing
Speaker1: wohl, aber ein großes Verständnis für den Prozess hat sie noch nicht entwickelt. Davon ausgehend, dass das ja gerade der Sinn der Sache ist. Direkt als Einstiegsfrage nach diesem Abschnitt die Aussage der Anlagenmitarbeiterin. Was haltet ihr denn davon? Wie viel muss man denn für son Modell oder oder was was wünscht man sich denn als Data Scientist, was man denn ausprobieren könnte, auch wenn's dann vielleicht mal in die Hose geht, damit man zumindest weiß, hey, das war schlecht, aber das kann ich jetzt auch in mein Modell mit einfließen lassen. Was sagt ihr dazu? Wünscht man sich manchmal sonen explorativen Spielraum, wo man auch mal die ganze Fabrik zerlegen könnte?
Speaker2: Ja, mit Sicherheit. Das wär natürlich ideal, dass man das alles in der Realität erst mal auch ausprobieren kann, was man sich so vorstellen kann und alle möglichen Daten damit generieren. Aber wenn man damit potenziell möglichst viel Ausschuss generiert auch, dann kriegt man sofort Ärger. Und da ist natürlich dann das Interesse quasi des Kunden, ne, dass das, wenn die Anlage läuft und die eingestellt ist, dass man da möglichst wenig oder ja, möglichst nicht ohne guten Grund da noch dran rumspielt. Und dann ist immer die Frage, kann man da vielleicht etwas raushandeln, dass man etwas leicht verändern kann, wenn das den wenn man begründen kann, warum man jetzt gerne die Anlage etwas austesten möchte, wenn zum Beispiel als Teil des Projekts tatsächlich ins Auge gefasst ist, Parameter zu ändern, dann kann man auch gut argumentieren, dass man das vielleicht etwas ausprobieren möchte und jetzt vielleicht ein bisschen mit der Anlage rumspielen möchte. Wenn das gar nicht so im Fokus ist, wenn das eher so nicht Beobachten der Anlage geht, dann kann es sein vielleicht, dass man das auch gar nicht gut begründen kann, warum man jetzt an der Anlage rumspielen möchte. Und dann sollte man seinen Spieltrieb 'n bisschen zurücknehmen und vielleicht eher auf der Modellebene
Speaker1: ausleben als in der echten Anlage. Und das vielleicht noch mal klarzustellen, warum wär das denn überhaupt sinnvoll, auch, sag ich mal, schlechte Parametereinstellungen einfach mal zu testen und was da denn Oder also schlechte in Anführungszeichen, das ist schon wertend ausgedrückt, das weiß man am Vorhinein vermutlich noch nicht. Aber was ist denn der Sinn dahinter?
Speaker2: Grundsätzlich ist ja Sinn, dass die Anlage den Prozess oder was man da modellieren möchte, besser zu verstehen. Und je mehr Daten, je je vielfältiger die Daten sind in erster Linie, umso umfassender kann das Verständnis sein. In Machine Learning terms hat man halt dann eben mehr relevante Beispiele, sein Modell besser zu trainieren.
Speaker3: Ich denke aber, für Erikas Use Case hier ist das wahrscheinlich gar nicht so schlimm, weil sie ja Wartungsintervalle vorhersagen will. Da ist es mit den konstanten Einstellungen wahrscheinlich okay, weil's da eher Statusdaten geht. Also oder die, die darauf Rückschlüsse bieten. Oder wie siehst Du's, Stefan?
Speaker2: Ja, ich seh das auch so, dass es aber wirklich direkt darauf ankommt, was ist jetzt das Ziel des Projekts? Ist das hier, die Anlage zu optimieren? Dann steht natürlich im Vordergrund auch, die Parameter anzupassen. Ist das, wenn das wenn das Knöpfe sind, an denen man drehen darf, wenn es einfach nur heißt, sag uns vorher, wann sollen wir das nächste Mal die Anlage abschalten zur Wartung? Dann kann es gut sein, dass es keinen Sinn macht, da jetzt an der Anlage an den Einstellungen rumzuspielen.
