Frage zu Industrie 4.0 und IoT

[White_Fox]

@SPSAmeise:
Ich glaube, wir beide haben da eine verschiedene Sicht auf die Dinge-insbesondere auf die Arbeit eines Ingenieurs und die Bedeutung des Wortes "neu".

Wenn das alles so easy und selbstverständlich wäre, würden sich Experten und der Nachwuchs beispielsweise nicht mit Lernmodellen wie der CP Factory von Festo auseinandersetzen, und Firmen wie Cisco würden nicht gemeinsam mit der deutschen Industrie an der IT Infrastruktur arbeiten.

Ich habe mir gerade mal die CP Factory angesehen...auf den ersten Blick erinnert mich das doch sehr an das Produktionsstrassenmodell, daß in meienr Hochschule im Automationslabor steht. Die CP Factory ist vielleicht ein wenig komplexer, aber ich sehe da viele Parallelen. Und damit ist es nichts, was ich als neu bezeichnen würde.

Auch digitalisierte Module als solches sind für Entwickler nicht neu, jedenfalls nicht für jeden Entwickler. Eigentlich nimmt die Modularisierung Einiges an Komplexität aus der Arbeit, denn die Modularisierung läßt ein mehr oder weniger komplexes System zu einer Blackbox mit einer Schnittstelle verkommen. Die interne Funktion interessiert oft nicht mehr, und deren Verständnis wird auch zugegebenermaßen zunehmend unwichtig. Bis Murphys Gesetz zuschlägt.

Das ist viel zu einfach gedacht, in erster Linie braucht es Ausbildung und Erfahrungswerte um mit einer modernen Smart Factory und den neuen Standards umgehen zu können.

Nun, was ist dir denn lieber: Ein Ing der weiß warum er was tut, oder jemand der allerlei Kochrezepte anwenden kann, dessen tieferes Verständnis aber dafür auf der Strecke bleibt. Gerade die Bindestrich-Informatikfächer führen eher zu letzterem, soweit ich das beobachten kann.

Mehr Bindestrich-Fächer führen meines Erachtens nicht zu mehr Fortschritt, es hat auch eher wenig mit Innovation zu tun.

[i_make_it]

Das mit den hochtrabenden Titeln für jeden Mist der aus USA rüberschwappt habe ich schon in ein paar Firmen erlebt.
Da hatte ein Kollege von mir (E-Technik Dipl. Ing.) dann den HPCTRE mit Zertifikat kreiert um das mal etwas zu überspitzen
H-ewlett
P-ackard
C-ertified
T-oner
R-efill
E-ngineer
Und den CASPAM.
C-offee
A-nd
S-moking
P-ause
A-dministarion
M-anager

Es gibt vieles für das man nur einen extra Titel braucht um zu verschleiern, das es einem an gesundem Menschenverstand mangelt. (siehe USA Klagen zu: was man in die Microwelle nicht reintuen sollte)

[SPSAmeise]

@SPSAmeise:
Ich glaube, wir beide haben da eine verschiedene Sicht auf die Dinge-insbesondere auf die Arbeit eines Ingenieurs und die Bedeutung des Wortes "neu".

Ich glaube eher, dass Du Industrie 4.0 und Data Science ein wenig unterschätzt, aber das ist wirklich nicht neu, denn mit der Einstellung bist Du in Deutschland nicht allein.

[i_make_it]

Data Science ein wenig unterschätzt

Dank Verkürzung der Studiendauer mit Einführung von Bachalor und Master, kommt so ein 40 Jahre altes Teilgebiet der Mathematik und Informatik zu einem eigenen Berufsbild.
Für mich wieder ein Spezialist mehr der mit Scheuklappen rumrennt.

Kurz vor Ende meiner Lehre gab es die Neuordnung der Metall- und Elektroberufe mit der besser ausgebildete Fachkräfte zur Verfügung stehen sollten.
Aus meinem Beruf Werkzeugmacher, wurden 5 neue Berufe.
Mit dem Ergebniss von nur halb ausgebildetem (spezialisiertem) Personal, habe ich mich dann 15 Jahre durch X Firmen rumgeschlagen (Bei mir war es noch Pflicht alle 5 Teilbereiche zu lernen).

Als ich im zweiten Jahr meines Maschinenbautechnikers war, hatte Hessen umgestellt auf die Spezialisierung.
Somit gabe es da plötzlich auch 6 Berufe anstelle von einem wie bei mir. Das merke ich bis heute, immer wenn einer kommt und meint das er sich dieses oder jenes nicht spezialisiert hat.
Ich mußte das noch alles in den 2 Jahren lernen. Da gingen halt auch ein Großteil der Ferien drauf und man hat mehrere Wahlkurse über die Pflichtfächer hinaus belegt um gut zu sein.

Da ich feststellen mußte, das in den meisten Projekten die Probleme die interdisziplinäre Kommunikation ist,
wird der Data Scientist das Problem nicht lösen, sondern im besten Fall nicht verschlimmern.

