Wie kann man Data-Science in Unternehmen einsetzen?

00:00:00: So eine neue Folge vom Ailionauten Podcast ich sitze hier mit dem Alex beim

00:00:06: schönsten ambienta der Podcast Geschichte ich meine es ist auch nicht so schwer glaube ich bei dir kurz nanzer an folgen mal schauen welches Ambiente noch folgen wird wir sind auf Mallorca also fährt ein bisschen Hintergrundgeräusche zu hören sind das ist gewollt.

00:00:19: Unser heutiges Thema wird sein dass wir gemeinsam mal so ein bisschen überlegen wie wird künstlich Intelligenz bzw machine learning bei einem mittelständischen oder auch allen Unternehmen.

00:00:31: Insbesondere in Deutschland wahrgenommen welche Möglichkeiten gibt es sowohl aus Unternehmenssicht vielleicht auch ein bisschen aus Dienstleister Sicht aber bevor wir da einsteigen Alex hallöchen euch gerne mal ein bisschen was zu dir,

00:00:43: ja ich bin der Alex ich bin jetzt seit fast acht Jahren Geschäftsführer von der Elio.

00:00:49: Und ja vielleicht auch so paar Worte zu mir spiel gern Tennis ich mag Hunde und ich mache Data-Science und darüber reden wir heute und hat sächlich sehr schönes Ambiente.

00:00:59: Man sieht den Sternenhimmel Mann hat ein Pool und wir reden über spannende Themen von daher.

00:01:04: Freue mich drauf genau ich glaube einen halben Meter ist es bisschen Wasser rein extra so gewählt ja.

00:01:11: Ich meine Alex du bist Geschäftsführer du bist im Bereich sei jetzt mal Dienstleistung consulting unterwegs und hast dich da mit deinem Unternehmen

00:01:20: indem ich auch bin auf Data-Science und künstlich Intelligenz spezialisiert vielleicht mal eingehen als Frage glaubst du das Thema ist in Deutschland angekommen in Unternehmen.

00:01:32: Ich glaube allgemein hat jeder den Begriff schon mal gehört weil die Sau natürlich jetzt schon seit 123 Jahren gut durchs Dorf getrieben wird

00:01:41: wie immer irgendein Thema durchs Dorf getrieben wird aber ich glaube im Gegensatz zu anderen Themen bei denen die Sau durchs Dorf getrieben wurde haben sich noch wenige wirklich damit beschäftigt

00:01:52: wie Sie es in Ihrem Unternehmen anwenden können sollen wissen nur ganz grundsätzlich was,

00:01:57: KIS und haben sich darüber grob ihre eigene Vorstellung gebildet und vielleicht schon mal ein paar.

00:02:04: Coole Geschichten gehört von den ganz großen Sachen wie

00:02:07: Google und Apple automatisches fahren sind so die klassischen Use-Cases order Staubsaugerroboter der intelligent durch die Wohnung fährt

00:02:16: und das sind meist verbinden Leute erst mit Robotik oder ähnlichem aber wie sie ist jetzt in ihrem eigenen Unternehmen richtig anwenden können für einen Mehrwert das haben sich meiner Erfahrung nach die wenigsten so richtig vergegenwärtigt ohrhaare da fehlt noch die Fantasie.

00:02:31: Jetzt ist natürlich sehr auf Vorteile sag ich jetzt mal eingegangene also du hast die großen Beispiele genannt Google und Apple also man muss ein riesen Unternehmen sein um KI zu machen und machine learning zu machen.

00:02:46: Für welche Art von Unternehmen siehst du diese Thematik denn ich glaube prinzipiell.

00:02:52: Ist künstliche Intelligenz und Data-Science allgemein am Ende.

00:02:57: Nichts anderes als sich zu Gedanken zu machen was für Daten habe ich in meinem Unternehmen und wie kann ich die intelligent nutzen um mir ein Vorteil zu verschaffen.

00:03:07: Und entsprechend ist das denke ich jetzt erstmal grundsätzlich spannend für jedes Unternehmen das in irgendeiner Form Daten hat,

00:03:14: natürlich je nach Größenordnung ist es dann vielleicht spannender eine fertige lizensierte Lösung wo man ein paar Euro pro Monat in dem Abo-Modell bezahlt sie eine fertige Lösung zu liefern,

00:03:26: zu holen und für andere Unternehmen ist vielleicht ein individuelles Entwicklungsprojekt um individuelle Problemstellung zu lösen sinnvoll aber grundsätzlich gibt es KI mittlerweile auch einfach in vielen Produkten die man nutzen kann.

