油漆汽車的過程是高度自動化的，高度複雜的，取決於各種外部變量，有時，很難控製。奧迪在油漆和表麵處理方麵的質量標準非常高，因為這些是汽車對客戶最明顯的特征。
今天，需要多年的經驗來識別油漆故障的主要驅動因素，並相應地保持較高的標準。例如，不同類型的塗料需要不同的工藝值和應用技術設置。
為了跟蹤質量水平，每一輛車都由質量保證部門檢查，每一次故障都有記錄。對於文檔，有超過200種預定義的故障類型可用於標準化文檔。在汽車噴漆過程中，有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消極的影響。
通過將傳感器數據存儲在數據湖中，並在HDFS集群上使用Apache Spark和Scala處理數據，解決了支持過程專家對數據有價值見解的挑戰。為了確定每次故障和每層油漆質量的最重要驅動因素，每天使用MLlib訓練20個隨機森林模型。結果存儲在HDFS中，並使用Tableau進行可視化。
本次會議將深入探討汽車OEM麵臨的大數據挑戰，以及奧迪的生產如何從新的大數據技術中受益，使其流程更高效，並提高質量標準。為了實現業務效益，Spark被用於整個流程鏈，用於在高效和完全自動化的環境中進行數據攝取、轉換和培訓。
會議標簽:#SFexp13
Christoph Kreibich在班貝格大學(University of Bamberg)學習統計學，並在戴姆勒(Daimler)高壓電池係統研發部門工作，負責分析數據。後來，他加入了大眾集團大數據能力中心——大眾數據實驗室(Volkswagen Data:Lab)，在那裏他參與了一家汽車OEM的整個供應鏈上的各種大數據項目。如今，他在奧迪(Audi)生產和物流的IT部門工作。在那裏，他負責優化生產流程的不同分析項目，並為生產和物流部門建立中央數據湖。
Christian Raimann在奧格斯堡大學(Augsburg University)學習數學，在多家軟件公司擔任軟件開發人員/架構師已有20年的經驗。在2014年加入奧迪商業創新有限公司(奧迪全資子公司)之前，他曾在Panoratio GmbH擔任軟件架構師和大數據工程師，開發內存分析數據引擎。在奧迪，他是一名大數據工程師/科學家，負責多個項目，將機器學習解決方案應用於汽車銷售和生產用例。