Wer sind wir? – Und warum?

"DatenVision ist ein Lösungsansatz. Wir sind aus einem Bedarf heraus entstanden, den ich während meiner Zeit als Leiter der Frankfurter Niederlassung einer DB-Technologietochter (2021-2024) wahrgenommen habe." – David Meinel

Der Bedarf nach datengetriebenen Anwendungen war enorm.

Schon damals war der Bedarf nach neuartigen Technologien in der Instandhaltung und im Betrieb von Anlagen und Assets groß, angetrieben durch Fachkräftemangel, steigende Ressourcenkosten und immer komplexer werdende Systeme. Es war auch zu dieser Zeit, in der künstliche Intelligenz – nicht zuletzt durch die Einführung von ChatGPT – enormen Auftrieb erhielt und KI- und datengetriebene Anwendungen förmlich explodierten.

KI hatte den Schritt aus dem Labor in unser Leben geschafft.

Das Potenzial datenbasierter Instandhaltung und Betrieb (auch Predictive Maintenance genannt) ist nicht nur groß. Es ist schlicht und ergreifend: die Zukunft.
Meine Kundinnen und Kunden äußerten den Wunsch nach vorausschauenden Anwendungen, die in der Breite mit nur geringem Anwenderwissen abteilungs- oder teamübergreifend eingesetzt werden konnten. Um dies zu erreichen, gab es einige Hürden zu überwinden.

KI-Experten sind keine Techniker.

Da Data Scientists keine technische Ausbildung haben, verstanden sie oft nicht die Bedeutung von (Instandhaltungs- und Betriebs-) Prozessdaten und konnten diese nicht eigenständig interpretieren. Ein weiteres Problem war, dass für das Training neuronaler Netze gezielte Betriebszustände getestet und ausgewertet werden mussten. Data Scientists fehlte das technische Verständnis, um in diesen Prozess eng genug eingebunden gewesen zu sein.

Eine erfolgreiche Business-Anwendung benötigt ein attraktives Gesicht.

Dafür waren Software-Ingenieurinnen und -Ingenieure notwendig. Die prototypische KI der Data Scientists musste in eine ansprechende, skalierbare und dynamisch an die Bedürfnisse des bedarfstragenden Unternehmens angepasste Softwareanwendung eingebettet werden. Dies ist ein Prozess, der von Anfang an mitgedacht werden muss, um Zeit-, Kosten- und Qualitätsaspekte zu berücksichtigen.

Das fehlende technische Verständnis der Data Scientists und das Fehlen eines professionellen Software-Entwicklungs-Prozesses haben oftmals dazu geführt, dass die Kundenwünsche nicht umgesetzt werden konnten.