Innovative IT ermöglicht Unternehmen neue Kooperationsformen mit verschiedenen Partnern in offenen Netzwerken. Hierbei entstehen kooperative Datenräume auf der Basis IoT-basierter Digitaler Zwillinge, deren erfolgreiche Umsetzung leistungsfähige BIA-Infrastrukturen voraussetzen. 

Zielpublikum: Management, BIA-Verantwortliche, Chief Information Officer / Chief Digital Officer 
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Factories of tomorrow are built based on digitized and modular elements and systems. 
In order to make sure (worker’s) safety is still given, reliable confirmations at runtime for autonomous processes and its dependencies as part of digital twins have to be deployed. 
The speech further will outline the way trustworthiness of datapoints ensure a resilience and productive operation as part of an enablement.

Target Audience: Infrastructure decision maker, CDO, COO, CEO, business owner, production manager
Prerequisites: Basic knowledge of data analysis - production methods - manufacturing technologies - supply chain
Level: Basic

Am Beispiel der Instandhaltung von ICE’s der Deutschen Bahn gibt der Vortrag Impulse wie scheinbar unvereinbare Vorgehen aus dem Bauwesen bzw. dem Maschinenbau mit agilen Ansätzen der IT kombiniert werden können, um Nutzen aus künstlicher Intelligenz und digitalen Zwillingen zu ziehen.  

Zielpublikum: Alle, für die AI, Advanced Analytics und Machine Learning mehr als nur ein Hype sein soll und sich fragen, wie der Return für die getätigten Investitionen aussehen kann.
Voraussetzungen: Erste Erfahrung mit Initiativen im Bereich der Datenanalyse und dem Daten orientierten Unternehmen ist wünschenswert. Grundkenntnisse in Statistik sind hilfreich.
Schwierigkeitsgrad: Fortgeschritten

Leider entfällt dieser Vortrag kurzfristig. Wir bitten um Verständnis.

Kyana ist ein virtueller Assistent, der Performance-Daten, Optimierungsmöglichkeiten, digitalen Service-Support mit augmentierten sowie sprachunterstützenden Funktionen bietet. 
Ziel war es einen "virtuellen" Mitarbeiter von Koenig & Bauer zu kreieren und diesen in den täglichen Produktionsablauf zu integrieren. 
Best Practise Studie mit detaillierten Informationen zur Umsetzung - von der Idee bis hin zur Implementierung 

Zielpublikum: Verantwortliche für digitale Transformation, digitale Business Modelle, Industrie 4.0 
Schwierigkeitsgrad: Anfänger

Dank hoch flexibler Cloud-Technologien ist das Modern Data Warehouse wie geschaffen für den Aufbau von Internet-of-Things(IoT)-Lösungen. Doch wie sieht eine leistungsfähige Architektur aus? Insbesondere, wenn immer mehr Streaming-Quellen direkt in die Datenanalyse einfließen sollen?  

Jens Kröhnert und Christoph Epping bauen vor den Augen des Publikums eine vollständige IoT-Infrastruktur auf und spielen konkrete Einsatzszenarien durch. Dabei werden von Lambda über Kappa bis hin zu DataMesh die aktuell wichtigen Architekturtrends angesprochen.

Zielpublikum: Data Engineers, Data Scientists, Projektleiter, Entscheider
Voraussetzungen: Basiswissen
Schwierigkeitsgrad: Einsteiger

Kostensenkung durch weniger Wartungsarbeiten, ein effizienterer Support und zufriedenere Kunden: Das verspricht Predictive Maintenance. Der Vortrag führt in das Thema ein und beschreibt anhand von Kundenprojekten, wie mittels Machine Learning-Verfahren die Wartung optimiert werden kann. Die Referenten stellen dabei verschiedene Methoden vor (Rainflow-Analyse sowie Anomaly Detection) und geben Tipps für die Praxisanwendung von ML-Ansätzen im Bereich Predictive und Condition-Based Maintenance.

Zielpublikum: Entscheider, Data Scientists, Interessierte
Voraussetzungen: Interesse, Grundkenntnisse Statistik und Data Science
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
In vielen Unternehmen wird eine Vielzahl unterschiedlicher Daten gesammelt, ohne dass es dafür schon konkrete Anwendungsfälle gibt. Auf der Suche nach passenden Use-Cases, mit denen Kosten gesenkt, Einnahmen erhöht oder die Qualität verbessert werden soll, fällt häufig das Schlagwort Predictive Maintenance. Durch datengestützte Predictive Maintenance sollen Wartungsleistungen seltener anfallen, zielgerichteter sein und somit die Kundenzufriedenheit verbessert werden.

Im Vortrag werden zwei Projekte aus dem Maschinenbau vorgestellt, bei denen Predictive Maintenance in Kombination mit Machine Learning-Verfahren zum Einsatz kommt. Das erste Projekt beschreibt die Optimierung der Wartungsbetreuung, die auf dem tatsächlichen Zustand der Komponenten basiert (Condition-Based Maintenance). 

Das zweite Projekt, das der Vortrag vorstellt, nimmt sich der Herausforderung von Datenanomalien im Machine Learning an. Dabei werden diese Ausreißer nicht als Störung interpretiert, sondern als Indikator für bisher unbekannte Muster. Wie eine Anomaly Detection in konkreten Predictive Maintenance-Projekten aussehen kann und welche Algorithmen dabei eingesetzt werden können, beschreiben die Referenten in ihrem Vortrag.

Für den Vortrag ist in erster Linie Interesse am Thema gefordert. Die Referenten führen in die jeweiligen Fragestellungen ein und entwickeln daraus praxisrelevante Lösungsansätze.