Speaker1: Das wurd jetzt in der Story son bissel beiläufig erwähnt, aber die Erika benutzt hier ein Recurrent 0 Network. Kurz, um's anzureißen, was würdet ihr denn sagen, sollte man als Data Scientist auf dem Kasten haben? Also Stefan, Du hast angesprochen, Du fandest es cool, dass bei Eriom die Methoden der Statistik verwendet wurden, die Du auch quasi bei dir in der Astrophysik verwendet hast. Aber gibt's da eigentlich gibt's da irgend 'n Toolkit, wo man sagt, okay, gut, das muss man als Data Scientist draufhaben oder ist es so wie mit den anderen Skills, die man auch nach und nach lernt, weil man halt auch ins kalte Wasser geschmissen wird, wie zum Beispiel son son Business Understanding, dass man quasi son Base Knowledge braucht von Mathematik und und Statistik oder sagt dir, okay, gut, ohne diesen diesen, sage ich mal, eher fachlichen Skill kommt man auf keinen Fall aus.
Speaker2: Gibt's da was? Kommt wieder drauf an, ja. Grundsätzlich sollten einfach die Basis, das Basiswissen ist ganz wichtig und die Fähigkeit, sich schnell reinzuarbeiten. Aber man kann natürlich nicht alle alle Tools, alle Werkzeuge kennen. Und wer viel mit der einen mit der einen Sache arbeitet, meinetwegen mit Spracherkennung oder Sprachauswertung, der hat vielleicht nicht die neuesten neuesten Sachen aufm Kasten, was jetzt Bildverarbeitung betrifft oder umgekehrt. Das heißt, wenn man denkt, man spezialisiert sich auf 'n bestimmtes Gebiet Thema, dann ist es sehr gut, wenn man da auch die neuesten Werkzeuge und Tools wirklich drauf hat. Aber jetzt so im Allgemeinen ist es wichtiger, dass man schauen kann, was gibt es da überhaupt und was könnte passen für den Use Case und sich dann da möglichst schnell reinzuarbeiten. Was was eben, wenn es heißt, okay, dieses Werkzeug, wenn das jetzt 'n Recurren Neural Network ist zum Beispiel, okay, dann schau ich mir das genauer an und versuch das dann in dem Fall anzuwenden.
Speaker3: Seh ich genauso. Also wichtig ist, dass man sich halt schnell in was reinarbeitet. Und wenn man in seinem Leben noch nie 'n Recurren Neural Network gebraucht hat, hat man's vielleicht auch noch nie benutzt. Aber ist okay, wenn man sich grundsätzlich wenn man grundsätzlich 'n Verständnis für die Thematik hat, dann kommt man da auch schnell hin. Würd hier nur Wort der Warnung, Erika fängt vielleicht zu früh zu kompliziert an. Also 'n Network ist ja schon, geht ja schon bisschen mehr in Richtung Kanone. Und bevor sie da jetzt Also da sind wahrscheinlich in den Daten, die sie kriegt, noch derartige Hunde begraben, dass es erst mal darum geht, die zu finden, bevor man die das Modell oder die Methodik komplexer und mächtiger werden lässt. Wär jetzt zumindest mein Tipp.
Speaker1: Dann als spontane Frage, wir haben's schon so paar Mal angerissen, aber da jetzt der Stefan auch da ist, muss es noch mal gefragt werden, wie ist es denn mit den Physikern und Data Science? Also der Theophysiker, Du Physiker, Maxime, der Maxime, der Stefan jetzt auch. Was sind denn das für für Skillsets, die einem in der Physik beigebracht wird? Werden die jetzt einfach als Data Science Data Scientist scheinbar auch unersetzlich sind? Oder seid ihr einfach nur 3 Ausnahmen der Ausnahme Data Science Koryphäen der Physik, die quasi ihren Weg in die Industrie gefunden haben?
Speaker2: Ja, was lernt man denn als Physiker? Meiner Erfahrung nach lernt man, ein Problem zu verstehen und zu durchdringen und daraus ein Modell zu basteln und damit auch irgendwas auszurechnen. Und man lernt ja rechnen, man lernt statistische Grundlagen Und das sind alles Fähigkeiten, die einem helfen bei Data Science. Was halt dazukommt, hatten wir vorhin schon angesprochen, ist die Soft Skills auf alle Fälle, die vielleicht jetzt nicht immer so im Studium zum Beispiel so stark da gelernt werden.
