Alle Beiträge von Dirk Möller

Die Produkt-DNA entschlüsseln

Will man sich die Komplexität heutiger Produkte vor Augen führen, lohnt sich ein Blick unter die Motorhaube eines Autos. Durchschnittlich stecken in einem Fahrzeug 100 Kommunikationsbusse, die Informationen innerhalb des Fahrzeugs übertragen, 200 Steuergeräte, die rund 400 Funktionalitäten wie Beschleunigung, Kollisionsschutz, Audio, GPS oder Sitzheizung regeln. Hinzu kommen 2.000 Softwarekomponenten und Anwendungen, die rund 10.000 Signale aus allen Bereichen des Fahrzeugs verarbeiten und austauschen. Von der eigentlichen Hardware gar nicht zu sprechen.

Insgesamt setzt sich ein Auto aus über 30.000 mechanischen Teilen zusammen – von der Schraube über die Windschutzscheibe bis zur Glühbirne. Alle diese Komponenten müssen in unzähligen Konfigurationen zusammen arbeiten, um ein Produkt zu realisieren, das seinen Nutzer nicht nur von A nach B bewegt, sondern gleichzeitig auch alle regulatorischen Anforderungen und Sicherheitsauflagen erfüllt.

Wir erstellen Excel-Tabellen und Stücklisten zur Rückverfolgung, speichern strukturierte und unstrukturierte Daten in ERP, PDM oder DAM/PIM und modellieren mit Hilfe verschiedenster Entwicklungs-Tools. Letztendlich jedoch beschreiben all diese unterschiedlichen Arten von Informationen ein einzelnes Produkt. Noch immer liegt diese Produkt-DNA bei vielen Herstellern verteilt in Datensilos und kann nur in Teilansichten betrachtet werden. Eine einfache und schnelle Navigation durch sämtliche Daten, um zu erkennen, wie einzelne Komponenten im Gesamtkontext zusammen hängen ist damit unmöglich. Mit zunehmender Konnektivität im IoT und IIoT, ist kaum zu erwarten, dass diese Komplexität zurückgeht.

Knowledge Graph & Künstliche Intelligenz

Das Management komplexer großer Datenmengen ist eine Herausforderung und konsequenterweise geht der nächste Schritt in Richtung Künstliche Intelligenz. Knowledge Graphen schaffen einen Wissenskontext aus relevanten Informationen, der Unternehmen dabei hilft bessere Entscheidungen zu treffen und diesen Prozess zu automatisieren.

Eigenschaften eines Knowledge Graphs:

  • Heterogene Daten werden verknüpft, um Informationssilos miteinander zu verbinden und Abhängigkeiten aufzuzeigen.
  • Da Daten allein noch kein Wissen vermitteln, werden nur die Informationen miteinander verknüpft, die über gemeinsame, relevante Attribute verfügen.
  • Dabei sind Knowledge Graphen dynamisch, d.h. sie verstehen warum bestimmte Daten füreinander relevant sind und können entsprechende Zuordnungen über Attribute selbständig vornehmen. Neue Daten müssen somit nicht jedes Mal manuell in den Graphen eingepflegt werden.
  • Intelligente Metadaten ermöglichen Data-Mining bzw. Knowledge-Mining und vereinfachen die Navigation, um tiefer im Graphen nach Detailinformationen zu suchen und Antworten auf völlig neue Fragen zu finden.

KI-Lösungen wie Machine Learning oder Natural Language Processing (NLP) können den Knowledge Graph mit neuen, prognostizierten Datenbeziehungen anreichern. Der semantische Kontext des Graphen wiederum kann von Machine Learning Engines herangezogen werden, um Vorhersagen zu verbessern.

Die Produkt-DNA abbilden

Innerhalb des Produktdatenmanagements kann ein Knowledge Graph dazu genutzt werden, um eine Art Landkarte aller Funktionen eines Produkts zu entwerfen und darauf die Abhängigkeiten anschaulich nachzuziehen. Statt einer Liste aller Funktionalitäten entsteht so ein zentraler Wissens-Hub, der ein Produkt in Gänze abbildet. Über Analytikverfahren lassen sich Schleifen (Loops) im Systemdesign identifizieren, Cluster erkennen, die ideale Sequenz von Prozessen definieren und die Projektplanung optimieren.

