Simon Kneller

9.10.2019

Position: Data Scientist bei der esentri AG

Schon während meines Wirtschaftsingenieurstudiums am Karlsruher Institut für Technologie (KIT) stellte ich bei diversen Praktika in der Industrie fest, dass es im Ingenieursbereich folgende klassische Herangehensweise zur Lösung von Problemen gibt:

Ein Ingenieur, der sehr gut mit der Anlage vertraut ist und ausgeprägtes Fachwissen über die einzelnen Anlagekomponenten besitzt, stellt eine Hypothese zur Problembeseitigung auf. Danach werden Tests durchgeführt und Daten gesammelt, um die Hypothese zu validieren oder aber um diese zu verwerfen. Dieses Vorgehen erfordert detailliertes Fachwissen und verursacht Zeit- und Kostenaufwände, da isolierte Untersuchungen durchgeführt werden müssen, die Einschränkungen des Normalbetriebs der Anlage zur Folge haben.

Als dann im Masterstudium Kurse wie Maschinelles Lernen in das Lehrangebot aufgenommen wurden konnte, wurde mir eine andere Herangehensweise zur Problemlösung vermittelt:
Methoden des maschinellen Lernens ermöglichen es eine umgekehrte Herangehensweise zu verfolgen, d.h. von den Daten zur Hypothese zu gelangen. So sind beispielsweise Mustererkennungen im Effizienzverlauf einer Anlage möglich, um herauszufinden, welche Situationen häufig zu geringen Wirkungsgraden führen. Aus diesen Mustern lassen sich dann Hypothesen ableiten. Dieses Vorgehen erfordert zwar detaillierte Kenntnisse von Maschinellem Lernen, das benötigte ingenieurstechnische Fachwissen ist jedoch überschaubar, da Hypothesen aus Datenbeobachtungen und nicht aus jahrelangen Erfahrungen mit den entsprechenden Maschinen abgeleitet werden.

Da ich davon überzeugt bin, dass letztere Herangehensweise sehr effizient ist und in Zukunft mehr und mehr an Bedeutung gewinnen wird, arbeite ich seit ca. 1,5 Jahren bei der esentri AG in Ettlingen im Geschäftsbereich Data Science. Unter Verwendung wissenschaftlicher Methoden leiten wir handlungsorientierte Erkenntnisse, belastbare Empfehlungen oder automatisierte Entscheidungen zur Lösung eines konkreten Business-Problems aus Daten ab. Da die Firma esentri AG neben dem Geschäftsbereich Data Science auch jahrelange Erfahrungen in den Geschäftsbereiche Software Architektur und Integration hat, bieten wir unseren Kunden ganzheitliche Lösungen an: Von der Identifikation geeigneter Use Cases über den Aufbau eines Prototyps bis hin zur Integration der Lösung in die kundenspezifische Systemlandschaft.

Durch meinen Ingenieurshintergrund habe ich mich insbesondere auf Data Science Anwendungen in Industrieanlagen spezialisiert. Dazu gehören beispielsweise datengetriebene Wirkungsgradoptimierungen oder Predictive Maintenance Anwendungen.