Speaker3: Also abgesehen von dem, was Stefan gesagt hat, find ich, gibt's da, glaub ich, sonen generellen Effekt. Wenn man sich anschaut, die früh Informatik gemacht haben, bevor Informatik als Studium angeboten wurde, waren auch viel Physiker. Und dann irgendwann kommen die, die's von der Pike auf gelernt haben und dann sind die Physiker erst mal so mehr oder weniger wieder bisschen raus und vielleicht passiert das Gleiche mit Data Science. Dass so in 10, 15 Jahren Du mit 'nem Physikstudium, ja, kannst dich ja umschulen oder so was, ist keine so schlechte Basis, aber im Moment haben wir halt noch nicht die Konkurrenz. Es gibt noch nicht so viele Absolventen, die Data Science von der Pike auf gelernt haben als Komplettstudiengang.
Speaker2: Also Physiker eher als Pioniere 1 neuen Anwendungsfeldes.
Speaker3: Ja, alles, der Physik zu entkommen, ne.
Speaker1: Wie schaut's denn aus noch mal im Bezug auf das, ja, Erkunden des Problems oder oder die die Exploration? Irgendwann muss man ja auch einen Schlussstrich dahinterziehen und das Projekt auf, ja, auf eine Zielgerade bringen und das irgendwie in Richtung Abschluss bringen. Wie schaut das denn da genau aus, dass man sagt, okay, gut, ich könnt jetzt superviel noch erfahren über den Prozess, aber kann jetzt nicht mehr. Weil irgendwann ist auch Schluss, weil der Kunde denkt sich auch irgendwann, hey, was ist eigentlich mit dem Projekt Maxim?
Speaker3: Ja, da kommt das ganz ins ganz wichtig ins Spiel, was wir mit dem Martin Zugart besprochen hatten. Dass es ein Ziel geben muss, das Projekt, das muss 'n Business Case gerechnet werden sein und daran verknüpft sind auch fürs Projekt. Und wenn ich den Business Case, also wenn der Business Case funktioniert, dann kann ich ja ins Roll out oder ins Deployment gehen, weil dann passt's. Wenn ich jetzt dann okay, wenn ich jetzt dann denke, okay, mit noch mal einem Sprint oder so was kann ich vielleicht doch so und so viel Prozent besser werden, dann kann man das ja auch wieder in Euro übersetzen und dann Kosten Nutzen Rechnung machen. Aber deswegen ist es so wichtig, das Ihnen Geld ausdrücken zu können, also den Business Case gerechnet zu haben, damit man diese Entscheidung informiert treffen kann. Abgesehen davon ist es natürlich auch 'n Ressourcenmanagement. Also wenn klares Ziel ist am Schluss, soll eine laufende Lösung passieren, dann kann man nicht sagen, bis 99 Prozent der Zeit mach ich die Experimente und dann schuster ich das schnell zusammen. Also da muss man dann einfach die Hälfte der Zeit wahrscheinlich dann einkalkulieren, das Ganze nachher stabil und robust und so weiter zu machen, wenn das überhaupt reicht, die Hälfte der Zeit. Also das ist ja das ganze Deployment noch mal 'n großes Thema.
Speaker1: Mhm. Aber da da hatten wir ja auch schon eben auch mit mit dem Martin drüber gesprochen, dass das bissel schwierig ist zu hinzubekommen, weil das diesen diesen Use Case konkret oder dieses Ziel konkret formulieren zu können, muss man ja schon 'n bisschen Exploration betrieben haben oder nicht? Also wo ist dann da dieses dieser dieses ja dieses Wechselspiel, dass man sagt, also okay, ich ich formulier es mal ganz, ganz simpel. Ich mach son bisschen Exploration, kann mein mein Ziel formulieren und dann mache ich noch mal Exploration oder wie wie schaut das genau aus? Oder oder exploriere ich eine Zeit lang, formuliere das Ziel und dann leg lege ich los mit mit dem, ja, mit dem Modellieren noch mal genau oder wie wie wie schaut das genau aus? Weil dieses Formulieren des Ziels, das ist ja irgendwie, die steckt ja irgendwo mittendrin in der Exploration oder nicht? Ja, zum Teil schon.
