WHITEPAPER

SMART ENGINEERING MIT BIG DATA UND

DIGITALEN ZWILLINGEN Wie Big Data Signal Processing, automatisierte Situationserkennung

und digitale Zwillinge das Engineering verändern

T-Systems International GmbH Hahnstraße 43d D-60528 Frankfurt am Main

Autoren: Wolfgang HolzDr. Christoph G. JungSascha LeidigBastian Wymar

Organisation:Projektleitung: Christopher Link Layout: Peter Brücker

INHALT

EINLEITUNG 4

VERÄNDERTE RAHMENBEDINGUNGEN FÜR INGENIEURE 6

NEUE METHODEN FÜR DAS DATA HANDLING BESCHLEUNIGEN DIE ENTWICKLUNG 8

EFFIZIENTERES MESSDATENMANAGEMENT MIT BIG-DATA-METHODEN 10

DIGITALE ZWILLINGE 12

MEHRWERT DURCH SZENARIENERKENNUNG,-BILDUNG UND -SIMULATION 14

WER MACHT DAS RENNEN? 16

EINLEITUNG

Die Digitalisierung verändert die Welt. Vor allem in der Wirtschaft und dort in nahezu jeder Industrie sorgen technische Innovationen und ein stetig wachsendes Daten-Ökosystem dafür, dass sich Geschäftsmodelle und Wertschöpfungsketten ändern. Es gilt: „Daten sind das neue Öl“, und die Verwertungen von Daten in Industrieprozessen und Produkten schaffen ein gewaltiges Optimierungspotenzial sowie ganz neue Erlösquellen.

Produzierende Unternehmen wie beispielsweise Automobilhersteller haben daher hohes Interesse an Daten, die Erkenntnisse über ihr Produkt liefern, in diesem Fall Fahrzeugnutzung, Fahrzeugeigenschaften und Qua-lität. Diese Daten können wertvolle Erkenntnisse für die Entwicklung des autonomen Fahrens liefern. Auch die Kundeninteraktion kann verbessert werden, beispielsweise um Fahrer in bestimmten Situationen ansprechen zu können, etwa vor dem Eintreten einer Verschleißerscheinung.

Das Sammeln und das intelligente Auswerten von Daten bilden für all die-se Aktivitäten die Grundlage. Dabei werden mehr und mehr sogenannte digitale Zwillinge genutzt, also digitale Abbilder physischer Objekte. Das können Fahrzeugkomponenten genauso wie das Auto als Ganzes sein. Für die Fahrzeugentwicklung entstehen durch digitale Zwillinge besonde-re Optimierungspotenziale, denn sie erlauben das Testen von Entwicklun-gen an digital simulierten Komponenten. Das wiederum bietet gewaltige Einsparpotenziale hinsichtlich Zeit und Geld.

Bis heute wurden Fahrzeugteile oder auch Steuergerätesoftware entwi-ckelt, anschließend auf vielen Tausend Kilometern Teststrecke erprobt, um daraufhin Erkenntnisse für Verbesserungen zu erhalten. Dieser Prozess dauert mehrere Monate und muss je nach Testergebnis mehrere Male

wiederholt werden, bis die gewünschten Fahreigenschaften bzw. Quali-tätsanforderungen erreicht sind. Digitale Zwillinge können nun Fahr-zeugkomponenten im Kontext von Fahrsituationen simulieren, d. h., sie müssen nicht mehr physisch produziert oder auf Teststrecken erprobt werden. Stattdessen werden existierende Testdaten auf digital simulierte Komponenten angewendet und evaluiert. Ingenieure kommen damit viel schneller an Ergebnisse, stehen jedoch gleichzeitig vor Herausforderun-gen, die mit dem Einsatz neuer, digitaler Technologien wie Big Data und Künstlicher Intelligenz verknüpft sind.

Die wesentlichen Herausforderungen sind neben der Bereitstellung geeig-neter Hardware und Sensoren vor allem ein effizientes Management und Prozessieren der gigantischen Datenvolumina und die Entwicklung intel-ligenter Analysealgorithmen. Damit gelingt die Übersetzung von Daten in Erkenntnisse und wiederum in Konstruktionsverbesserungen.

Die Voraussetzungen für diese neue Art der Entwicklung haben die technischen Innovationen aus den letzten Jahren geschaffen, etwa die all-gegenwärtige Vernetzung, die Verfügbarkeit von günstiger Hardware und Sensoren und die stetig wachsende Leistungsfähigkeit bei der Datenspei-cherung und Verarbeitung.