Anschaulich lässt sich das wieder am Beispiel des komplexen Produkts „Auto“ zeigen: Die meisten Fahrzeuge lassen sich per Funkschlüssel ver- und entriegeln. Drückt man lange genug auf den Knopf, werden neben den Türen auch offene Fenster und das Schiebedach geschlossen. Überträgt man diese Funktionalität in einen Knowledge Graph ergibt sich ein Modell aus vier Knoten, die über Kanten miteinander verbunden sind: übergeordnete Funktion „Öffnen/Schließen“, Zentralverriegelung Türen, Fenster und Sonnendach.

So simpel das Modell auch wirkt, enthält es eine Reihe an nützlichen Informationen für das Entwicklerteam. Intuitiv lässt sich nachvollziehen, dass die Änderung einer Funktion sich unmittelbar auf die anderen auswirkt. Bei Re-Designs und Anpassungen sollten Entwicklerteams der jeweiligen Funktionen deshalb eng miteinander zusammenarbeiten, um auch weiterhin die Gesamtfunktionalität sicherstellen zu können. Die jeweiligen Ansprechpartner, die es zur nächsten Projektbesprechung einzuladen gilt, lassen sich ebenso im Knowledge Graph finden. Hinzu kommen weitere Produktfunktionalitäten, die mit der Funktion „Öffnen/Schließen“ direkt verknüpft sind – beispielsweise das automatische Deaktivieren der Scheinwerfer und der Innenbeleuchtung oder das kurze Audio- und Lichtsignal beim Betätigen des Autoschlüssels, das anzeigt, dass das Fahrzeug tatsächlich verriegelt ist. Dieses Lichtsignal ist wiederum Teil der Funktion der Warnblinkanlage.

Komplexität managen

Die Liste an solchen Abhängigkeiten ist schier endlos und die Komplexität enorm. Für Hersteller rücken dabei zentrale Fragen in den Vordergrund: Wie kommt es zu Abhängigkeiten zwischen Komponenten und Funktionalitäten? Wodurch entstehen im Produkt-Design Synergien oder Schwachstellen? Wird das richtige System und das effizienteste Tool genutzt? Welches Mindestmaß an Komplexität ist erforderlich, um alle Anforderungen an Qualität, Sicherheit und Nutzerfreundlichkeit zu erfüllen? Erst wenn Hersteller die DNA ihrer Produkte verstehen, lässt sich Komplexität nicht nur minimieren, sondern auch nutzen.

Produktdatenmanagement: Von Kinderspielzeug und hochkomplexen Autos

Datensilos, historisch gewachsene Systeme und heterogene Produktdaten stellen Hersteller vor eine zentrale Herausforderung: Wie lässt sich eine ganzheitliche Betrachtung entlang der Wertschöpfungskette realisieren? Herkömmliche Produktdatenmanagement-Systeme (PDM-Systeme) können die verschiedenen Produkt- und Prozessdaten nur speichern. Um aber die abteilungsübergreifenden Zusammenhänge zu erfassen – vom Design über Materialbeschaffung und Produktion bis zum Vertrieb und After-Sales-Management – eignen sie sich nur begrenzt. Andere Datenbanktypen sind deutlich besser geeignet, um vernetzte Daten abzufragen, Workflows zu vereinfachen und einen echten Mehrwert zu erzeugen.

Informationen im Kontext durch Graphtechnologie

Graphdatenbanken ermöglichen es, Datensätze und ihre Beziehungen untereinander in Echtzeit abzufragen. Ein Graph besteht dabei aus Knoten (z. B. Produkt, Materialkomponente, Lieferant) und Kanten (z. B. „enthält“, „geliefert“, „erfüllt Norm“). Beiden kann eine beliebige Anzahl qualitativer und quantitativer Eigenschaften zugewiesen werden, z. B. Spezifikationen und Liefermenge.