00:03:40: Z.b. fast jeder Onlineshop Lutz in irgendeiner Form KI und Produktempfehlungen an Nutzer auszuspielen da denkt man gar nicht so drüber nach aber in den meisten rekommendation System steckt am Ende KI dahinter das ist kein Hexenwerk und das muss fast jeder.

00:03:54: Jetzt muss man also,

00:03:56: ich ich fühle mich in meiner Antwort mit meiner Frage noch nicht richtig beantwortet für welche Art von Unternehmen bzw für welche Unternehmensgröße ist KI eigentlich sinnvoll aber wenn ich das jetzt so mit einem halben Ohr richtig rausgehört habe würdest du unterschreiben es ist.

00:04:10: Branchenspezifisch sind von Unsicherheit in vielen Branchen und dann aber auch in fast allen Unternehmensgrößen ist das richtig.

00:04:19: Ich würde finitiv sagen allen Unternehmensgrößen wir haben schon mit,

00:04:23: Einmannunternehmen Start-ups ekipy gesetzt für ihr Softwareunternehmen und dort z.b. einen

00:04:29: Pizza für die Software zu ergänzen wir haben mit Mittelständlern gearbeitet sie vielleicht zwei Mitarbeiter hatten wir haben in Großkonzernen gearbeitet die vielleicht sogar DAX notiert waren.

00:04:39: Von daher wir haben zumindest schon in allen Unternehmensgrößen,

00:04:42: Projekte gemacht und Kay in Unterform rein gebracht es ist nicht für jeden sinnvoll am Ende des Tages.

00:04:49: Aber es kann für jede Unternehmensgröße sinnvoll sein,

00:04:53: jetzt hast du natürlich gesagt du hast für alle Unternehmensgrößen schon was umgesetzt bzw umsetzen lassen auch.

00:05:01: Natürlich ist es klar dass die großen Unternehmen alle Daten haben aber wie sieht's denn bei den ganz kleinen Unternehmen aus wie habt ihr das da gemacht.

00:05:09: Ich glaube die Größe ist Unternehmen zusagt Rally erstmal relativ wenig über,

00:05:14: die anzahl der Daten die das Unternehmen hat und die Qualität der Daten die es Unternehmen hat aus also grundsätzlich ist,

00:05:20: ich glaube allgemeinem Data-Science Bereich und wenn man überhaupt mit Daten arbeitet.

00:05:25: Eins der wichtigsten Dinge Datenqualität und Relevanz über Datenmenge.

00:05:31: Das heißt wenn ich eine kleine Datenmenge habe die relevant.

00:05:35: Und qualitativ hochwertig ist kann das nicht gigantische Datenmenge die Mängel aufweist und unzuverlässig ist.

00:05:45: In fast jedem Fall ausstechen wenn es darum geht diese Daten sind voll zu nutzen.

00:05:50: Da stimme ich dir zu ich werd jetzt einfach mal aus meiner persönlichen ich sage jetzt mal Entwickler Erfahrungen rein es muss auch nicht immer nur KI sein es gibt auch häufig sehr statistische Ansätze Anna und die besonders auf,

00:06:03: auch kleine Datenmengen greifen und es gibt natürlich auch kein Methoden die.

00:06:09: Erlaubnis zumindest daten zu generieren bzw auch mit wenig Daten umzugehen damit man sich da mal so ein bisschen was vorstellen kann was mich noch interessiert ist du hast vorhin.

00:06:20: Noch vor diesem Punkt reingeworfen manchmal gibt es fertige Lösung manchmal braucht man

00:06:25: maßgeschneiderte Lösungen verstehe ich da jetzt diese LowCode NoCode Trend oder wie meinst du oder wo worunter verstehst du die fertigen Lösungen hier unternehmen

00:06:35: jetzt mal einfach alles,

00:06:37: Szenario wenn ich mir vorstelle ich habe einen E-Commerce-Unternehmen und ich bin jetzt kein Großkonzern wie Media Markt Saturn oder ähnliches sondern ich bin.

00:06:47: Normaler E-Commerce Händler mit vielleicht 1 bis 5 Millionen Euro Umsatz.

00:06:52: Dann ist das in der Regel kein Szenario wo man anfängt sich eine eigene auf sich ausgerichtete recommendation Engine zurecht zu schneidern mit data scientist wann ist das ernste nachher wo man der Lösung einkaufen würde war es halt sehr gute recommendation engines gibt

00:07:07: die man als Service einkaufen kann und dann für den Service für die Leistung im klassischen saß Modell bezahlt

00:07:14: am Ende ist es wie in jedem Softwareprojekt seine make-or-buy Abwägung und.