Dieses Whitepaper richtet sich an Ingenieure, Entwickler und IT-Manager, die ebenfalls vor Herausforderungen des „digital engineering“ stehen. Es liefert eine konkrete Antwort auf die Frage, wie man Entwicklungs-prozesse im Bereich der Steuergerätesoftware mit Big-Data-Technologien verbessern kann.

4 5

VERÄNDERTE RAHMENBEDINGUNGEN FÜR INGENIEURE

Eines der absoluten Top-Themen der Automobilindustrie ist das autonome Fahren. Visionäre Pioniere wie beispielsweise Elon Musk sowie deutsche Industrieexperten sprechen von einer Revolution in der Industrie und in der Gesellschaft. Das bedeutet, das autonome Fahren wird nicht nur das Fahrerlebnis grundlegend verändern, es wird auch das Auto als Anschaffungs- und Nutzungsobjekt ändern. Autofahren im Personen- sowie Gütertransport wird dadurch zunehmend zur Dienstleistung gemacht. Im Gedanken der „shared economy“ wird es mit dem autonomen Fahren sehr viel leichter werden, das Auto während seiner „Leerstände“, also während es sein Besitzer nicht braucht, anderen Verkehrsteilnehmern als Transportmitteldienst-leistung – autonom – zur Verfügung zu stellen.

Um Nutzungsszenarien dieser Art zu ermöglichen, ist es jedoch zwingend notwendig, das unbemannte Fahren so sicher wie nur möglich zu gestalten. Die Ingenieursleistungen und Softwareentwicklungen auf dem Weg dorthin befinden sich damit in einem Spannungsfeld von On-Board-Elektronik inklusive Konnektivität, Software und intelligenten Algorithmen auf dem Fahrzeug sowie der kommunikativen Anbindung der Fahrzeuge an eine adäquate IT-Infrastruk-tur. Diese Infrastruktur umfasst intelligente Systeme, die mit den Fahrzeugen kommunizieren und beispielsweise Dienste anbieten und managen.

Das hat zur Folge, dass Fahrzeugelektronik, Bordsensoren und Fahrzeug-Bussysteme im-mer komplexer werden, Fahrfunktionen im Auto autonom laufen und sich in anspruchsvollen Verkehrssituationen bewähren müssen. Für die Entwicklung ist es daher wichtig, dass In-dustrieexpertise und digitale Technologieexpertise miteinander verschmelzen, d. h., in den Entwicklungsteams arbeiten einerseits Digital Engineers an Big-Data-Architekturen, Signal-datenverarbeitung, Datenmanagement in Data Lakes und Data Analytics. Andererseits arbeiten Automotive Engineers an der Daten-Interpretation und Erkenntnisableitung, was gewonnene Daten beispielsweise über die Qualität der Fahrfunktionen beziehungsweise das Fahrverhalten aussagen, um Anpassungen in der Steuergerätesoftware vorzunehmen.

Die Entwicklungsgeschwindigkeit in diesem Marktsegment nimmt rapide zu und der Kampf darum, als erster Automobilhersteller autonomes Fahren sicher anbieten zu können, hat längst begonnen.

Umsetzungsgeschwindigkeit der kontinuierlichen Softwareentwicklung, Bereitstellung der Software und deren Betrieb haben damit nun auch die Automobilindustrie erreicht und stellen darüber hinaus einen wesentlichen Erfolgsfaktor für die Zukunft der Industrie dar.

6 7

VERÄNDERTE RAHMENBEDINGUNGEN FÜR INGENIEURE

NEUE METHODEN FÜR DAS DATA HANDLING BESCHLEUNIGEN DIE ENTWICKLUNG

Als ein wichtiges Werkzeug zur Verarbeitung und Beherrschung des immensen Datenaufkom-mens in den Fahrzeugen erweist sich die „intelligente Messdaten-Analyse und -Synthese“.