Speaker2: Es kann sein, dass von vornherein klar ist, was ist das Ziel, aber das Ziel ist meistens etwas schwammig und dann ist Teil der Exploration wirklich okay. Wäre das ein sinnvolles Ziel? Und manchmal ist es ernsthaft einfach auszurechnen, tatsächlich diese Analyse machen vom Geschäftlichen her. Würde es sich lohnen oder ab wann würde es sich lohnen? Kann man abschätzen, zum Beispiel wie gut irgend eine Vorhersage oder einen Gewinn an Kapazitätszeit oder was auch immer ist, damit es sich lohnt. Und das wäre am Anfang Teil des Projekts. Und das müsste man einplanen am Anfang die Zeit und dann muss aber eigentlich auch der zeitliche Rahmen schon gesteckt sein, dass man sagt, okay, meinetwegen jetzt die ersten 2 Wochen, schau dir das mal an, finde mal raus und dann muss da erst mal eine Antwort kommen. Das muss relativ am Anfang des Projekts sein. Das kann man dann auch eben sagen, das ist Exploration, aber das ist nicht ewig rumspielen und weiter versuchen und noch irgendwie versuchen, 'n neues Modell zu finden, sondern das ist eine andere Geschichte noch. Da da geht man noch gar nicht in das Detail, welches Modell genau oder so. Da geht's wirklich diese überschlägigen Abschätzungen.
Speaker3: Unabhängig davon muss der Business Case aber eigentlich, also die der hängt ja nicht so sehr vom Data Science Inhalt ab, sondern da muss einfach damit es sich lohnt, brauch ich eine konkrete Verbesserung. Ob Data Science der Weg dahin ist, ist ja vollkommen irrelevant dafür. Das heißt, die diese Verbesserung und wie man die in Geld ausdrücken kann, das steht idealerweise ganz am Anfang. Natürlich wird das mal nach Geschäft, wo man merkt, okay, ich kann vielleicht nicht a machen, aber ich kann b machen und dann adaptiert man, aber das muss immer im Blick behalten werden.
Speaker1: Mhm. Zum Beispiel in dem Beispiel von der Erika wär's okay, ja, ungeplante Erwartungen vermeiden so als Ziel.
Speaker3: Na ja, was kostet mich eine geplante Wartung? Was kostet mich eine ungeplante Wartung? Was kostet es mich, wenn ich geplant warte, obwohl's eigentlich noch so und so lange hätte weiterlaufen können? Das kannst Du dann mit 'n paar Annahmen durchrechnen und dann weißt Du, okay, welche quasi Vorhersagegenauigkeit brauchst Du, damit die geplante Wartung, die im Durchschnitt mehr quasi bringt an vermiedenen Ausfällen gegenüber unnötigen zu frühen Erwartungen. Und wenn Du glaubst, also dann hast Du 1 1 1 1 irgend eine rote Linie in Prozent von mir aus zwischen false positives und false negatives oder wie auch immer Du's ausdrücken willst. Ja, und wenn Du jenseits der roten Linie bist, kannst Du grundsätzlich sagen, jetzt wird der jetzt wird der Use Case ausgerollt. Wenn Du natürlich dann noch Zeitbudget übrig hast und sagen, ja, vielleicht schaff ich ja noch ein, 2 Prozent mehr. Okay, kannst Du machen. Aber Du weißt erst mal, wo diese rote Linie liegt. Und wenn Du die rote Linie nicht erreichst, dann brauchst Du ja, also dann gibt's noch keine Exploitation. Dann kannst Du halt höchstens sagen, ich ich zieh die Reißleine und schreib das auf, was ich rausgefunden hab, weil mit weiteren hab ich auch keine Hoffnung, da drüber zu kommen. Gut, dann zum
Speaker1: Abschluss noch mal Bezug genommen auf die Erika und ihren Use Case. Da gab's schon kritische Meinungen dazu vom vom Jan und dem Theo aus der ersten Folge. Die sahen Predictive Maintenance generell son etwas problematische etwas problematisch, weil's da viele Beispiele gibt, die einfach, ja, nicht funktionieren oder nicht funktioniert haben. Was ist denn eure Meinung zu Predictive Maintenance? Findet ihr, das sind grundsätzlich immer valide, ja, Use Cases? Hat das schon oft geklappt? Weil es ist oft so das 1., was man, ja, von der produzierenden Industrie so als Grundidee oder als Beispiel bekommt. Habt ihr Erfahrungen mit Predictive Maintenance? Habt ihr da schon bei Use Cases mitgemacht, die nicht geklappt haben, geklappt haben? Was ist da eure Meinung dazu?