00:07:20: Ich kann Onlineshop mir individuell bauen lassen mit allem drum und dran und dafür 50000 € zahlen und ich kann mit schon bei shopify für 50 € im Monat mit fertigen Onlineshop der alles abbildet kaufen am Ende ist es eine Frage,

00:07:33: wie gut ist das Geld investiert und wie viel kriegt da raus.

00:07:36: Das war so die Grund Idee die klassische make-or-buy-entscheidung nehme ich ein fertiges Produkt kann das was es auf dem Markt gibt meine.

00:07:44: Wünsche erfüllen oder macht es mehr Sinn was individuelles zu entwickeln ja das stimmt.

00:07:50: Auch hier ich fühle mich nicht zu 1000% abgeholt aber das ist auch gar nicht schlimm weil die Antwort eben sehr in die Richtung geht schaut was gibt es an fertigen Lösungen wenn ihr kleinen seid oder auch noch nicht mal wenn der kleinen seid aber wenn ihr

00:08:02: das Gefühl hat ihr braucht keinen KI dann

00:08:04: kann man erst mal schauen welche WordPress Plugins gibt es z.b. wenn ihr WordPress nutzt oder welche andere Lösungen gibt es wie ich gerade noch gesagt habe es gibt immer statistische Methoden auch

00:08:15: ich meine machine learning heißt ja auch unter anderem statistical learning aber jetzt schlage ich den Bogen wieder rum ich habe

00:08:21: grad mal so ganz kurz Logout NoCode eingerissen dann wünsche ich so ein kleiner Trend und.

00:08:28: Da würde mich mal interessieren wie nimmst du diesen Trend insbesonderen in der Richtung KI an ist er bei dir schon angekommen siehst du ihn vielleicht bei anderen Unternehmen einen speziellen LowCode NoCode.

00:08:39: Ich glaube die es gibt es diverse Software-as-a-Service Anwendungen die das anbieten,

00:08:45: dass man über locode NoCode use cases KI abbildet.

00:08:50: Ganz klassisch auch in allen großen Cloud-Lösung via WSR oder ficipi gibt es services.

00:08:56: Bei denen man mehr oder weniger seine classifier oder Computer wischen Modelle wo man Bilder erkennt oder ähnliches ich zusammen klicken kann und an sich keinen Programmieraufwand hat.

00:09:08: Von daher ist es definitiv ein Trend der sinnvoll ist.

00:09:14: Und im Zweifelsfall beschäftigt sich aber glaube ich ein Data scientist in data science Projekt auch nicht unbedingt immer nur mit der Softwareentwicklung beim Programmieren sollen auch mit der Datenqualität.

00:09:24: Wo bekomme ich die Daten her wie transformiere ich sie welche Daten sind sinnvoll und so weiter was gebe ich in diese NoCode locode Anwendung rein damit sie am Ende gute Ergebnisse.

00:09:35: Rausbringt das ist sehr glaube ich dir fast wichtiger als ein guter Softwareentwickler zu sein ja.

00:09:43: Ich finde du hast einen großen Teilen recht also LowCode Knockout Kings natürlich super attraktiv um Entwickler und EntwicklerInnen Weg zu abstrahieren

00:09:51: aber es ist schwierig dieser komplett weg so abstrahierend weil man muss eben genau wie du gesagt hast wirklich mal überlegen wie baue ich das jetzt

00:10:00: von von Architektur Perspektive auf und woher nehme ich meine Daten welche Daten brauche ich.

00:10:06: Das ist sehr schön formuliert und an dieser Stelle kann ich nur noch mal betonen mir gegenüber also der alex ist kein Entwickler du bist Geschäftsführer und diese Themen die geradezu natürlich von deinen Entwicklern und EntwicklerInnen auf insofern.

00:10:20: Auch immer das bei den Antworten gerne gerne im Hinterkopf behalten.

00:10:26: Wie ist das denn bei dir Jannis würdest du sagen du hast eine Vergangenheit LowCode oder NoCode Anbindung Erfahrungen gemacht oder hast du das Gefühl dass,

00:10:36: in Brecht Umgebung bei Kunden LowCode NoCode Anwendung auch Entwickler verdrängen bis man da den Aufwand individuelle Entwicklung oder ist es am Ende eher.

00:10:45: Doch so dass die Entwickler.

00:10:48: Die architekturarbeit machen und das Verständnis haben wie eine Applikation und so ein Business Process überhaupt technisch abbildbar ist und da am Ende nicht.

00:10:57: Vorzuschreiben der Haupt Aufwand ist sondern sich das Konzept zu überlegen wie man eine Anwendung um sitzt ich habe.