Moderne Big-Data-Verfahren wie dieses haben mittlerweile gelernt, mit den riesigen Aufzeich-nungsdaten aus Fahrzeugen und zugehörigen Back-End-Logdateien so effizient und flexibel umzugehen, dass ein wachsender Grad an Automatisierung bei der Evaluierung von Testdaten und von Prüfstands-Experimenten erreicht werden kann. Man spricht hier auch von Ereig-niserkennung bzw. der automatisierten Erkennung von Fahrsituationen, beispielsweise von kritischen Vollbremsungen mit ABS-Eingriffen oder von erfolgten Überholmanövern bei Regen auf der Autobahn.

Abb. 1: Messdaten-Analyse und Simulation mit Big Data Signal Processing und digitalen Zwillingen

Mithilfe semantischer Integration und Machine Learning lassen sich solche Ereignisse in Fahrsituationen des Weiteren mit Metadaten aus Design, Produktion und dem After-Sales so anreichern, dass Analogieschlüsse auf noch ungetestete Szenarien bzw. kritische, da un-befriedigend gelöste Ereigniskombinationen möglich werden. Schließlich können auf diese Weise zielgerichtet aus aufgezeichneten Rohsignalen und synthetischen Ereignismodellen Simulationsumgebungen erzeugt werden. Diese Umgebungen beinhalten heutzutage nicht nur physikalische Simulationen der Fahrphysik sowie einzelner Fahrzeugkomponenten, sondern erlauben auch die Instrumentierung von Mock-ups der zugehörigen Fahrzeug-Back-Ends, z. B., um den Ausfall gekoppelter Geo-Dienste auf die neu entwickelte Softwareversion eines ver-netzten Steuergeräts zu untersuchen, ohne das Gerät gleich auf die Straße oder den Teststand bringen zu müssen. Dies ergibt eine Zeitersparnis, ohne welche sich künftige Entwicklungen nicht rechtzeitig realisieren lassen. Zudem helfen diese erweiterten HIL/SIL(Hardware/Soft-ware in the Loop)-Lösungen dabei, reale Testfahrten zu reduzieren (Umweltentlastung) und dabei gleichzeitig die Testabdeckung und damit die Sicherheits- und Qualitätskennzahlen zu verbessern.

Abb. 2: Simulationsumgebung für Fahrphysik

8 9

NEUE METHODEN FÜR DAS DATA HANDLING BESCHLEUNIGEN DIE ENTWICKLUNG

Szenarien Bildung

Semantische Suche

Simuliertes Mock Back-End

VR Simulation

Online Vehicle Back-End

Ereignisse

Mustererkennung

Testdaten

Playback

Big Data

Signal Processing

Engineering Production After-Sales

SW-Stand x

SW-Stand 1

Semantische Integration/ Zuordnung

Testfahrzeug

Digitaler Zwilling

Bewertung

Transkodierung Erfassung von Stammdaten/ Transaktionen

EFFIZIENTERES MESSDATENMANAGEMENT MIT BIG-DATA-METHODEN

Im Bereich Messdatenmanagement mit Big Data gab es lange Zeit die Problematik, dass sich die vorherrschenden Aufzeichnungsformate wie z. B. ASAM MDF1 oder ATFX2 für eine parallele Datenverarbeitung nicht eigneten. Insbesondere die bei der Aufzeichnung unterschiedlicher Nachrichtentypen und -frequenzen auftretenden Format- bzw. Kodierungswechsel von Samples (Sample = Momentaufnahme der Signale vieler zusammengehöriger Sensoren bzw. Geräte-Sta-tus) machten den Big Data Frameworks, wie z. B. Hadoop3, bei der technischen Partitionierung der Dateien in voneinander möglichst unabhängig zu interpretierende Segmente große Probleme.

Mittlerweile gibt es hier vielversprechende Transkodierungsansätze, wie z. B. Norcom Dasen-se4 oder Big Data Signal Processing (BDSP)5 von der T-Systems International GmbH, die solche binären Datencontainer nun mittels Cluster- und Cloud-Technologien aufknacken können und in skalierbare Formate wie z. B. ORC6 oder Parquet7 überführen.