Neu ist bei I40 für Entwickler und Ingenieure wirklich nichts (zumindest für die die in ihrer Ausbildung schon mehr als "nur" das Notwendigste gemacht haben und auch danach sich nicht auf einem Stück Papier ausgeruht haben), man wirft jetzt nur mal wieder ein paar Sachen zusammen die vor X Jahren nicht funktioniert haben und nun dank weiterentwickelter Technik klappen könnten (in einigern Bereich, aber vermutlich nicht überall).

[SPSAmeise]

Dank Verkürzung der Studiendauer mit Einführung von Bachalor und Master, kommt so ein 40 Jahre altes Teilgebiet der Mathematik und Informatik zu einem eigenen Berufsbild.
Für mich wieder ein Spezialist mehr der mit Scheuklappen rumrennt.

Ich stelle fest das Du keine Ahnung auf diesem Gebiet hast.

Der Begriff Data Science wie er seit 40 Jahren existiert , hat mit den heute angewandten Methoden und Modellen nur noch wenig zutun.
Data Science spielt heute eine ganz entscheidene Rolle im Machine und Deep learning.
Denn auch die Lernmethoden für künstliche Intelligenz und neuronale Netze haben sich ein wenig verändert seit den 80er und 90ern.
Desweiteren reden wir von Milliardenumsätzen im Bereich Predictive Analytics und Kostensparende Produktionen durch predictive maintenance,
was ohne IT Vernetzung in der Industrie überhaupt nicht möglich wäre.

Für präzise Modelle braucht es aber nicht nur Kenntnisse in Mathematik und Statistik sondern vorallem verlässliche Datenquellen und Daten von hoher Qualität.
Allein das Data cleaning in einer Real Time Umgebung ist insbesondere durch Big Data und iot eine ziemliche Herausforderung geworden, die nicht mal eben so
von irgendwelchen Eigenbrödlern mit Selbstüberschätzung umgesetzt werden, sondern von Data Science Teams, um je nach Anforderung und Modell
zu einem verlässlichen Ergebnis innerhalb einer analytischen Plattform zu kommen.

Und das sämtliche Maschinen und Sensordaten der Industrie für analytische Zwecke, nicht in die Hände der falschen Teams gehören, bedarf wohl keiner weiteren Erklärung.

[Mxt]

Denn auch die Lernmethoden für künstliche Intelligenz und neuronale Netze haben sich ein wenig verändert seit den 80er und 90ern.

Ne, die grade nicht. Neuronale Netze hatte ich im Studium im Nebenfach E-Technik. So viel hat sich da nicht getan. Nur dass man heute auf GPU-Clustern Dinge laufen lassen kann, für die früher die Computer zu klein waren. Deep Learning als Prinzip wurde damals schon gelehrt. Dinge die heute das Human Brain Project in Software simulieren kann, finden sich schon als Mikroskopaufnahmen in meinen alten Vorlesungsfolien.

Der Rest ist Buzzword Bingo eines unreg, da brauch man nicht weiter zu lesen.

[i_make_it]

Für präzise Modelle braucht es aber nicht nur Kenntnisse in Mathematik und Statistik sondern vorallem verlässliche Datenquellen und Daten von hoher Qualität

Das ist jetzt nicht wirklich neu und hat auch nicht im mindesten was mit Data Science zu tun.
Das ist quasi ein Axiom das bereits seit Entstehung dem Universums gilt.
Daß das von jemand vereinnahmt wird, macht es nicht zu einer Neuheit.
Im Ingenieurswesen arbeitet man eigentlich immer so, sonst gäbe es viel mehr einstürzende Neubauten etc.
Die Finite Elemente Methode ist eigentlich eine reine Anwendung dieses Prinzips um Vorhersagen zur Bauteilfestigkeit machen zu können.
Es handelt sich also wieder um ein altes Prinzip das man auf eine neuen Sektor und mit anderen Mitteln anwendet.

Der Begriff Data Science wie er seit 40 Jahren existiert , hat mit den heute angewandten Methoden und Modellen nur noch wenig zutun.

Allerdings sind auch fast alle Methoden und Modelle nicht neu sondern nur nach langer Zeit aus dem Elfenbeinturm der theoretischen Mathematik in die praktische Anwendung geholt worden.
Größtenteils ist nur die Rekombination neu.

Data Science spielt heute eine ganz entscheidene Rolle im Machine und Deep learning.

Eher umgekehrt, Deep Learning, Deep Data Mining und Maschnelles Lernen spielen heute eine große Rolle in Data Science.
Meine Literatur dazu stammt halt aus der KI Forschung, somit ist das für mich auch alt.
Konkret, mein ätestes Buch ist von 1994 (Addison-Wesley Genetische Algorithmen und Evolutionsstrategien).
Auch die Mustererkennung in Daten ist alt und hat sich aus der Muster und Objekterkennung der Bildverarbeitung in der KI entwickelt.

Denn auch die Lernmethoden für künstliche Intelligenz und neuronale Netze haben sich ein wenig verändert seit den 80er und 90ern.

Das ist üblich das es in über 30 Jahren Weiterentwicklungen gibt.
Wer sowas verschläft, für den ist das dann natürlich neu und überraschend.
Das ist aber in allen Bereichen des Lebens so und kein I40 spezifisches Phänomen.