00:11:05: Aus meiner persönlichen Erfahrung schon ein Hacker sonst teilgenommen an den es speziell um LowCode NoCode ging das war eine relativ interessante Erfahrung auf der meinem Verständnis dann noch ein ganz anderes war.

00:11:16: Das was ich dabei gelernt habe war dass das definitiv ein interessanter Trend ist auch insbesondere im Bereich machine learning,

00:11:23: es gibt bereits viele viele viele fertige Modell und APIs die man nutzen kann und nutzen sollte du hast.

00:11:29: Auch welche genannt von Jean z.b. es gibt die cognitive Services es gibt verschiedene andere Services wie die anomaly detection von Elsa

00:11:37: die quasi vorgefertigte Lösungen liefert und Entwicklern und EntwicklerInnen großen großen großen Aufwand abnehmen kann und demzufolge auch erstmal.

00:11:46: Entwicklungskosten quasi sparen kann mit den laufenden Kosten ist das natürlich immer so eine Sache also man hat immer sehr sehr viele laufende Kosten und oder.

00:11:56: Natürlich in Abhängigkeit der Größe da eine Anwendungen laufende Kosten und man hat natürlich immer eine gewisse Abhängigkeit dieser Plattform die man nutzt und.

00:12:06: Der Trend im allgemeinen der ist super interessant weil der vielen vielen Unternehmen wirklich großartige Möglichkeiten eröffnet er ist aber.

00:12:15: Jetzt hier gerade ist je nachdem wo man unterwegs ist glaube ich noch nicht die perfekte Lösung einfach weil man sehr große Abhängigkeiten zu anderen Services hat bzw Dienstleistern auch

00:12:26: oder Produkten ist glaube ich das bessere Wort einfach weil eine Preiserhöhung verteil sein kann.

00:12:34: Ich meine da haben wir verschiedene Beispiel ich glaube Google Maps war so ein Beispiel welches quasi in einem natürlich mit Ankündigung die Preise erhöht hat aber die,

00:12:43: größeren Firmen die Google Maps in diesem Zeitraum genutzt haben hatten natürlich auch stark damit zu kämpfen die Preiserhöhungen entweder zu tragen oder die Lösung auszutauschen,

00:12:55: auf jeden Fall gerade bei Google Maps ist ein sehr schönes Beispiel wenn man sich abhängig von so einer Drittanbieter Fertiglösung macht

00:13:04: der quasi nach Lust und Laune die Preise anpassen kann was jeder Cloud-Anbieter Mendes Tages früher oder später macht und hyapur die Preise erhöht bei Google Maps gab es am Anfang alles umsonst

00:13:15: ein paar Monate oder Jahre später hat das Ding Unternehmen

00:13:19: die das intensiv nutzen vielleicht 500 € im Monat gekostet und noch ein paar Jahre später haben wir über mehrere 1000 € für die gleiche Nutzung gesprochen das ging dann ruckzuck in die Höhe wo dann auch viele wieder ausweich Produkte gesucht haben wie z.b. hier.

00:13:32: Was aber auch zu home Entwicklungsaufwand führt weil so eine komplette Lösung von einer Fertiglösung zu anderen zu migrieren auch hohe Kosten erzeugt.

00:13:40: Vielleicht eingeworfen mit hier meinst du nicht hier in Mallorca wo wir gerade sind sondern here.com genau die alle ich will jetzt nicht sagen die Alternative zu Google Maps dass er irgendwo eine live Werbung es ist auf jeden Fall genau eine Alternative oder vielleicht auch ein

00:13:53: einfach ein einziges der eben ermöglicht mit GPS-Daten und,

00:13:58: Geodaten wirklich gut umzugehen und auch über Routen nachzudenken und derartige Späße aber ja das war ein kleiner Ausflug

00:14:06: in die Richtung LowCode Knockout ich finde sehr sehr interessant man muss sich das auch im Hinterkopf behalten sonst nehmen dass es solche Möglichkeiten gibt und auch dass man bei solchen Möglichkeiten jederzeit.

00:14:16: Na Fragen und Hilfe suchen kann wenn man Selbsterfahrung nicht hat

00:14:20: das klingt natürlich erstmal sehr sehr sexy sage ich mal meinen kann mit ein bisschen klickibunti Sachen aufbauen ganz so einfach ist es aber selten aber das ist auch nicht unbedingt das interessant dass das zentrale Thema dieses Podcast ist mit Sicherheit ein sehr interessantes Thema

00:14:34: avendoo mit Unternehmen in Gesprächen bist über Data-Science und KI und du stellst.

00:14:40: Dein Unternehmen oder die Dienstleistung vor was hast du das Gefühl was ist dein Gefühl wie wirst du dort wahrgenommen.

