Mit Big-Data-Analyse die Datenfülle bewältigen

Doch es ist ein komplexes Unterfangen, diese Unmengen von Daten zu analysieren und zu aussagekräftigen Informationen aufzubereiten. Das Problem besteht dabei vorrangig in der Vielgestaltigkeit und der unvorhersehbaren Struktur der Daten, die dank der vielfältigen Sensoren und zahlreichen Output-Wege während der Rekordfahrt anfallen. Denn jeder Sensor nutzt sein eigenes Datenformat und übermittelt die Daten mit einer anderen Frequenz: Manche Quellen liefern regelmäßig Informationen, etwa die Bordkamera, während die Sensoren am Lenkrad nur beim Lenken aktiv werden - was mit sehr unterschiedlicher Häufigkeit der Fall sein kann. Die Analysten kennen damit vorab weder die genaue Zusammensetzung noch den konkreten Umfang der zu erwartenden Datenmengen.

Eine Auswertung dieser heterogenen Datenfülle würde die herkömmliche relationale Datenbanktechnik deutlich überfordern. Deshalb kommt hier die Technologie von HPs Big-Data-Plattform HAVEn zum Einsatz. Die Erfassung des Datenbestandes erfolgt hierbei mittels eines wiederholt ablaufenden Discovery-Vorgangs, sodass HAVEn die Datencharakteristika im Rahmen eines iterativen Prozesses erlernt.

Dank dieser Big-Data-Technologie können Analysten die Sensorikdaten anschließend praktisch beliebig korrelieren und zudem um weitere Daten aus externen Quellen anreichern. Für zusätzlichen Kontext sorgen zum Beispiel Klima- und Wetterdaten, die das Backend-System während der Rekordfahrt alle zwei bis drei Minuten von zwei Wetterdienstleistern abruft. Diese Kombination schafft Raum für neue Erkenntnisse, die ein Ingenieur allein von den Fahrzeugmessdaten nicht ableiten könnte, zum Beispiel welchen Einfluss Klima und Wetter auf die Störungsanfälligkeit bestimmter Fahrzeugbauteile haben.

Auch die Bilder der Frontkamera lassen sich für die Fahrzeuganalyse heranziehen: Treten Auffälligkeiten in den Messdaten auf, können die VW-Techniker per Zeitstempel der Bilddateien begutachten, wie die Wetterlage und Straßenverhältnisse zum fraglichen Zeitpunkt aussahen. So wird zum Beispiel sichtbar, ob die plötzliche starke Belastung eines Stoßdämpfers auf ein Schlagloch oder ein anderes Hindernis zurückzuführen ist.

Eine weitere Anreicherungsmöglichkeit ergibt sich durch Spracherkennung und -auswertung. Denn die Crew erfasst in ihrem Audio-Logbuch standardisierte Informationen - über Auffälligkeiten am Auto, aber auch Angaben zu Land und Leuten oder zum Umgang mit den Behörden. Diese Audiodaten lassen sich dann automatisiert in Text übersetzen und per Text-Mining einem bestimmten Themenbereich zuweisen. Ein Beispiel: Kommen in einer Aufzeichnung des Audio-Logbuchs die Begriffe "Lenkung" und "schwergängig" vor, werden sie automatisch der Fahrzeugüberwachung zugeordnet. Ein Analyst kann dann diese verbale Störungsmeldung mit Messdaten der Lenkradsensorik, aber auch den Informationen zu Witterung und Straßenqualität abgleichen. Durch diese Korrelationen lässt sich ermitteln, welche Ursachen der Eindruck einer schwergängigen Lenkung beim Fahrer hatte.