1 https://www.asam.net/standards/detail/mdf/2 https://www.asam.net/standards/detail/ods/wiki/3 https://hadoop.apache.org4 https://www.norcom.de/dasense5 https://www.t-systems.com/de/best-practice/02-2018/fokus/datenernte/big-data-signal-processing-8060526 https://orc.apache.org/7 https://parquet.apache.org/

BDSP schafft es etwa, durch den konsequenten Verzicht auf Sample-basierte Darstellungen und die Minimierung von Signalredundanzen, die Originalaufzeichnungen je nach Messkanal auf bis zu 10 Prozent ihrer ursprünglichen Größe zu reduzieren. Gleichzeitig bringen solche Ansätze gleich die geeigneten Berechnungsvorschriften mit, um etwa typische Zeitreihen-Ana-lysen auf diesen Big-Data-Formaten mit möglichst vielen Rechnern parallel durchführen zu können, wodurch ein erheblicher Zeitersparnis-Effekt erzielt wird. So kann die Beantwortung typischer Engineering-Fragestellungen, wie die Detektion von „Durchtauchern“ (Ist-Signale etwa eines Drehmoments, welches sich periodisch außerhalb der Grenzen seines vom Steuer-gerät vorgegebenen Soll-Drehmoments bewegt), die Zählung von Vollbremsungen (als Ablei-tung von Fahrgeschwindigkeitssignal und des ABS-Status) oder etwa die Nichtverfügbarkeit einer Seitenstabilitäts-Kontrollfunktion, dank Big-Data-Methoden schon nach wenigen Minuten statt erst nach einigen Tagen auf Standardservern erfolgen.

Schließlich besteht noch die Frage eines standardisierten, speziell aber auch interaktiven Zugriffs auf die Messdaten-Analysen. Auch hier haben sich die traditionell der Batch-Verarbei-tung entstammenden Big-Data-Ansätze in der Vergangenheit etwas schwergetan. T-Systems geht hier den Weg über ein REST8-Gateway, welches von einem zentralen Punkt aus in einer angriffssicheren Art und Weise Codestücke auf die datenhaltenden Rechenknoten des Clusters übertragen kann. Somit bewegen sich die Analyseanfragen des Ingenieurs hin zu den Mess-daten (Code to Data), anstatt große Mengen Rohsamples kostenintensiv zum Schreibtisch des Ingenieurs bringen zu müssen (Data to Code).

Solch ein standardisiertes Gateway, welches seine berechneten Extrakte (hier: Ereignisse/Labels in Form von abstrakten Signalen und passende Ausschnitte aus den Rohsignalen) in verschiedensten Ausgabeformaten, z. B. CSV, XML, JSON, aber auch in den von den Ingenieu-ren und ihren Messdaten-Werkzeugen gewohnten Aufzeichnungsformaten wie MDF oder ATFX, zur Verfügung stellt, bildet nun auch die Brücke zu semantischen Verfahren bei der Integration mannigfaltiger Unternehmensdatenquellen.

8 https://de.wikipedia.org/wiki/Representational_State_Transfer

Abb. 1: siehe S. 8

Abb. 3: Transkodierung und Analyse von Messdaten mit Big-Data-Methoden

Simulationsdatei

MDF4, DAT, CSVVerteiltes Big Data Format

ORC/PARQUET

Ereignis Extrakt

REST + JSON, CSV, MF4, DATTrace Datei

ASC, ATFX, ADTF, VPCAP

Big Data Signal Processing inskalierbarem Computer-Cluster

Transcoder Analyse

10 11

EFFIZIENTERES MESSDATENMANAGEMENT MIT BIG-DATA-METHODEN

DIGITALE ZWILLINGE

Als semantische Integration und Suche bezeichnet man bei T-Systems den Aufbau von „digita-len Zwillingen“, also virtuellen Abbildern von Echtfahrzeugen und ihrer Komponenten anhand der Entwurfsunterlagen (dazu gehören etwa der sogenannte Bordnetzkatalog aller verbauten Kommunikationsbusse und ihrer Nachrichtentypen, die explodierten Stücklisten des Fahrzeugs sowie die Software- und Hardwarestände der beteiligten Komponenten) sowie ihrer Produkti-ons- und Lebenszyklus-Historie (Montage- und Lackierungsprozesse, Reparaturen, Umbauten). Dazu bieten sich übergreifende Product-Lifecycle-Management(PLM)-Systeme wie z. B. PTC Windchill9 an.