00:14:48: Ich glaube der Schlüssel zu dem ganz und das größte learning der letzten Jahre ist das.

00:14:55: Ist eigentlich gerade für unseren Bereich aber ich glaube auch völlig unabhängig von Kay und Data-Science aber besonders starken unserem Bereich nicht sinnvoll ist.

00:15:04: Dienstleistungen oder das Unternehmen vorzustellen so meine Erfahrung ist dass das sinnvollste ist sich zu überlegen ok in welcher Branche.

00:15:13: Ist der potentielle Zielkunde und ihm zwei bis drei Beispiele zu geben.

00:15:18: Was man mit Data-Science oder KI in seiner Branche umsetzen kann ohne Millionenbeträge und ohne Unmengen an Daten mit konkreten Ergebnissen,

00:15:28: und meine Erfahrung ist dass die meisten Leute den meisten Leuten bisher die Phantasie gefehlt hat wie sie Data-Science und KI in ihr Unternehmen reinbringen können und wenn man ihn mal 23

00:15:39: Beispiele aus der echten Welt gibt mit Zahlen Daten Fakten was funktioniert und wie gut es funktioniert

00:15:45: dann fängt es an zu rattern in den Köpfen und dann kommen die von ganz alleine auf 20 Ideen was sie alles in irgend Unternehmen machen wollen auf,

00:15:53: die sie vorher nie gekommen wären und wo man ihn auch stundenlang hätte erzählen können was KI alles kann welches Service ist es gibt welche Modelle ist

00:16:01: und was wir alles tolles machen am Ende des Tages sind Beispiel aus der echten Welt wo Prozesse verändert wurden aus meiner Sicht der sinnvollste Weg um Leute dazu zu bringen darüber nachzudenken wie sie KI einsetzen können.

00:16:13: Gibst du mir natürlich die Steilvorlage schlechthin also wir können jetzt gemeinsam über Projekte reden die wir bereits umgesetzt haben vielleicht gemeinsam vielleicht auch ohne mich ich will sie nicht ganz so einfach machen wir müssen ja jetzt irgendwie beilegen.

00:16:28: Oder wir müssen jetzt irgendwie auch darstellen KI ist keine Raketenwissenschaft zumindest nicht immer und deswegen würde ich dir jetzt mal zwei Beispiele nehmen von denen wir.

00:16:38: Teilweise unterwegs waren aber vielleicht keine echte.

00:16:42: Kann ich das Produkt welches wir bei uns bereits entwickelt haben sondern erstmal etwas wo du überlegen würdest was könnte man denn da machen und ich würde jetzt nicht so einfach machen und zu sagen ich gebe dir jetzt einen Shop

00:16:51: weil das hast du schon gesagt oder commendation Engine ist eine Möglichkeit deswegen sehe ich mit zwei Möglichkeiten auf vielleicht werden es drei mal schauen und du kannst ja jetzt eine mal raus,

00:17:00: schicken wo du dir vorstellen kannst da könnte man jetzt Wirklichkeit drauf anwenden

00:17:06: ich bin völlig unvorbereitete drauf aber auch gespannt was jetzt kommt ist das in Halle mehr man muss dazu sagen ich ich ich darf

00:17:13: der Haus dieses Podcast seine Regel gebe ich so eine kleine outline mit damit keine unvorbereiteten Fragen zumindest nicht so komplette seitenschläge wie jetzt, aber das ist einer dieser seitenschläge aber ich freue mich komplett da drauf.

00:17:27: Zimmer für mal zwei Beispiele zum einen kann man sich vorstellen die haben es eine Maschinenfabrik dass irgendein Laufband da sind Teile drauf und das Unternehmen stellt z.b. fest die Teile die sie nicht immer richtig einsortiert bzw das Laufband fällt doch.

00:17:41: Zwischendurch mal aus das wäre jetzt so so ein.

00:17:44: Eine Vorstellung wo man sich einfach eine Fabrik vorstellt eben zur Produktion und dazu müllverbrennungen weiß es nicht das dass du gleich entscheiden das zweite Beispiel vielleicht, da auch zu wäre ein stinknormaler paketlieferant

00:17:59: oder einem Paket die verhandeln bzw ein Dienstleister der Pakete liefert.

00:18:05: Viel Spaß quasi DHL mehr oder weniger das zweite oder diverse andere wie.

00:18:13: Oh es gibt mir als DHL na ja UPS danke 3D.

