汽车喷漆的过程是高度自动化的，高度复杂的，依赖于各种外部变量，有时很难控制。奥迪对油漆和表面处理的质量标准非常高，因为这是一辆车对客户最明显的特征。
今天，需要多年的经验来确定油漆故障的主要驱动因素，并保持相应的高标准。例如，不同类型的油漆在工艺值和应用技术方面需要不同的设置。
为了跟踪质量水平，每一辆车都由质量保证部门检查，每一个故障都被记录下来。对于文档，有超过200种预定义的故障类型可用，用于标准化文档。当汽车被喷漆时，2500个传感器会收集数据。这些参数包括温度、湿度、应用机器人的气流、能耗、过滤器状态等。所有这些变量都可能对质量产生积极或消极的影响。
通过将传感器数据存储在数据湖中，并在HDFS集群上使用Apache Spark和Scala处理数据，可以解决为流程专家提供有价值的数据见解的挑战。为了确定每个故障和每层涂料质量的最重要驱动因素，每天使用MLlib训练20个随机森林模型。结果存储在HDFS中，并使用Tableau进行可视化。
本次会议将深入探讨大数据在汽车OEM中的挑战，以及奥迪的生产如何从新的大数据技术中受益，从而提高流程效率，提高质量标准。为了实现商业效益，Spark在整个流程链中被用于数据摄取、转换和培训，这是一个高效的、完全自动化的环境。
会话标签:#SFexp13
克里斯托夫·克雷比奇(Christoph Kreibich)在班贝格大学(University of Bamberg)学习统计学，并在戴姆勒(Daimler)的高压电池系统研发部门工作，负责分析数据。后来，他加入了大众汽车集团大数据能力中心大众汽车数据实验室，参与了一家汽车OEM全供应链的各种大数据项目。如今，他在奥迪的生产和物流IT部门工作。在那里，他负责不同的分析项目，以优化生产流程，并为生产和物流部门建立中央数据湖。
Christian Raimann在奥格斯堡大学学习数学，在各种软件公司担任软件开发人员/架构师已有20年的经验。在2014年加入Audi Business Innovation GmbH(奥迪全资子公司)之前，他曾在Panoratio GmbH担任软件架构师和大数据工程师，开发内存分析数据引擎。在奥迪，他担任大数据工程师/科学家，参与多个项目，将机器学习解决方案应用于汽车销售和生产用例。