Überträgt man dieses Datenmodell auf PDM-Systeme entsteht ein reichhaltiger Kontext an Informationen, der den Datenverbindungen einen besonderen Stellenwert einräumt. Anwender können in Echtzeit Informationen wie Stücklisten, CAD-Daten, 2D- und 3D-Daten und Fertigungsanweisungen von einem bestimmten Produkt abrufen. Ein weiterer Vorteil dieser Technologie ist die Skalierbarkeit des Systems und die Möglichkeit Daten jederzeit zu ergänzen. Informationen zu neuen Materialien, Lieferanten, gesetzlichen Vorgaben oder Vertriebspartnern lassen sich daher schnell und einfach aktualisieren.

Mit vordefinierten Zugriffsrechten können Zugangsberechtigungen an Partner und Lieferanten vergeben werden. Auch intern lässt sich so sicherstellen, dass Mitarbeiter nur auf die für ihre Aufgaben nötigen Daten Zugriff erhalten. Unterm Strich können Hersteller so Zeit in der Entwicklung und Produktion sparen, ihre Time-to-Market verkürzen und folglich Kosten reduzieren. Gleichzeitig unterstützen graphbasierte PDM-Systeme die Hersteller dabei, alle Anforderungen in Bezug auf Qualität, Norm und Rückverfolgbarkeit einzuhalten – von der Spielfigur bis zum Auto.

Graph-Produktdaten

Quelle: Neo4j

Heterogene Daten bei Spielwarenherstellern

Der Spielzeughersteller Schleich nutzt für sein PDM-System die Graphdatenbank Neo4j für die effiziente Entwicklung und Herstellung seiner Spielwaren. Alle produktspezifischen Daten sind in der Graphdatenbank konsolidiert mit dem Ergebnis, dass eine zentrale Informationsplattform mit Schnittstellen zu anderen Systemen entsteht. Mit anderen Worten: Mit wenigen Klicks stehen den Mitarbeitern umfassende Informationen zu jedem Spielzeug zur Verfügung: Aus welchen Materialien besteht eine Schleichfigur? Von welchem Lieferanten stammen die einzelnen Komponenten? Welche Inhaltsstoffe müssen angegeben werden? Und auf welchen Absatzmärkten gelten welche Compliance-Richtlinien? Gerade im Spielwarenbereich müssen länderspezifische Qualitäts- und Sicherheitsstandards eingehalten und stetig auf Änderungen überprüft werden.

Die hohe Skalierbarkeit und Flexibilität vereinfacht und beschleunigt zudem die Entwicklung von abteilungsspezifischen Software-Lösungen. Schleich erarbeitet auf dieser Basis in nur wenigen Tagen Mini-Apps mit flexiblen Front-Ends, die auf die Bedürfnisse verschiedener Fachabteilungen zugeschnitten sind. Die Apps unterscheiden sich unter anderem in ihrer Oberfläche und Bedienbarkeit und können auf funktionale Bausteine zugreifen.

Teilkomponentenmanagement in der Automobilindustrie

Noch komplexer als die Produktion eines Kinderspielzeugs ist das Teilkomponentenmanagement in der Automobilindustrie. Moderne Fahrzeuge verfügen über rund 30.000 Baugruppen, 2.000 Softwarekomponenten, 200 elektronische Steuereinheiten und 100.000 verschiedene Konfigurationen. Systeme wie Infotainment, ADAS und weitere Anwendungen sorgen dafür, dass die Anzahl an Teilkomponenten mit unterschiedlichen Spezifikationen in den Fahrzeugen weiter zunimmt – und somit auch die Notwendigkeit für ein effizientes PDM-System. Oftmals werden die riesigen Datenmengen von Automobilherstellern in verschiedenen Tools eingespeist, wodurch abteilungseigene Datensilos entstehen, die die Sicht auf das „Big Picture“ verstellen.