00:18:17: Ganz viele Unternehmen über die sich die Leute alle ärgern viel Spaß Alexej gerne aus einem oder vielleicht auch aus bei Mausi nachdem wie lange deine Beispiele seien werden ich habe beiden schon viele Ideen

00:18:27: von daher ich würd einfach mal mit den Maschinen Unternehmen loslegen du hast ja gesagt da fallen,

00:18:33: die Laufbänder aus und die Produktqualität ist vielleicht zuteil mangelhaft oder man hat Probleme in der Fertigung,

00:18:39: ich glaube da gibt es ganz viele klassische Ansätze die man jetzt wenn man aus dem KI Bereich kommt die 1 gleich einfallen zum einen hat man das ganze Thema predictive maintenance

00:18:50: bei dem Mann

00:18:51: versucht über Sensorik Daten die man z.b. direkt aus dem Maschinen erfassen kann oder über Sensoren die man an die Maschine anbringt extern wenn das noch nicht mehr Maschine verbauten verbaut ist Daten zu erfassen.

00:19:03: Und dann über diese Daten frühzeitig zu erkennen wann fällt die Maschine wahrscheinlich aus,

00:19:08: und das vielleicht schon proaktiv verhindern zu können und auch aus welchen Gründen fällt eine Maschine überhaupt aus um diese Gründe analysieren zu können und vielleicht dann auch beheben zu können z.b. könnte man neue Zusammenhänge erkennen,

00:19:22: die sonst vielleicht noch nicht so klar waren z.b. dass bei einer bestimmten Drehzahl des Maschinen Motors in Kombination mit Luft und Druck immer gewisse Probleme entstehen in der Gewissen Abfolge und dann kann man darauf reagieren und.

00:19:36: Vielleicht ein Fixed dafür bereitstellen irgendwann in die Richtung Qualitätssicherung geht dann könnte man sich überlegen ok kann ich vielleicht Kamerasysteme anbringen die die Produkte.

00:19:45: Auf dem Band analysieren und nach Fehlern suchen und dann nur noch punktuell manuell nachprüfen wenn die Akkus sie sich nicht ganz sicher war bei einem Produkt oder ähnliches um manuell Aufwände zu reduzieren

00:19:58: Jennifer super spontane Ideen für den Bereich die so der ganz klassischer Ansatz und

00:20:03: vielleicht kurz eingeworfen accuracy heißt natürlich Genauigkeit auch hier mal kurz erwähnt,

00:20:10: mein blöd als Frage rein geworfen hast du noch Vorstellungen bei welchem Daten Vorrat Zeitraum welche sprechen.

00:20:19: Ich glaube die Frage lässt sich nicht allgemein beantworten.

00:20:23: Aber ich kann z.b. einen Dienstleister der hat das Geschäftsmodell dass die vorgefertigte sind suchen haben die Messen drei Sachen.

00:20:32: Ich meine es war Temperatur Schwingungen.

00:20:36: Sound & Vibration ist vier Sachen jetzt nagel mich nicht drauf fest auf jeden Fall müssen die drei bis vier Werte mit den Sensoren das sind ganz kleine Runde Dinge wie diese Alexa Echo dot so kann man sich die vom Format vorstellen

00:20:49: die werden einfach an der Maschine ran getackert.

00:20:52: Und damit kann man wunderbar die Produktionsdaten von z.b. Maschinen in der Automobilproduktion oder ähnlichem erfassen

00:21:00: und da sind die Erfahrungswerte dass du bereits nach ein bis zwei Monaten Datenerfassung ziemlich genau sagen kannst was Anomalien sind und wann Gefahren Zustände Drogen und so weiter.

00:21:12: Das sind so paar Sachen aus der Praxis z.b. von dem Software-as-a-Service Unternehmen dass das Geschäftsmodell hat das einfach mit einer fertigen Software anzugehen.

00:21:20: Das klingt spannend also wirklich nach einem sehr sehr kurzen Zeitraum muss natürlich auch überlegen wie kriegen wir jetzt die Daten also das ist natürlich ein

00:21:29: timer data Engineering Problem vielleicht unter anderem wenn man das mit einem hohen Datendurchsatz zum Kämpfen hat er noch mal ganz andere Themen man muss natürlich erstmal die Sensoren anbringen aber.

00:21:40: Hast du irgendwie noch Vorstellungen und ich meine das ist jetzt vielleicht auch wieder eine etwas.

00:21:45: Aduro Frage auf die man gar nicht so genau antworten kann aber hast du ein Gefühl dafür wie viele Unternehmen diese Sensoren vielleicht bereits haben oder relativ einfach nachrüsten könnten.

00:21:57: Ich glaube wir über externe Sensorik sprechen dann könnten das.

00:22:02: Wahrscheinlich fast alle Unternehmen im Maschinenbau nachrüsten weiß im prinzipiell einfach nur ein fertiges Gerät an die Maschine dran packen ist das dann über.

