Seminar GADS – KI, Analytics und digitale Zwillinge

Beschreibung

Die Schulung zeigt, wie GADS-Daten kontrolliert für Analysen, maschinelles Lernen und digitale Zwillinge bereitgestellt werden. Im Mittelpunkt stehen nicht einzelne Algorithmen, sondern die Daten- und Nachweiskette: Auswahl, Qualität, Version, Lineage, Zugriff, Rechenort, Ergebnisrückführung und Überwachung.

Seminarziel

Ein nachvollziehbarer Datenpfad für Analytics- und KI-Anwendungen soll geplant werden können, einschließlich Qualitäts- und Freigabekriterien sowie Rückbindung der Ergebnisse an Fahrzeug, Bauteil, Versuch oder Simulation.

Lernziele

• Den Themenbereich „Anwendungsfälle und Datenanforderungen klären“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Daten auswählen und bereitstellen“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Qualität und Bias kontrollieren“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Feature- und Verarbeitungskette dokumentieren“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Modelle und Ergebnisse rückbinden“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.

Inhaltsübersicht

1. 1. Anwendungsfälle und Datenanforderungen klären
2. 2. Daten auswählen und bereitstellen
3. 3. Qualität und Bias kontrollieren
4. 4. Feature- und Verarbeitungskette dokumentieren
5. 5. Modelle und Ergebnisse rückbinden
6. 6. Digitale Zwillinge strukturieren
7. 7. Betrieb und Überwachung etablieren

Zielgruppe

Data Scientists, ML Engineers, Datenarchitekten, Analytics-Teams, Digital-Twin- und Engineering-Verantwortliche

Voraussetzungen

Grundkenntnisse in Datenanalyse oder Machine Learning; Verständnis von Datenpipelines und Metadaten

Seminarinhalte

1. Anwendungsfälle und Datenanforderungen klären

Kapitelinhaltsverzeichnis: Analysefrage und Entscheidung; Zielvariable und Ergebnis; Datenquellen und Population; Latenz und Aktualität; Qualitäts- und Schutzbedarf; Erfolgskriterium

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Analysefrage und Entscheidung erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Zielvariable und Ergebnis festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Datenquellen und Population entwerfen.
4. Latenz und Aktualität schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Qualitäts- und Schutzbedarf prüfen.
6. Ergebnis anhand von Erfolgskriterium verifizieren und nachvollziehbar dokumentieren.

Praxis: Einen Analytics- und einen KI-Use-Case mit messbaren Datenanforderungen beschreiben.

2. Daten auswählen und bereitstellen

Kapitelinhaltsverzeichnis: Katalogsuche und Filter; semantischer Kontext; Zugriffsfreigabe; Datenlokalität und Rechenort; Snapshot und Version; Export oder In-place-Verarbeitung

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Katalogsuche und Filter erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für semantischer Kontext festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Zugriffsfreigabe entwerfen.
4. Datenlokalität und Rechenort schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Snapshot und Version prüfen.
6. Ergebnis anhand von Export oder In-place-Verarbeitung verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein reproduzierbares Trainingsdatenpaket mit Auswahlkriterien definieren.

3. Qualität und Bias kontrollieren

Kapitelinhaltsverzeichnis: Vollständigkeit und Plausibilität; Repräsentativität und Verteilung; Label- und Messfehler; Leckage und Duplikate; Qualitätsschwellen; Freigabe und Ausnahme

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Vollständigkeit und Plausibilität erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Repräsentativität und Verteilung festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Label- und Messfehler entwerfen.
4. Leckage und Duplikate schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Qualitätsschwellen prüfen.
6. Ergebnis anhand von Freigabe und Ausnahme verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein Datenqualitätsgate für einen Modelltrainingslauf erstellen.

4. Feature- und Verarbeitungskette dokumentieren

Kapitelinhaltsverzeichnis: Rohdaten und Transformation; Feature-Definition; Parameter und Codeversion; Zwischenergebnisse; Lineage und Reproduzierbarkeit; Artefakte und Nachweis

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Rohdaten und Transformation erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Feature-Definition festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Parameter und Codeversion entwerfen.
4. Zwischenergebnisse schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Lineage und Reproduzierbarkeit prüfen.
6. Ergebnis anhand von Artefakte und Nachweis verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine Feature-Lineage von Sensordaten bis zum Trainingsdatensatz modellieren.

5. Modelle und Ergebnisse rückbinden

Kapitelinhaltsverzeichnis: Modellidentität und Version; Trainings- und Validierungsdaten; Metriken und Freigabe; Vorhersage und Ergebnisobjekt; Fahrzeug- und Bauteilbezug; Rollback und Reproduktion

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Modellidentität und Version erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Trainings- und Validierungsdaten festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Metriken und Freigabe entwerfen.
4. Vorhersage und Ergebnisobjekt schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Fahrzeug- und Bauteilbezug prüfen.
6. Ergebnis anhand von Rollback und Reproduktion verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein Ergebnisobjekt mit vollständigem Daten- und Modellbezug entwerfen.

6. Digitale Zwillinge strukturieren

Kapitelinhaltsverzeichnis: physisches Objekt und Identität; Zustand und Zeitbezug; Mess-, Simulations- und Wartungsdaten; Modell und Verhalten; Version und Konfiguration; Nutzungs- und Aktualisierungsregeln

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für physisches Objekt und Identität erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Zustand und Zeitbezug festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Mess-, Simulations- und Wartungsdaten entwerfen.
4. Modell und Verhalten schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Version und Konfiguration prüfen.
6. Ergebnis anhand von Nutzungs- und Aktualisierungsregeln verifizieren und nachvollziehbar dokumentieren.

Praxis: Einen minimalen digitalen Zwilling für ein Fahrzeugsubsystem modellieren.

7. Betrieb und Überwachung etablieren

Kapitelinhaltsverzeichnis: Daten- und Modelldrift; Qualitäts- und Leistungsmetriken; Zugriff und Nutzung; Kosten und Ressourcen; Incident und Rückfall; Review und Neuvalidierung

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Daten- und Modelldrift erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Qualitäts- und Leistungsmetriken festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Zugriff und Nutzung entwerfen.
4. Kosten und Ressourcen schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Incident und Rückfall prüfen.
6. Ergebnis anhand von Review und Neuvalidierung verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein Monitoring- und Rezertifizierungskonzept für eine produktive Analysepipeline erstellen.

Praxisanteile

Die Übungen bauen auf einem konsistenten Automotive-Datenszenario auf. Konfigurationen, Architekturentscheidungen, Prüfprotokolle und Betriebsmaßnahmen werden so dokumentiert, dass sie in ein eigenes Einführungs- oder Betriebskonzept übertragen werden können.