In der Drachenhöhle; Link Data Science Summer School

Im Jahr 2014 war eine der auffälligen Erkenntnisse des niederländischen Nationalen Think Tanks der wachsende Bedarf an Datenwissenschaftlern. Um eine Lösung zu finden, führte LINK Data Science zusammen mit einer Reihe von Unternehmen die Data Science Summer School ein, ein zweiwöchiges Programm, das leistungsstarke Studenten in die faszinierende Welt der Datenwissenschaft einführt.

Youssef El Bouhassani, einer der Gründer der LINK-Summer School, erklärt: "Data Science lernt man, indem man an echten Herausforderungen arbeitet, mit denen Unternehmen konfrontiert sind. Und genau darum geht es bei der LINK-Summer School. Die Organisationen haben echte Geschäftsfälle zur Verfügung gestellt, an denen sie seit kurzem arbeiten, und das ist sowohl für die Teilnehmer als auch für die Partner aufregend".

GoDataDriven war von Anfang an eines der Unternehmen, die diese Initiative unterstützt haben.

Die Sommerschule für Datenwissenschaft

Fünfzehn Studenten mit großem Interesse an Data Science wurden für die Teilnahme an dem zweiwöchigen Programm der Summer School ausgewählt. In der ersten Woche wurden die Studenten von verschiedenen Data Science-Experten, darunter Vincent Warmerdam von GoDataDriven, gecoacht und geschult, indem sie ihre Erfahrungen und ihr Know-how aus dem Bereich Data Science weitergaben.

In der zweiten Woche konnten die Teilnehmer ihre neu gewonnenen Einsichten in drei von NedTrain, Eneco und NS eingereichten Fällen "für den sozialen Zweck" anwenden. Die Bereitstellung konkreter Lösungen für diese Geschäftsfälle würde für die teilnehmenden Unternehmen wertvolle Verbesserungen bedeuten. Am 14. August endete die Summer School mit der mit Spannung erwarteten Präsentation der drei Business Cases in einer Dragon's Den Umgebung. Die Dragon's, die die Präsentationen beurteilen sollten, kamen von Eneco, Nedtrain und dem Vorstand des National Think Tank self.

Präsentation der Geschäftsfälle NedTrain, Eneco, NS

Die drei Business Cases hatten unterschiedliche Zielsetzungen. Die erste Präsentation des NedTrain-Falles zielte auf die Vorhersage von Serviceanforderungen auf der Grundlage von Sensordaten für den niederländischen Sprinter Light Train ab. Von allen Zügen, die nicht einsatzbereit sind, werden 70 % korrigierend gewartet (anstelle von planmäßiger Wartung). Neben dem Imageschaden für die Öffentlichkeit belaufen sich die Gesamtkosten für diese ungeplanten Wartungsarbeiten auf mehrere Millionen Euro pro Jahr.

Die zweite Gruppe machte sich an die Arbeit mit dem Eneco-Fall und konzentrierte sich auf die Vorhersage der Leistung eines Solarpanels an einem bestimmten Tag. Durch die Kombination von Satellitendaten des Wetters, Daten und Produktionsdaten versuchte das Team, die Stromproduktion von Solarmodulen vorherzusagen.

Der dritte und letzte Fall kam von NS Stations und beschäftigte sich mit der Frage: Wie kann man einen Ladenplan am besten gestalten, um die Transaktionen und das Einkaufserlebnis in einem Bahnhof zu optimieren. Anhand von Sensordaten von verschiedenen Stellen im Bahnhof untersuchte die Gruppe die Art der Reisenden, die die Geschäfte besuchen, den Besucherstrom, die Dauer und die Tageszeit.

Die Gewinner

Alle Teams haben sich sehr gut geschlagen und ihr Bestes getan, um die Theorie in die Praxis umzusetzen. Sie fanden heraus, dass die Aufbereitung der Daten sehr zeitaufwändig ist und dass die richtige Interpretation der Daten wichtig ist. Zum Beispiel hatte ein Zug, der in Betrieb ist, plötzlich kaum noch Sensormesswerte, was darauf zurückzuführen war, dass der Zug stillstand. Oder Solarmodule, die Wechselrichter mit niedrigem Wirkungsgrad und maximaler Kapazität verwenden, verursachten Diskrepanzen in den Daten, weil sie nicht den gesamten erzeugten Strom übertragen konnten. Und was macht man mit den Sensormesswerten eines Ladens in einem NS-Bahnhof mitten in der Nacht, wenn alle Läden geschlossen sind?

Mein Hauptziel war es, die Begeisterung der Teilnehmer für die Datenwissenschaft zu wecken, und wenn es mir gelungen ist, auch meine Leidenschaft für Open Source zu teilen, wäre das ein tolles Extra! Vincent Warmerdam (GoDataDriven)

Alle Gruppen haben mit ihren Projekten große Fortschritte gemacht und konnten Empfehlungen geben, waren aber noch nicht in der Lage, ein prädiktives Modell zu erstellen. Es muss noch mehr geforscht, interpretiert und experimentiert werden, um die Erkenntnisse in prädiktive Modelle umzuwandeln. Anhand der Präsentationen entschied die Jury, dass das Team NS Stations der Gewinner der diesjährigen Data Science Summer School ist.

Wir sind uns ziemlich sicher, dass die Geschichte aller teilnehmenden Studenten und der Business Cases fortgesetzt werden wird!