00:22:12: Und Konnektor mit dem WLAN verbunden wird was man da normalerweise auch niederbruck zionshalle oder so hat das heißt es kann man Prinzip an einem Tag aufsetzen.

00:22:21: Ready-to-go wenn es um interne sind suricate dann sind die meisten Unternehmen glaube ich relativ schlecht aufgestellt

00:22:27: die meisten unternehme den wir da hingehen gesprochen haben waren gerade in dem Zustand dass sie gesagt haben sie würden gerne und sie beschäftigen sich mit dem Thema

00:22:36: aber das ist ja etwas für die neuen Produktlinien

00:22:39: und dann ist das was zu jung für in ein zwei Jahren vielleicht wo dann die ersten Maschinen bei denen die Daten richtig erfasst werden und in die Cloud gebracht werden und dort verarbeitet werden können bereitstehen von daher die meisten Maschinen.

00:22:52: Der Unternehmer den wir uns unterhalten haben waren noch nicht so gut vernetzt.

00:22:57: Ich ich habe hier irgendwie sowas wie Data-Science ist Neuland Vibes oder Datensammeln ist Neuland weiß habe ich gerade so klingt es für mich zumindest aber das ist überhaupt kein Problem ich find.

00:23:10: Dürfen ultra Spannsystem on wir können da jetzt ewig lang weitermachen vielleicht noch ganz kurz aus meiner Erfahrung dadurch dass es letztens kam.

00:23:20: Es gibt Sensoren die können relativ

00:23:24: einfach Messungen vornehmen es gibt Sensoren die sind vielleicht ein bisschen kompliziert haben und ich hatte jetzt einen Fall indem ich drüber nachdenken musste wie ich wärmekoeffizient Innenräumen z.b. zurück Rechner und.

00:23:38: Bei näherer Betrachtung war das mit einer relativ einfachen Temperaturmessung bereits möglich das bedeutet auch wenn die Sensoren vielleicht nicht so super genau sind

00:23:48: hat man doch relativ häufig Formeln mit denen man auf bestimmte Koeffizienten zurück schließen kann und.

00:23:57: Für mich heißt das auch wenn Sachverhalte komplex sind,

00:24:01: können sie relativ gut mit Sensorik nachgerüstet werden wie es deine Meinung dazu und deine Einstellung würdest du das so unterschreiben das würde ich tatsächlich so unterschreiben am Ende muss man sich natürlich immer den Einzelfall anschauen und prüfen

00:24:14: aber es gibt diverse predictive maintenance Unternehmen die fertige Sensorik Lösung anbieten die wirklich einfach.

00:24:22: Anzubringen ist und Dean Zweifelsfall auch nur 3-4 Werte erfasst die aber tatsächlich völlig ausreichend sind um eine KI Lösung zu bauen die.

00:24:32: Maintrans betreiben kann predictive maintenance jetzt natürlich ein.

00:24:37: Contax in dem man unterwegs ist der besonders in Internet of things Themen bzw vielleicht auch Maschinenbau wenn es nicht sogar in die Richtung geht vertretenes.

00:24:48: Als letztes gebe ich meine sind jetzt schon eine gute halbe Stunde dabei und das ist ja so unsere broadcast länger als letztes würde mich interessieren hast du mit,

00:24:57: irgendetwas zu kämpfen wenn dann das wenn es an das Thema KI Botschaft an Unternehmen geht ich glaube.

00:25:07: Die größte Haus Forderung in dem Bereich ist dass man normalerweise ist man es gewöhnt so aus dem privaten wenn du jetzt online MacBook bestellst so dann.

00:25:17: Weißt du du bezahlst dafür 2700 € das hat dann den neuesten im 1 Prozessor das hat 32 Gigabyte RAM

00:25:25: weil du Entwickler bist natürlich viel RAM brauchst und natürlich hat das auch eine 2 Terabyte Festplatte selbstverständlich weil ansonsten wärst wäre es ja langweilig und dann kriegst du das.

00:25:36: Und wenn du dann feststellst dass ist da gar nicht drin.

00:25:40: Dann bist du sauer und schickst es zurück und mit Recht und dann kriegst du dein neues MacBook oder danke Geld Geld zurück in offener Form klärt sich das dann.

00:25:48: Und wenn wir jetzt mal und Software brauche ich zu denken wird ja schon ein bisschen komplexer da bestellt man ja wenn man jetzt ein Onlineshop sich individuell anfertigen lässt dann ist das dann komplexe SETI Projekt

00:25:59: und auch das hat seine Risiken und drücken und ist schwer planbar wie viel Aufwand ist am Ende wird aber am Ende ist es immer so.