Klassische Datenbanken haben sich bei den komplexen Zuordnungsproblemen, welche sich hier ergeben, jedoch als unzureichend erwiesen. Dokumenten- bzw. graphenorientierte Daten-banken bieten sich zur Darstellung bzw. Modellierung der hierarchischen Beziehungen sowie der flexiblen Attributierung (Beschreibungstext, Bild, CAD/Vektorgrafik) der dargestellten Entitäten (z. B. Geräte, Modul, Kanal, Unter-Stückliste …) an ihrer Stelle an. Anstatt klassischer SQL-Schnittstellen kommen auch hier wieder REST-basierte Verfahren zum Einsatz10 11 12, welche dem Prinzip der „Google“-Suche nachempfunden sind. So werden die Suchergebnisse bzw. Trefferlisten mit Relevanz-Scores bewertet, statt Hyperlinks auf Webseiten werden hier allerdings Ausschnitte aus Relations-Graphen mit Entitätenknoten (semantische Netze) zurückgeliefert.

Der Aufbau entsprechender Semantiken (Ontologien) bzw. Zuordnungslogiken verlangt aller-dings übergreifende und langjährige Erfahrung mit den zu integrierenden Domänen und auch technischen Systemen. Als Beispiele seien hier der PDM WebConnector13 der T-Systems Inter-national GmbH sowie die SemaSuite14 der T-Systems Multimedia Solutions GmbH erwähnt, welche diese Erfahrungen in Form von fertigen Blaupausen für die Automobilindustrie bündeln.

Die abstrakten Ereignisse aus der Messdaten-Transformation mit Big-Data-Mitteln stellen hier lediglich eine, allerdings eine sehr wesentliche Datenquelle dar. Im Endergebnis können somit alle wesentlichen Hintergrundinformationen, z. B. über die bei einem kritischen Überholvor-gang beteiligten Hardware- und Softwarekomponenten, zueinander in Beziehung gesetzt und recherchiert werden.

9 https://www.ptc.com/de/products/plm/plm-products/windchill10 https://de.wikipedia.org/wiki/Resource_Description_Framework11 https://en.wikipedia.org/wiki/SPARQL12 https://graphql.org13 https://plm.t-systems-service.com/de/plm-produkte/integration-und-migration/soa-pdm-erp-integration/pdm-webconnector-71101214 https://semasuite.t-systems-mms.com/home.html

Abb. 4: Digitaler Zwilling – semantische Integration von Unternehmensdatenquellen

12 13

DIGITALE ZWILLINGE

MEHRWERT DURCH SZENARIEN-ERKENNUNG, -BILDUNG UND -SIMULATION

Auf der Grundlage von hochdimensionalen semantischen Ereignisnetzen beginnen nun erste Projekte bei T-Systems mit der Mustererkennung bzw. Machine Learning in den bewerteten Ist-Szenarien. Mittels Dimensionsreduktion15 sowie geeigneten Clustering16-Verfahren lassen sich die zahlreichen Dokument- bzw. Attribut-Bäume (hier: das Zusammenspiel von Hard- und Softwarekomponenten in einer bestimmten Fahrsituation oder etwa die Kommunikationsmuster eines Fahrzeugs mit seinem Back-End) insbesondere auf Unterschiede, Häufigkeiten und auch Lücken untersuchen. Denn gerade die Lücken geben Hinweise auf z. B. bisher wenig getestete Szenarien, welche es im Rahmen eines Erprobungsplans zu untersuchen gilt.

Abb. 5: T-Systems-Projekt – Dimensionsreduktion und Szenarienbildung auf Basis von Kommunikationsmustern bei der Fahrzeug-Back-End-Kommunikation

Durch Analogieschluss auf bereits vorhandene, ähnliche Testaufzeichnungen lassen sich nun aus der Big-Data-Signaldatenverarbeitung und geeigneten Prototypen- und Fahrsimulatio-nen wie z. B. PTC Creo17 und nVidia Drive Constellation18 einzelne Umgebungskanäle eines Steuergeräts gezielt extrahieren und zusammen mit künstlichen, aus physikalischen Modellen abgeleiteten Signalen auf vielen Rechnern gleichzeitig zu einer „virtuellen“ Aufzeichnungs-datei (in den üblichen sample- bzw. nachrichtenbasierten Formaten) zusammenführen. Diese Datei dient nun gewissermaßen als „Playback“ für die einschlägigen HIL-Simulatoren, z. B. für den CAN-Bus19 20 21, welche quasi als „Karaoke-Station“ für das zu testende Steuergerät bzw. seinen jeweils aktuellen, in Entwicklung befindlichen Softwarestand fungieren.