Auch hier können Graphdatenbanken Abhilfe schaffen, da sie es ermöglichen, zentral auf Daten zu zugreifen. Das Potenzial der Technologie für Automobilhersteller und -zulieferer ist groß. Verschiedene Systeme, wie ERP, PDM oder Procurement können miteinander verbunden werden, um Datenzusammenhänge und neue Perspektiven aufzuzeigen und um ein besseres Verständnis für komplexe Abhängigkeiten zu gewinnen. Gleichzeitig lässt sich das Datenmodell jederzeit bei Änderungen anpassen. So nutzt beispielsweise auch der Automobilhersteller Volvo die Graphdatenbank Neo4j als Schnittstelle zwischen verschiedenen Systemen, um Abhängigkeiten aufzuzeigen und zentral auf das gesammelte Know-how zurückzugreifen.

Graphbasierte PDM-Systeme schaffen so ein neues Maß an Transparenz in der Supply Chain. Sie versetzen Hersteller in die Lage, echten Mehrwert aus ihren Produkt- und Prozessdaten zu ziehen.

NASA nutzt vernetzte Daten mit Hilfe des Knowledge Graph

Unternehmen versuchen seit jeher ihr geballtes Wissen an Erfahrungen, Know-how und Informationen effizient zu nutzen. Mit Big Data und dem IoT hat das Erfassen, Teilen, Analysieren, Nutzen und Verwalten des gesammelten Unternehmenswissens jedoch eine neue Dimension angenommen, die mit herkömmlichen Datenbanksystemen kaum noch zu bewältigen ist.

Datensilos sowie eine fehlende Vernetzung von Systemen (z. B. ERP, PDM, CRM) erschweren es, eine ganzheitliche Datengrundlage zu schaffen, die als Sprungbrett für Innovationen dient, neue Einblicke eröffnet und eine effektive Entscheidungsfindung ermöglicht. Dabei reicht es nicht, die Daten und die Beziehungen zwischen den Daten zu speichern. Entscheidend ist es die vernetzten Daten nutzbar und zugänglich zu machen. Fehlt Führungskräften, Projektleitern und Forschungsteams der Zugang zu relevanten Informationen bleibt vorhandenes Wissen ungenutzt. Neue Projekte müssen so immer wieder bei null anfangen und ähneln oft einer nie endend wollenden Sisyphos-Arbeit, die Ressourcen, Zeit und Kosten verschlingt.

NASA: Lessons Really Learned?

So erging es auch der Weltraumorganisation NASA. In einer kontinuierlich wachsenden Lessons Learned-Datenbank wurden Projektdokumentationen aus über fünf Jahrzehnten Weltraumforschung festgehalten – angefangen bei der Apollo-Mission in den 60er Jahren. Die Forschungsunterlagen, Dokumentation zu Projekten, Fehleranalysen, Risikobewertungen und Best Practices stellen einen unglaublichen Wissensschatz für NASA dar – allerdings war es schwierig diesen Schatz auch tatsächlich zu bergen.

Mit zunehmendem Umfang der Datenbankgröße wurde die interne Schnittstelle für die Abfrage der Datensätze schlichtweg zu komplex. So lieferte beispielsweise eine Suche von 23 einfachen Stichwörtern in den über 10 Millionen Dokumenten der Datenbank eine Liste von 1.000 Treffern. Jede gefundene Datei musste heruntergeladen und jeder Inhalt einzeln auf Relevanz überprüft werden. Die Keyword-Suche basierte zudem auf einen PageRank-ähnlichen Algorithmus. Häufiger aufgerufene Dokumente standen deshalb ganz oben auf der Trefferliste, und nicht weil sie über relevanten Inhalt verfügten.

