• Hadoop (Cloudera, MapR) als verteiltes Dateisystem und Analyse Plattform 
• TensorFlow für Training, Evaluierung und Testing von Deep Learning Algorithmen
• Apache Spark für die parallele Verarbeitung von Sensordaten und Feature Extraktion für das Machine Learning
• Apache Airflow als Workflow Engine
• HUE für den einfachen Zugriff auf die Daten und Konfiguration
• Jupyther Notebooks für Python, Scala und Anaconda für Data Science
• HBase für die Speicherung von Verarbeitung von strukturierten Daten
• Elastic Search für die schnelle Suche in bereits verarbeiteten Daten
• Zookeeper als Koordinator der Platttform
• Kubenetes und Docker für die Orchestrierung der Plattform mit Helm Skripte
• Ansible für das automatische Provisionieren
• CI/CD Pipeline für einen Deployment
• NVIDIA Docker Images für den Zugriff auf die Tesla V100 Deep Learning GPUs
• Gitlab für das Source Code Repository mit Docker Registry
• DELL EMC Cluster

• Spark Datasource v2 Reader und HadoopInputFormatter für das Einlesen von ROSbags v2 ohne Konvertierung
• Entwicklung eines FUSE Dateisystems für ROSbags zum direkten Datenzugriff
• Entwicklung von Web UIs für die Suche in Fahrszenarien

• Closed-Feedback-Loop Prozess für schnelles Feedback vom Erprobungsträger bis zur Datenplattform
• Kompatibel zum SOTIF Standard, ISO/PAS 21448
• Vergleichsanalyse zu ISO 26262 zur funktionalen Sicherheit

• Mehrfache Beschleunigung der Entwicklungsgeschwindkeit (Ende-zu-Ende)
• Kostenreduktion der Speichertechnologie durch konvertierungsfreie Datenhaltung und Analyse
• Erhöhung der Deep Learning Model Accuracy

• Robot Operating System
• ROSbag für die Aufzeichnung der Sensordaten
• NVIDIA für die Ausführung von Deep Learning Algorithmen
• Ubuntu als Betriebssystem
• ROS-Node zur Dekodierung der CAN/K-Matrix Botschaften
• Embedded Architektur

• Velodyne Lidar VLP-16 und VLP-32
• Flir Kameras PoE
• Novatel GPS/IMU
• Industrie PC
• SSD Stroage Backplane
• CAN-Bus Gateway MQB Interface 

• Closed-Feedback-Loop Prozess für schnelles Feedback vom Erprobungsträger bis zur Datenplattform
• Kompatibel zum SOTIF Standard, ISO/PAS 21448
• Vergleichsanalyse zu ISO 26262 zur funktionalen Sicherheit

• Modulares System welches Plug&Play in Erprobungsfahrzeuge installiert werden kann
• Beschleunigung der Entwicklung durch Ende-zu-Ende Datenaufzeichnung und Analyse Pipeline

• Aufbau einer Datenpipeline auf AWS
  • AWS EMR als verteiltes Dateisystem und Analyse Plattform auf Basis von Hadoop
  • Spark innerhalb von EMR zur parallen Datenverarbeitung
  • Vergleich Spark auf EC2 Cluster mit Optimierung der Worker und Executors
  • AWS Lambda Funktionen zur Ausführung als Serverless Architektur
  • Jupyther Notebooks für Python, Scala und Anaconda für Data Science
  • Kubenetes und Docker für die Orchestrierung der Plattform mit Helm Skripte
  • CI/CD Pipeline für einen Deploymen
  • Aufbau einer ETL Strecke und Streaming Architektur
• Aufbau einer Datenpipeline auf Azure
  • Azure HDInsight mit Hadoop, Spark, Kafka, HBase
  • Vergleich Spark auf Databricks
  • Zugriff auf Azure Blob Storage / Data Lake Storage im Vergleich zu Databricks Filesystem
  • Azure Functions zur Auführung von Funktionen
  • Jupyther Notebooks für Python, Scala und Anaconda für Data Science
  • Aufbau einer ETL Strecke und Vergleich Data Factory
• Entwicklung weiterer Komponenten
  • Integration Spark Datasource v2 Reader auf AWS EMR, Azure HDInsight und Databricks
  • Parsing und Deserialization von ROSbags, ROS-Botschaften mit Golang und Scala
  • Integration von AWS S3 und Azure Blob Storage für Chunk-basierte Verarbeitung
• Projektergebnisse
  • Hochverfügbare Cloud Analytics Plattform für Petabyte von Sensordaten
  • Kostenersparnis durch konvertierungsfreie Speicherung und Verarbeitung der Sensordaten