15 https://en.wikipedia.org/wiki/Dimensionality_reduction16 https://de.wikipedia.org/wiki/DBSCAN17 https://www.ptc.com/de/products/cad/creo/simulate18 https://www.nvidia.com/en-us/self-driving-cars/drive-constellation/19 https://www.mastercan.com/mastercan_tool_en/20 https://www.dspace.com/en/pub/home/applicationfields/our_solutions_for/bussimulation.cfm21 https://www.adas-iit.com/hardware-in-the-loop/expertise/adas-hil-test-in-real-time/

Abb. 6: Hardware in the Loop

Gleichzeitig lassen sich die benötigten Ausfall- und Kommunikationsszenarien in virtuelle Fahrzeug-Back-Ends, sogenannte Mock-ups, konfigurieren. Deren Entwicklungsumgebungen basieren überwiegend auf modernen Containertechnologien, wie z. B. Docker22, sodass eine komplette Netzwerk-, Betriebssystem- und Softwareausstattung bei Bedarf in einer Cloud dupliziert und nach Belieben manipuliert werden kann.

Die im Zusammenspiel mit dem Mock-up aufgezeichnete Steuergeräte-Performance wird daraufhin wiederum in das Big-Data-System als neu und rasch zu bewertende Aufzeichnung eingespielt. Anstelle eines Closed-Loop-Ansatzes, bei dem die ursprünglich aufgezeichneten Signale lediglich eins zu eins wiedergegeben werden, kann durch die vorgeschlagene Archi-tektur nun auch ein fallspezifisch generiertes Substrat zu Rate gezogen werden.23 Damit steigt die Anzahl der für eine Simulation geeigneten Testfälle dramatisch. Simulationen und Virtual Reality rücken damit durch moderne Signaldatenverarbeitung und digitale Zwillinge immer näher an die Möglichkeiten einer Echterprobung heran.

22 https://www.docker.com/23 http://www.ni.com/de-de/innovations/white-papers/17/altran-and-ni-demonstrate-adas-hil-with-sensor-fusion.html

hil hil hil hilhil hil hil hil

14 15

MEHRWERT DURCH SZENARIENERKENNUNG, -BILDUNG UND -SIMULATION

Simulation

Digitaler Zwilling

Testfahrzeug

ECU

ECU

Playback

RecordData Center

WER MACHT DAS RENNEN?

Der Wettlauf um das autonome Fahren, die kontinuierliche Weiterentwicklung von innovativen Fahrzeugfunktionen und Mobilitätsdiensten ist in vollem Gange. Die Fachbereiche rund um die Fahrzeugentwicklung arbeiten längst mit modernsten Methoden aus der agilen Softwareent-wicklung und DevOps-Vorgehensweisen. Fahrzeugelektronik, Big Data und intelligente Soft-ware sind zum Dreh- und Angelpunkt für den digitalen Erfolg in der Automobilbranche gewor-den, d. h., DevOps-Modelle der IT (Design, Prototype, Test and Deploy) werden perspektivisch zur DNA für Autobauer, dabei ist Zeit als limitierender Faktor zu einem Kernerfolgskriterium geworden.

Neue Verfahren wie zum Beispiel T-Systems Big Data Signal Processing bringen Entwicklungs-prozesse stark nach vorne. Im Bereich des Messdatenmanagements kann damit eine 40-mal schnellere Datenbereitstellung erreicht werden, bei dem die Daten gleichzeitig – verlustfrei – auf bis zu 10 Prozent des ursprünglichen Volumens komprimiert werden. Das spart Kosten auf der Big-Data-Plattform. Die vorliegenden Daten liefern Erkenntnisse über die Güte der geteste-ten Fahrzeugfunktionen, darüber hinaus können sie in weiteren Szenarien verwertet werden, zum einen bei der Entwicklung der automatischen Situationserkennung durch Machine-Lear-ning-Algorithmen und zum anderen in der Kombination mit digital weiterentwickelten digitalen Zwillingen. Darin liegt einer der größten Wertbeiträge des Smart Engineering, denn Testfahrten müssen so nicht aufwändig über durchschnittlich 150.000 Kilometer pro Testlauf wiederholt werden. Stattdessen können neue Erkenntnisse in den Laborumfeldern der Automobilhersteller direkt gewonnen werden, um die Steuergerätesoftware zu optimieren.