Knowledge Graph – Semantischer Wissenskontext

Eine effektivere und dauerhaft nutzbare Lösung war gefragt. NASA implementierte dazu eine Projektdatenbank, wobei die heterogenen Daten in einem sogenannten „Knowledge Graph“ abgelegt sind. Graphtechnologie eignet sich ideal um insbesondere heterogene und vernetzte Daten zu speichern und abzufragen. Daher kommt sie überall dort zum Einsatz, wo Daten innerhalb eines Unternehmens logisch miteinander verknüpft sind – im Projekt- und Dokumentenmanagement aber auch bei Recommendation Engines von Online-Shops, bei der Aufdeckung von Betrugsfällen oder in PDM- und MDM-Systemen für eine transparente Supply Chain.

Die Daten werden im Graphen als Knoten, die Datenbeziehungen als Linien dargestellt. Beziehungen sowie Ursache-Wirkungs-Zusammenhänge lassen sich so anschaulich visualisieren. Es entsteht ein semantischer Kontext, der wächst, je mehr Daten zum Graphen hinzugefügt werden. Dabei bleibt die Abfrageperformance gleich und liefert relevante Ergebnisse innerhalb von Millisekunden. Darüber hinaus können alle Daten sowie die Verknüpfungen zwischen den Daten indiziert werden. Die genaue Klassifizierung von Datensätzen und Querverbindungen ermöglicht es, über Stichwörter direkt in Dokumenten zu suchen und sehr schnell die richtigen Informationen zu finden.

Einsatz: Weltraumkapsel Orion

Die graphbasierte Projektdatenbank ähnelt einem NASA-internen Wikipedia, das den Zugang auf unternehmenseigene Informationen vereinfacht und einen Wissenstransfer zwischen Standorten und Forschungseinrichtungen weltweit ermöglicht. Extrem wertvoll für die weitere Forschungsarbeit der NASA ist zudem das Aufdecken neuer Zusammenhänge zwischen Forschungsbereichen und Projekten. So fanden Ingenieure in der graphbasierten Lessons Learned-Datenbank wichtige Erkenntnisse aus dem Apollo-Programm, die ihnen halfen, ein bislang ungelöstes technisches Problem der Orion Weltraumkapsel bei der Landung zu umgehen. Das verkürzte die Forschungsarbeit um mehr als zwei Jahre und sparte Kosten in Millionenhöhe ein.

In Zukunft können Ingenieure und Projektleiter von Anfang an auf diese wertvollen Informationen zurückgreifen, Fehler aus der Vergangenheit vermeiden und bestehendes Unternehmenswissen tatsächlich langfristig und effizient nutzen.

Intelligente Daten fürs intelligente Heim

Bereits drei Viertel der deutschen Internetnutzer haben über den Kauf von Smart-Home-Technologien nachgedacht. Doch auch wenn die Bereitschaft zum vernetzten Heim wächst, fehlt es in vielen Fällen noch an den nötigen Grundvoraussetzungen. Ein „smartes” Zuhause basiert auf einem komplexen Zusammenspiel sämtlicher Geräte, Sensoren, Kameras, Stromnetze und intelligenter Wasser- und Stromzähler. Im Idealfall sollten all diese Systeme miteinander vernetzt werden, um Daten zu erfassen, auszutauschen und in Echtzeit analysieren zu können.

Smart Home ist auch IoT

Mit anderen Worten: Eine IoT-Struktur ist unverzichtbar. Innerhalb des Netzwerks aus Geräten und Systemen im Smart Home müssen Abfragen extrem schnell und zuverlässig verarbeitet werden – selbst dann, wenn nicht alle Einheiten jederzeit online sind. Fällt ein einzelner Sensor beispielsweise aus, weil ein Gerät heruntergefahren wird, kann das Hunderte Verbindungen kappen. Gleichzeitig nehmen neu angeschlossene Systeme sobald sie online sind automatisch Verbindung zum lokalen Kontroller und anderen Geräten auf und schaffen so neue Verknüpfungen.

Plattform für vernetzte Daten 

Eine solche Verbindungsdichte und Komplexität der Daten erfordert entsprechende Datenbanklösungen. Einfache Aufgabestellungen für das Smart-Home lassen sich noch mit einer relationalen Datenbank lösen. Eine solche Datenbank stellt jedoch Daten in Spalten, nicht in Netzwerken dar, und ist daher keine optimale Lösung für die Abfrage von Verknüpfungen wie sie im IoT herrschen. Die meisten IoT-Anwendungen basieren auf vernetzten Daten.