Desweiteren reden wir von Milliardenumsätzen im Bereich Predictive Analytics und Kostensparende Produktionen durch predictive maintenance,
was ohne IT Vernetzung in der Industrie überhaupt nicht möglich wäre.

OK, dann habe ich 1985 intelligente vorbeugende Instandhaltung gemacht als es noch gar nicht möglich war.
Da muß meine Firma Ihrer Zeit also 30 Jahre vorraus gewesen sein.
Und das Wunder beherscht haben, all das mit einem Mainframe ohne Netzwerk zu machen, da es ja ohne IT nicht möglich wäre.
Lean Management und Lean Production schwappten damas grade aus Asien rüber, also kostensparende Produktion als neu zu bezeichnen ist nicht wirklich sinnig.
In einer Marktwirtschaft ist es immer das Ziel so kostensparend wie möglich zu Produzieren und möglichst teuer zu verkaufen.
Das Prinzip der Gewinnmaximierung ist wohl eher eines der ältesten marktwirtschaftlichen Prinzipien überhaupt.
Auch die Vorhersage von Trends und Ereignissen durch Datenanalyse findet man schon in "die Kunst des Kreiges", das Buch jetzt 2500 Jahre Alt.
Da sollte eine Weiterentwicklung mit angepassten Mitteln und Methoden der Zeit zu erwarten sein.

Allein das Data cleaning in einer Real Time Umgebung ist insbesondere durch Big Data und iot eine ziemliche Herausforderung geworden, die nicht mal eben so
von irgendwelchen Eigenbrödlern mit Selbstüberschätzung umgesetzt werden, sondern von Data Science Teams, um je nach Anforderung und Modell
zu einem verlässlichen Ergebnis innerhalb einer analytischen Plattform zu kommen.

Das größere Projekte von mehr qualifizieretem Personal besser und schneller gelöst werden wie von Laien ist jetzt auch nicht wirklich neu.
Das Prinzip hat zur Arbeitsteilung und Entstehung von Berufen geführt.

[White_Fox]

Dieses Buzzword-Bingo von SPSAmeise erinnert mich sehr stark an den unregistrierten Nutzer Robobionic aus diesem Thread:
https://www.roboternetz.de/community...f-Arduino-Due-!

Lauter tolle, hochmoderne neue Schlagworte gepaart mit der anscheinenden Unfähigkeit, diese Worthülsen mit Sinn zu füllen. Ich schätze, auf mikrocontroller.net ist da jemandem wohl zu langweilig geworden und hat sich hierher verirrt.

[Peter(TOO)]

Hallo,

Für präzise Modelle braucht es aber nicht nur Kenntnisse in Mathematik und Statistik sondern vorallem verlässliche Datenquellen und Daten von hoher Qualität.
Allein das Data cleaning in einer Real Time Umgebung ist insbesondere durch Big Data und iot eine ziemliche Herausforderung geworden, die nicht mal eben so
von irgendwelchen Eigenbrödlern mit Selbstüberschätzung umgesetzt werden, sondern von Data Science Teams, um je nach Anforderung und Modell
zu einem verlässlichen Ergebnis innerhalb einer analytischen Plattform zu kommen.

Das Ganze hat aber noch einen grossen Haken!

Es ist nicht erwiesen, dass unsere Welt überhaupt deterministisch ist.

Die Chaosforschung (Schmetterlingseffekt) und die Quantenphysik, weisen da teilweise in eine andere Richtung.

Viele Trends kann man auch herbeireden, bzw. werden zur Selbsterfüllung. Wenn ein Börsen-Guru schreibt, dass eine Aktie nächste Woche steigen wird, tut sie das auch, aber nur weil alle seine Anhänger sich auf diese Aktie stürzen. Kurz darauf stürzt sie dann wieder ab, weil nur heisse Luft dahinter war.

Ich befürchte, dass wir und eines Tages auf dem deterministischen Glatteis befinden und dann nur die Wahl haben, alles als falsch zu betrachten oder uns diesem Weltbild anzupassen. So in etwa wie dies bei der Astrologie auch abgelaufen ist!

MfG Peter(TOO)
P.S. Wo geht's hier zum Philosophiebrett?

[SPSAmeise]

Hallo,

Das Ganze hat aber noch einen grossen Haken!

Es ist nicht erwiesen, dass unsere Welt überhaupt deterministisch ist.

Da hast Du Data Science und konkret Predictive Analytics komplett falsch verstanden, denn bei solchen Modellen geht es nicht darum eine Kristallkugel zu erfinden,
sondern um mehr Transparenz und Entscheidungshilfen zu bieten. Das bedeutet aber nicht das Entscheider ihre Verantwortung abgeben, und blind auf die Modelle vertrauen.
Es geht einfach nur darum einen tieferen Einblick in die Daten zu bekommen, wie es bei Business Intelligence, Risk Management und Controlling schon immer der Fall war,
nur lässt es sich heute erst mit Hilfe durch iot und Big Data noch um einiges effizienter nutzen.