Speaker2: Also ich kann ein Beispiel nennen, da war das Ergebnis, dass die Vorhersagegenauigkeit für Ausfälle so ungenau ist, dass es sich eigentlich nicht lohnt, geplant zu warten, sondern warten, bis die Anlage ausfällt und dann zu warten. Das war das Ergebnis. Okay, wow. Sind natürlich auch Erkenntnisse. Dazu viel dazu, wie viel Predigt mein Internet manchmal wert ist. Aber ich glaub, in die Richtung in die Richtung geht es dann oft, dass eben dort dann genauer auf den Prozess geschaut wird. Und am Ende ist es vielleicht dann einfach nur ein besseres Monitoring der Anlage und das, was man unter Predictive Maintenance, das da 'ner Vorhersage stattfindet, dass das gar nicht das Entscheidende ist, sondern dass man genauer hinschaut, auf welche Parameter muss ich denn gucken? Und wenn ich sehe, da ist irgend 'n irgend 'n Zeiger geht in irgend eine Richtung, dann einfach ganz klar, okay, jetzt muss ich zum Beispiel warten, weil es zeigt mir direkt an, dass es da 'n Problem gibt. Das könnte dann vielleicht das Ergebnis sein, dass natürlich dann nicht im klassischen Sinne Predictive Maintenance, aber dann doch eine verbesserte Wartung der Anlage als Resultat.
Speaker3: Wenn ich mich richtig erinnere, Stefan und richtig verstehe, welches Projekt Du meinst, dann war aber vor allem da weniger die Vorhersagegenauigkeit das Problem, sondern das, als wir dann irgendwann verstanden hatten, was deren Kostenstruktur ist, dann haben wir denen gesagt, Moment, die ungeplante Wartung kostet euch nicht mehr als oder nicht wesentlich mehr als die geplante Wartung. Und dann ist natürlich der triviale Schluss, na ja, dann lasst laufen, bis es kracht. Also wofür dann geplant warten, wenn ich davon nichts gewinne?
Speaker1: Genau. Ja, also so die den Eindruck hatten den der Jan und der Theo auch, dass es quasi oft einfach der der Value, der da der da am Ende rausspringen soll, ist einfach nicht so riesig, als dass das was als dass das was bringt. Also ich weiß noch, das das Beispiel, was da gebracht wurde, war irgendwie auch von 'ner Anlage, wo man wo quasi die die Wartung mehr kostet, als einfach das Teil zu ersetzen. Also das war auch, also das Teil, was da dann üblicherweise kaputtgeht, zu ersetzen. Und das war da war dann auch die Antwort, klar, okay, gut, da wartet man einfach und ersetzt das Teil und dann, also warten im Sinne von abwarten und ersetzt das Teil und dann geht's weiter. Also ja, so kann's gehen.
Speaker3: Mein Problem bei Predictive Maintenance ist häufig, wenn wir, weil wir haben ja vorhin über das Exploit versus Explore versus Exploit gesprochen, dass es quasi gar keinen Explore gibt. Man kommt irgendwohin und man sieht sogar, der Business Case würde stimmen, wenn man die Ausfälle vorhersagen könnte. Aber dann fragt man, wie viele ungeplante Ausfälle hattet ihr denn? Sagen, nee, ja, nie, weil wir warten halt immer vorher. Das heißt, es wurde nie getestet. Also es wurde nie die Datenbasis geschaffen, mit der man mal abschätzen könnte, wie lang dauert's denn, bis so was ausfällt? Sollen wir mal die regulären Intervalle viel zu eng sind. Und das ist halt häufig 'n Problem bei Bauteilen, wo es interessant wäre, dass halt nie jemand das Risiko eingegangen ist, halt die nötigen Informationen zu sammeln. Und dann ist natürlich schwer, da 'n gutes Projekt zu machen. Ich glaub 'n
Speaker2: vielleicht typisches Beispiel dafür sind Autos, wenn man ein Auto hat und dann gibt's Wartungsintervalle, die man hoffentlich einhält. Und da wird dann nach soundso 1000 Kilometern das und das ausgewechselt, damit halt nicht der Fall eintritt, dass 'n Teil ausfällt. Wenn irgendwie der Zahnriemen ausfällt und dann der Motor kaputtgeht, ist natürlich teuer, viel teurer als vom Zahnriemen auszuwechseln. Deswegen sind da die Wartungsintervalle wahrscheinlich sehr konservativ gewählt. Und so ist das wahrscheinlich auch bei vielen Anlagen in der Produktion zum Beispiel.
Speaker1: Gut, dann sage ich vielen Dank an euch beide, Stefan und Maxim. Toll, dass ihr dabei wart. Hat mich sehr gefreut. Spezialausgabe heute eben, Erium intern, toll, dass ihr da wart und ja, vielen Dank.
Speaker2: Ja, auch danke.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The Erion Podcast.