In Graphdatenbanken lassen sich solche komplexen, multidimensionalen Verbindungen realitätsnah abbilden. Das liegt allein schon in der Struktur begründet, in der Daten als „Knoten“ dargestellt sind, die über „Kanten“ miteinander verbunden sind. Übertragen auf das Smart Home könnte ein Graph beispielsweise so aussehen: „Sensor A1“ und „Zeitschaltuhr A2“ sind mit „Beleuchtung A“ verbunden, die wiederum Daten an die „Basisstation 1“ und damit an weitere Systeme wie „Stromzähler“ oder „Licht-App“ auf dem Smartphone weiterleitet. Der Fokus auf vernetzte Daten ermöglicht es, in Echtzeit die Verknüpfungen zwischen Systemen zu speichern, mit Eigenschaften zu versehen und abzufragen.

Dabei fließen die Daten unterschiedlicher Systeme zusammen und erlauben einen Ein- und Überblick in das Kommunikationsnetzwerk im Smart Home. Auf einen Blick lässt sich nachverfolgen, wo einzelne Anwendungen aber auch Plattformen in der Cloud zum Einsatz kommen, und wie sie mit anderen Systemen in Verbindung stehen. Auf dieser Basis lassen sich auch Impaktanalysen durchführen und Störungen und Ausfällen auf den Grund gehen.

Graph-Plattform für Breitbandverbindungen

Ein Beispiel wie Graphtechnologie als Plattform für Smart Home-Anwendungen genutzt wird ist Telia. Der Telekommunikationskonzern und Mobilfunknetzbetreiber aus Schweden nutzt die Graphdatenbank Neo4j für das Backend-Management seiner routerbasierten Plattform für Breitband-Internet-Anwendungen. Miteinander verbundenen Geräte, Systeme und Apps sind als Knoten im Graph hinterlegt, die APIs, über die der Nutzer verschiedene Einstellungen und Services abrufen kann, werden als Beziehungen zwischen den Knoten gespeichert.

Im Durchschnitt erreichen einen Router 10 Requests pro Tag und internetfähiges Gerät. Bei elf Geräten pro Haushalt und 1,2 Millionen Haushalten müssen allein auf Router Seite über 132 Millionen Requests verarbeitet werden. Neue Verknüpfungen und APIs können je nach Bedarf hinzugefügt werden. Diese hohe Flexibilität und Skalierbarkeit ist für die Smart Home-Architekten essentiell, da Telia heute noch nicht vorhersagen kann, welche APIs in Zukunft entwickelt werden müssen.

 

Telia_Neo4j
Routerbasierte Plattform für Breitband-Internet-Anwendungen – und damit auch Smart Home (Quelle: Telia)

Momentan wird das digitale Ecosystem von über 1,2 Millionen Haushalten genutzt. Weitere 930.000 Haushalte sollen in Kürze folgen. Die graphbasierte Netzwerktopologie unterstützt unterschiedlichste Anwendungen, die z. B. erkennen, wenn jemand die Wohnung betritt oder verlässt und Heizung und  Beleuchtung regeln. Auch Unterhaltungsfunktionen sind konfigurierbar. So bietet Telia zum Beispiel in Kooperation mit Spotify eine smarte Musikmanagement-Plattform, mit der automatische Playlisten erstellt und im passenden Moment abgespielt werden.

Angesichts der wachsenden Datenmenge in Smart-Home-Szenarien, ist eine kohärente, übergreifende Steuerung des IoT-Netzwerks dringend nötig. So rechnet beispielsweise Telia in naher Zukunft mit bis zu 13 Millionen Geräten mit 20.000-30.000 Events pro Sekunde, die es zu unterstützen gilt. Mit dieser Größenordnung vor Augen bietet ein graphbasiertes IoT-Management den schnellsten Weg zum Smart Home der Zukunft.