繪畫汽車的過程是高度自動化的，高度複雜的，並且取決於有時難以控製的各種外部變量。奧迪的油漆和飾麵質量標準非常高，因為這些是汽車對客戶的最明顯功能。
如今，要確定油漆失敗的主要驅動因素並保持標準較高，需要多年的經驗。例如，不同類型的油漆需要關於過程值和應用技術的不同設置。
為了跟蹤質量水平，每輛車都由質量保證檢查，並且記錄了所有故障。對於文檔，有200多種預定義的故障類型可用於標準化文檔。在繪製汽車時，從2500個傳感器收集數據。這些參數包括溫度，濕度，應用機器人的空氣流，能耗，過濾器狀態等。所有這些變量都可能對質量產生積極或負麵影響。
通過將傳感器數據存儲在數據湖中，並在HDFS群集上使用Apache Spark和Scala處理數據，可以解決支持流程專家的挑戰。為了確定每次故障和每一層油漆的最重要驅動力，每天都會使用MLLIB訓練20種隨機森林模型。結果存儲在HDF中，並用Tableau可視化。
本屆會議將深入了解汽車OEM中大數據的挑戰，以及奧迪的生產如何從新的大數據技術中受益，以使其流程更有效，並提高質量標準更高。為了實現業務利益，在整個過程鏈中使用了Spark，以在富有成效且完全自動化的環境中進行數據攝入，轉換和培訓。
會話標簽：＃sfexp13
克裏斯托夫·克雷比奇（Christoph Kreibich）在班貝格大學（University of Bamberg）學習了統計數據，並在戴姆勒（Daimler）在研發係（Daimler）工作，用於高壓電池係統分析數據。後來，他加入了大眾汽車大眾數據的大眾數據：大眾集團大數據的能力中心，在那裏他沿著汽車OEM的整個供應鏈從事各種大數據項目。今天，他在奧迪的IT部門工作。在那裏，他負責不同的分析項目，以優化生產過程和中央數據湖的設置，用於生產和物流部門。
克裏斯蒂安·雷曼（Christian Raimann）在奧格斯堡大學（Augsburg University）學習數學，並擁有20年的軟件開發人員 /建築師的經驗。在他在2014年加入奧迪商業創新GmbH（100％奧迪子公司）之前，他曾在Panoratio GmbH開發內存分析數據引擎的Panoratio GmbH擔任軟件架構師和大數據工程師。在奧迪，他在各種項目中擔任大數據工程師/科學家，將機器學習解決方案應用於汽車銷售和生產用例。