Frage zu Industrie 4.0 und IoT

[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.

[Mxt]

Aber indirekt kann man da viel über das eigentliche Thema dieses Threads lernen. In solchen Projekten hat man sie dann alle: Den klassischen Heißlufterzeuger und den "Spezialisten für Alles.

[SPSAmeise]

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.

Da Dir offensichtlich zum Thema keine Argumente einfallen, und in vielen Deiner Beiträge nur mit Behauptungen um Dich schmeisst, scheint dies Dein persönlicher Stil zu sein mit den Meinungen anderer umzugehen.
Auf Dein Niveau werde ich mich ganz sicher nicht begeben, dazu gibt es hier zuviele Diskussionspartner, die um einiges reifer sind als Du und vorallem sachlich bleiben.

[i_make_it]

In solchen Projekten hat man sie dann alle: Den klassischen Heißlufterzeuger und den "Spezialisten für Alles.

Den "Spezialisten für Alles" hätte ich gerne an meiner Seite .
Ich habe mich am Freitag auch als "Universalist" vorgestellt, um eine Abrenzung zum Generalisten und zum Spezialisten darzustellen.
Jeder Spezialist in dem Team ist mir überlegen, aber ich kann mich mit den meisten fast auf Augenhöhe unterhalten und auch etwas in die Tiefe gehen.
Mein Vorteil ist es halt recht breit und branchenübergreifend aufgestellt zu sein.
Man muß halt open minded durch Arbeitsleben gehen und manchmal auch bereit sein die Spur zu wechseln und nicht nur auf ausgetretenen Pfaden wandeln.

[SPSAmeise]

...

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.

...

Auch die Mustererkennung in Daten ist alt und hat sich as der Muster und Objekterkennung der Bildverarbeitung in der KI entwickelt.

Es geht nicht um Dein auswendig gelerntes Grundwissen sondern um die heutigen Möglichkeiten und die daraus resultierende Datenqualität.
In den 80ern und 90ern hatten wir es nicht mit Realtime Analytics auf Basis von Big Data und iot Streams zutun, weil uns die Daten und Technologie
gefehlt hat um performante Ergebnisse mit Deep Learning und Analytics in Echtzeit möglich zu machen.
Durch heutige Streaming Systeme und das Potential der bereits erwähnten GPU Lösungen haben wir einige Fortschritte machen können.

Die hohe Flexibilität beim Datastorage und die Datenmengen bieten uns also erst heute die Möglichkeit, die es für effiziente
Lernmethoden und genauere Analysen braucht. Wer soll denn Deiner Meinung nach dem Kunden die Qualität dieser Daten erklären und wer
soll ihn über mögliche Schwachstellen der Modelle aufklären. Die meisten Entwickler und Ingenieure werden wohl eher mit den Schultern zucken
und zugeben müssen, dass sie sich damit nicht so richtig auskennen, und das aus gutem Grund, weil das Data cleaning und die Modelle nicht
in ihren Verantwortungsbereich fallen.

Auf der einen Seite wirkt der ein oder andere von Euch schon fast panisch, in Threads indem es um das Thema Security und Vernetzung geht, aber wenn
wir dann mal über Datenschutz und Datenqualität reden, soll man nach Eurer bisherigen Argumentation ruhig auf unqualifiziertes Personal vertrauen,
die dann auch noch sämtliche Sensordaten durch irgendeine analytische Platform nudeln, von denen der Kunde kaum was versteht, weil es ihnen
nach Eurer bisherigen Vorstellung nämlich auch niemand erklären können wird. Es hat also einen guten Grund weshalb Unternehmen in Data Science investieren,
denn das ist um einiges Zielführender als sich das Geschwafel der 90er anzuhören.

[Mxt]

Den "Spezialisten für Alles" hätte ich gerne an meiner Seite .
Jeder Spezialist in dem Team ist mir überlegen, aber ich kann mich mit den meisten fast auf Augenhöhe unterhalten und auch etwas in die Tiefe gehen.

Bei mir meldet sich da halt das Bauchgefühl, wie bei den erwähnten Praktikern in der Produktion.

Schreibst du über Maschinenbau denke ich als Laie, "aha, ein solide ausgebildeter Praktiker". Je näher die Antwort meinem Arbeitsgebiet kommt, sagt der Bauch "Berater ? Berufschullehrer ?". Es ist dieses Gefühl "so steht es sicher im Lehrbuch, keine Ahnung", jemand der das macht hätte es so nicht gesagt.