00:26:06: Dass ich genau weiß dass ich es irgendwie umsetzen kann und dass es möglich ist das umzusetzen und darzustellen und es nur die Frage ist wie aufwendig ist es und wie gut stellen wir uns dabei an,

00:26:16: beim Data-Science und KIT bei der Thematik hat man bisschen die Hauptforderung dass man nicht genau versprechen kann was.

00:26:24: Dabei rauskommt wenn man etwas gemeinsam umsetzen will ob jetzt beinahe Braid of maintenance Lösung Mann mit,

00:26:30: 80 prozentige Wahrscheinlichkeit oder 90 prozentige Wahrscheinlichkeit herausfindet.

00:26:37: Ob eine Wartung sinnvoll vorausgesagt wurde oder nicht das weiß man wenn man das Projekt gemacht hat und es dann getestet hat und nicht vorher.

00:26:45: Man kann natürlich ein Kurskonzept mal verproben und das grundsätzlich realistisch ist und wie erste Ergebnisse sind aber ohne das ganze Thema einfach mal zu machen ist es really tell relativ schwierig zu wissen was kommt genau dabei raus,

00:26:59: und darauf stehen Entscheider die Begriffe geben in Unternehmen meistens nicht,

00:27:04: gerade wenn man jetzt so an ein mittleres Management denkt dass in Zweifelsfall den Kopf dafür hinhält oder die Karriere dafür hinhält das neue Investitionsentscheidung.

00:27:13: Aus dem Budget dass sie zur Verfügung haben gut ist und im Unternehmen hilft haben dann große Schwierigkeiten damit.

00:27:20: Sich zu sagen ich weiß nicht genau was rauskommt auch wenn es höchstwahrscheinlich klappen wird ich investiere jetzt und bringe die Mut auf auch mit dem Fehlschlag.

00:27:30: Bin ich ehrlich gesagt noch nie in dem Data-Science fred richtig erlebt habe aber theoretisch kann man es halt nicht versprechen wenn dem Fehlschlag zu leben und dann

00:27:37: fährt man oft doch lieber die sichere Schiene und investiert in bisschen mehr User Experience oder in neues Design oder irgendwelche Themen die Kunden vielleicht gefallen konnten anstatt das nächste KI Projekt anzugehen was halt gewisse Risiken birgt

00:27:51: ich glaube noch nicht mal wirklich dass sich User Experience und KI gegenseitig ausschließen aber das ist nur ne.

00:27:57: Kleinen Monster aus dem letzten Satz etwas was ich vielleicht mitbringen noch ergänzen kann an der Stelle ist dass es nach dem ersten KI.

00:28:06: Einfacher wird

00:28:07: denn es wird nicht immer so sein dass Sachen in der Schwebe sind sie können funktionieren sie müssen es nicht und man kann es nicht garantieren es gibt im Bereich der künstlichen Intelligenz und machine learning relativ viele Möglichkeiten

00:28:20: um gerade dann oder insbesondere dann wenn man bereits bestehende Lösungen hat man kann relativ gut.

00:28:30: Probleme vermeiden bzw schlechtere Performance ist vermeiden und auch identifizieren so dass es nicht immer

00:28:36: das ist sich nicht immer anfühlt wie Russisch Roulette also was ich an der Stelle sagen kann aus eigener Erfahrung nach dem ersten Mal wird deutlich leichter und ich weiß nicht Alex hältst du das für ein gutes Schlusswort oder hast du noch was zu ergänzen.

00:28:49: Was hatte ich für ein sehr gutes Schlusswort was zeigt genau die Erfahrung

00:28:53: beim ersten Mal wenn man noch nie in Data-Science RKI Projekt gemacht hat und dann die Fakten auf den Tisch gelegt bekommt ehrlich und transparent

00:29:01: dann sieht man gewisse Risiken und ist sich nicht sicher ob man die eingehen möchte aber in der Regel laufen diese Projekte.

00:29:09: Gut wenn man sie richtig angeht und plant und dann hat man auch ein besseres Gefühl dafür was damit möglich ist und das nächste mal wird leichter wie alles im Leben

00:29:18: sehr sehr schön da bedanke ich mich sehr sehr herzlich bei Dir und wir werden hier noch ein paar schöne Tage auf Mallorca gemeinsam haben

00:29:26: ich hoffe die Folge war schön und vielleicht nehme sogar noch eine zweite gemeinsam auf hier in dieser Runde unter dem Sternenhimmel Alex mach dir noch einen schönen Abend wir stoßen gleich noch an

00:29:35: und bist du nächsten Mal danke dir.