油漆汽车的过程是高度自动化的，高度复杂的，取决于各种外部变量，有时，很难控制。奥迪在油漆和表面处理方面的质量标准非常高，因为这些是汽车对客户最明显的特征。
今天，需要多年的经验来识别油漆故障的主要驱动因素，并相应地保持较高的标准。例如，不同类型的涂料需要不同的工艺值和应用技术设置。
为了跟踪质量水平，每一辆车都由质量保证部门检查，每一次故障都有记录。对于文档，有超过200种预定义的故障类型可用于标准化文档。在汽车喷漆过程中，有2500个传感器收集数据。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，解决了支持过程专家对数据有价值见解的挑战。为了确定每次故障和每层油漆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汽车OEM面临的大数据挑战，以及奥迪的生产如何从新的大数据技术中受益，使其流程更高效，并提高质量标准。为了实现业务效益，Spark被用于整个流程链，用于在高效和完全自动化的环境中进行数据摄取、转换和培训。
会议标签:#SFexp13
Christoph Kreibich在班贝格大学(University of Bamberg)学习统计学，并在戴姆勒(Daimler)高压电池系统研发部门工作，负责分析数据。后来，他加入了大众集团大数据能力中心——大众数据实验室(Volkswagen Data:Lab)，在那里他参与了一家汽车OEM的整个供应链上的各种大数据项目。如今，他在奥迪(Audi)生产和物流的IT部门工作。在那里，他负责优化生产流程的不同分析项目，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(Augsburg University)学习数学，在多家软件公司担任软件开发人员/架构师已有20年的经验。在2014年加入奥迪商业创新有限公司(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，他是一名大数据工程师/科学家，负责多个项目，将机器学习解决方案应用于汽车销售和生产用例。