Telekom Logo
  • Corporate Responsibility Bericht 2018

Big Data Signal Processing gewährleistet Verarbeitung in Rekordzeit

Die gegenwärtig von Premiumherstellern entwickelten futuristischen autonomen Fahrzeuge werden immer komplexer. Abstandssensoren, Radargeräte, Emissionssonden – sie alle weisen Komponenten auf, die miteinander kommunizieren und für den externen Zugang vernetzt sind. Die Sensoren zeichnen unendlich viele Signale auf, die wichtige Erkenntnisse über die Qualität der innovativen Fahrfunktionen für die Vorproduktionstests der Erlkönige liefern.

Leider gibt es bei der wirksamen Nutzung dieses Datenschatzes einen großen Engpass: Die Analyse und das Auffinden der „digitalen Trüffel“ in den Unmengen von Daten nimmt enorm viel Zeit in Anspruch. Anders als Textdaten, die in kleinere Abschnitte aufgeteilt und von mehreren Computern bearbeitet werden können, werden maschinelle Daten aus der Automobilentwicklung variabel und situationsabhängig codiert. Die Techniker müssen jedoch die erfassten Signale in nur wenigen Stunden auswerten können, um kritische Fehler zu beheben und die nächsten wichtigen Tests vorzubereiten, während die Daten noch aktuell sind.

Christoph G. Jung, Principal Architect bei T-Systems, entwickelte eine bahnbrechende Lösung, die gleich zwei Hindernisse beiseiteschafft. Erstens knackt sie die vermeintlich unvorhersehbaren Datenformate und fügt sie zu logisch zusammengehörigen technischen „Chunks“ zusammen. Diese werden dem Rechnersystem gewissermaßen als zweite Fremdsprache „in die Wiege“ gelegt. Und zweitens sorgt die Lösung – es handelt sich dabei um einen sogenannten Transcoder, ähnlich einem MP3-Wandler in modernen Audiogeräten – für ein rasantes und komprimiertes Abspeichern, auch in der Cloud. Die in der Praxis erzielte Geschwindigkeit ist 40-mal höher als bei bisherigen Verfahren, und die gespeicherte Datenmenge schrumpft dabei je nach gemessenen Kanälen auf bis zu zehn Prozent des ursprünglichen Volumens.

Der Huge-Data-Turbo kam bei den Nutzern dermaßen gut an, dass die T-Systems-Tüftler schon ihren nächsten Coup in Planung haben: Die Prinzipien einer erfolgreichen Datenernte sind so grundlegend, dass sie sich auch nahtlos auf andere Industrien übertragen lassen.

Fazit: Der digitale „Erntehelfer“ ist schon heute ein unverzichtbares Hilfsmittel für erfolgreiche Datenanalyse in der Automobilindustrie, sobald die Dimension der Daten den Rahmen von Big Data sprengt. Ganz sicher wird er künftig branchenübergreifend den Turbo zünden.