Das sind wichtige Etappenziele, um den Herausforderungen bei der Datenverarbeitung Herr zu werden. Zukunftsszenarien, wie sie aus Film und Fernsehen bereits bekannt sind, werden da-durch schneller zur Realität werden. Am Ende sind dadurch nicht nur die privaten PKW-Fahrer betroffen, die demnächst just-in-time von einem selbstfahrenden Taxi abgeholt oder in einem Kleinbus mit Schlafmöglichkeiten in den Urlaub gebracht werden. Auch Unternehmen, die autonome Güterfahrzeuge in ihre Logistikprozesse einbinden und so beispielsweise Pakete, Medikamente oder Ersatzteile ausliefern, können ihre Geschäftsprozesse optimieren.

Die Frage bleibt offen, welche Marktteilnehmer für diese Realität zuerst die Weichen stellen werden.

AUTOREN

WOLFGANG HOLZ… ist Sales Consultant in der Portfolio Einheit Digital Solutions bei der T-Systems International GmbH. Er ist vertrieblicher Fachexperte für alle Themen im Bereich BI, Big Data und Analytics. Telefon: +49 171 8643 587, E-Mail: wolfgang.holz@t-systems.com

DR. CHRISTOPH G. JUNG… ist Principal Architect in der Portfolio-Einheit Digital Solutions bei der T-Systems International GmbH. Er ist Tribe Lead für Big Data Sig-nal Processing und beschäftigt sich mit der Analyse von hochskalier-ten Messdaten mithilfe massiv-paralleler Rechnerinfrastrukturen. Telefon: +49 170 4147 717, E-Mail: c-jung@t-systems.com

SASCHA LEIDIG… ist Chapter Lead für Portfolio & Partner Management bei T-Systems mit Fokus auf Product Lifecycle Management (PLM). In dieser Busi-ness Area ist er für die PLM Portfolio Strategie verantwortlich und treibt Innovationen wie Digital Twin für Ingenieure, Systems Enginee-ring oder PLM Cloud voran. Telefon: +49 175 2410 836, E-Mail: sascha.leidig@t-systems.com

BASTIAN WYMAR… ist Tribe Lead für das Data Intelligence Portfolio in der Einheit Digital Solutions der T-Systems International GmbH. Dort ist der für die Portfoliogestaltung, Marketingmaßnahmen und Sales Enabling ver-antwortlich. In dieser Rolle treibt er ebenso neue Offerings voran wie beispielsweise T-Systems‘ Data Journey. Telefon: +49 171 2288 215, E-Mail: bastian.wymar@t-systems.com

16 17

LET’S POWER HIGHER PERFORMANCEÜBER T-SYSTEMS Mit Standorten in über 20 Ländern, 37.500 Mitarbeitern und einem externen Umsatz von 6,9 Milliarden Euro (2018) ist T-Systems einer der weltweit führenden hersteller-übergreifenden Digitaldienstleister mit Hauptsitz in Europa.

T-Systems ist Partner seiner Kunden auf dem Weg der Digitalisierung. Das Unterneh-men bietet integrierte Lösungen für Geschäftskunden. Bei der Tochtergesellschaft der Deutschen Telekom kommt alles aus einer Hand: vom sicheren Betrieb der Bestands-systeme und klassischen IT- und Telekommunikations-Services über die Transforma-tion in die Cloud einschließlich internationaler Netze, bedarfsgerechter Infrastruktur, Plattformen und Software bis hin zu neuen Geschäftsmodellen und Innovationsprojek-ten im Internet der Dinge. Grundlage dafür sind globale Reichweite für Festnetz und Mobilfunk, hochsichere Rechenzentren, ein umfassendes Cloud-Ökosystem mit stan-dardisierten Plattformen und weltweiten Partnerschaften sowie höchste Sicherheit.

Weitere Informationen: www.t-systems.com

KONTAKT

Sie haben Fragen zur Organisation, Presse und Vermarktung? Richten Sie Ihre Anfragen bitte an:

Christopher Link Marketing Campaign Manager Telefon: +49 170 5767 991 E-Mail: christopher.link@t-systems.com

Impressum:© 2019

T-Systems Multimedia Solutions GmbH Riesaer Straße 5, 01129 Dresden, Germany

Rechte, auch die des auszugsweisen Nachdrucks, der fotomechanischen Wiedergabe (einschließlich

Mikrokopie) sowie der Auswertung durch Datenbanken oder ähnliche Einrichtungen, vorbehalten.

www.t-systems.com