1

Framework für das IT-Service-Management

7 Grundprinzipien

1. Wertorientierung (Fokus auf Wert setzen)

2. Beginnen, wo man steht

3. Sich iterativ weiterentwickeln (mit Feedback!)

4. Teamwork & Sichtbarkeit

5. Ganzheitlich denken & arbeiten (nichts passiert ohne Wechselwirkung)

6. Einfach & praktikabel (einfacher Ansatz oft der beste)

7. Optimieren & Automatisieren

Development & Operations

Bereiche Entwicklung, Testen & IT-Betrieb nahtlos ineinander Verknüpft

• kürzere Release Zyklen (schneller neue Feautures liefern)

• Automatisierungen (CI/CD, Tests, Deployment)

• Kontinuierliches Feedback zwischen Entwicklern, Betrieb & Kunde

• Monitoring & Logging ab Tag 1

• “You build it, you run it” - Entwickler tragen Verantwortung bis in den Betrieb

1. Paramteter welche degradation vorhersagen überlegt. (alles an lithium-ionen-batterie)

   1. Spannung, Stromstärke, Ladekapazität, Ladeenergie, Entladekapazität, Entladeenergie, Spannungsänderungsrate, Innenwiderstand, Temperatur

   2. Handling fehlende Daten

   3. Normalisierung der Daten

2. Auswahl ML-Algorithmus (Deep Learning!)

   1. RNN (Rekurrente Neuronale Netze)

      1. effiziente integradion mehrerer Eingangsparameter

      2. Erfassung langfristiger Abhängigkeiten

   2. LSTM (Long Short Term Memory)

      1. überwindung (VGP) Vanishing Gradient Phänomen

3. Modell-Architektur

   1. 2 LSTM-Schichten (komplexität des Modells)

   2. 100 Einheiten pro Schicht (anzahl neuronen (speichereinheiten) je schicht)

   3. Batch-Größe von 128 (anzahl trainingsbeispiele, die gleichzeitig durchs netzwerk laufen)

   4. Dropout-Raten von 0,2 (anzahl neuronen, die zufällig deaktiviert werden (!überanpassung!))

   5. Lernrate von 0,0005 (Schrittweite, wie modell Gewcihte währen Training anpasst)

   6. Gradient-Clipping von 1,0 (Begrenzt Gradienten um instabiles Lernen durch zu große Updates zu verhindern)

4. Technische Rahmenbedingungen

   1. Python, TensorFlow Keras

   2. MAE (Mean Absolute Error) (intuitive Maßzahl für durchschnittliche Fehlergröße, robust gegen ausreißer)

   3. RMSE (Root Mean Squared Error) (wie MAE nur größere Fehler werden härter bestraft)

   4. R²-Score (Bestimmtheitsmaß, wie viel Varianz der Zielvariable wird erklärt durch Modell)

5. Modell Entwickelt

6. Hyperparameteroptimierung (immer ein logischen schritt in die richtung, wo’s besser wird, biss keine verbesserung/verschlechterung)

7. Evaluation (Vorhersage & Lernen mit unterschiedlichen Datensätzen) (R²~99,6%) vorhersagekraft