• Hadoop (Cloudera) als verteiltes Dateisystem und Analyse Plattform 
• Apache Spark für die parallele Verarbeitung von Flugzeugdaten
• HUE für den einfachen Zugriff auf die Daten und Konfiguration
• Jupyther Notebooks für Python, Scala und Anaconda für Data Science
• Zookeeper als Koordinator der Platttform
• Ansible für das automatische Provisionieren
• CI/CD Pipeline für einen Deployment
• Bewertung und Umsetzung einzelner Use Case auf Palantir Gotham und Foundry
• Umsetzung von einzelnen Dashboards in Palantir Slate

• Beschafftung der Datenset von unterschiedlichen Stakeholdern
• Abstimmung mit Data Custodian und Data Steward im Governance Modell
• Abstimmung des Projektteams
• Data Science Workshops mit Domainexperten zur Analysefragestellungen
• Ingest der Daten in das Analyse Cluster
• Data Cleansing und Datenvorbereitung
• Analyse und Modellierung von unterschiedlichen Use Cases aus dem Fachbereich
• Darstellung der Analyse Ergebnisse in Charts und Plots zur offenen Diskussion

• Überführung der Entwicklung Plattform in eine produktive Umgebung
• Stabilisierung der Spark Analysejobs durch Refactoring
• Automatisierung der Analysejobs

• Auszeichnung für herausragende Projektergebnisse bis zum C-Level
• Bereits im ersten Jahr Gewinnung von Kunden mit neuen Service Angebotsportfolio

• Hadoop (Hortonworks) als verteiltes Dateisystem und Analyse Plattform 
• Apache Spark für die parallele Verarbeitung von Flugzeugdaten
• HUE für den einfachen Zugriff auf die Daten und Konfiguration
• Jupyther Notebooks für Python, Scala und Anaconda für Data Science
• Zookeeper als Koordinator der Platttform
• Ansible für das automatische Provisionieren
• CI/CD Pipeline für einen Deployment
• Bewertung und Umsetzung einzelner Use Case auf Palantir Gotham und Foundry
• Umsetzung von einzelnen Dashboards in Palantir Slate

• Beschafftung der Datenset von unterschiedlichen Stakeholdern
• Abstimmung mit Data Custodian und Data Steward im Governance Modell
• Abstimmung des Projektteams
• Data Science Workshops mit Domainexperten zur Analysefragestellungen
• Ingest der Daten in das Analyse Cluster
• Data Cleansing und Datenvorbereitung
• Analyse und Modellierung von unterschiedlichen Use Cases aus dem Fachbereich
• Darstellung der Analyse Ergebnisse in Charts und Plots zur offenen Diskussion

• Zusammenarbeit mit den Fachabteilungen
• Konzeption- und Anforderungenanalyse
• Durchführung von Data Workshops mit dem Fachbereich
• Schnittstelle zwischen Fachbereich und Data Science

• Erfolgreiche Projektdurchführung mit Folgebeauftragungen

• Beschafftung der Datenset von unterschiedlichen Stakeholdern
• Abstimmung mit Data Custodian und Data Steward im Governance Modell
• Abstimmung des Projektteams
• Data Science Workshops mit Domainexperten zur Analysefragestellungen
• Ingest der Daten in das Analyse Cluster
• Data Cleansing und Datenvorbereitung
• Analyse und Modellierung von unterschiedlichen Use Cases aus dem Fachbereich
• Darstellung der Analyse Ergebnisse in Charts und Plots zur offenen Diskussion

• Zusammenarbeit mit den Fachabteilungen
• Konzeption- und Anforderungenanalyse
• Durchführung von Data Workshops mit dem Fachbereich
• Schnittstelle zwischen Fachbereich und Data Science

Produktentwicklung einer Digital Signage Lösung.

Technologien: Java, JavaScript, HTML, CSS, SMIL, SVG, RPC, RubyOnRails
 

Konzeption und Umsetzung einer digitalen Publikationensplattform.

Technologien: ActionScript, Flash, Objective-C, HTML, CSS, JavaScript
 

Konzeption und Umsetzung eines Archivs für digitale Publikationen.

Technologien: ActionScript, Flash, Objective-C, HTML, CSS, JavaScript

Entwicklung eines dezentralen Sozialen Netzwerks.

Technologien: Ruby, RubyOnRails, HTML, CSS, JavaScript, Bootstrap, Backbone.js

Konzept und Entwicklung einer web-basierten Lernumgebung für visuelle Lerntechniken.

Technologien: Ruby, RubyOnRails, Objective-C, HTML, CSS, JavaScript