Was ist ITIL?
Framework für das IT-Service-Management
7 Grundprinzipien
Wertorientierung (Fokus auf Wert setzen)
Beginnen, wo man steht
Sich iterativ weiterentwickeln (mit Feedback!)
Teamwork & Sichtbarkeit
Ganzheitlich denken & arbeiten (nichts passiert ohne Wechselwirkung)
Einfach & praktikabel (einfacher Ansatz oft der beste)
Optimieren & Automatisieren
DevOps
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
kurzer umschlag zu deiner BA-Thesis
Paramteter welche degradation vorhersagen überlegt. (alles an lithium-ionen-batterie)
Spannung, Stromstärke, Ladekapazität, Ladeenergie, Entladekapazität, Entladeenergie, Spannungsänderungsrate, Innenwiderstand, Temperatur
Handling fehlende Daten
Normalisierung der Daten
Auswahl ML-Algorithmus (Deep Learning!)
RNN (Rekurrente Neuronale Netze)
effiziente integradion mehrerer Eingangsparameter
Erfassung langfristiger Abhängigkeiten
LSTM (Long Short Term Memory)
überwindung (VGP) Vanishing Gradient Phänomen
Modell-Architektur
2 LSTM-Schichten (komplexität des Modells)
100 Einheiten pro Schicht (anzahl neuronen (speichereinheiten) je schicht)
Batch-Größe von 128 (anzahl trainingsbeispiele, die gleichzeitig durchs netzwerk laufen)
Dropout-Raten von 0,2 (anzahl neuronen, die zufällig deaktiviert werden (!überanpassung!))
Lernrate von 0,0005 (Schrittweite, wie modell Gewcihte währen Training anpasst)
Gradient-Clipping von 1,0 (Begrenzt Gradienten um instabiles Lernen durch zu große Updates zu verhindern)
Technische Rahmenbedingungen
Python, TensorFlow Keras
MAE (Mean Absolute Error) (intuitive Maßzahl für durchschnittliche Fehlergröße, robust gegen ausreißer)
RMSE (Root Mean Squared Error) (wie MAE nur größere Fehler werden härter bestraft)
R²-Score (Bestimmtheitsmaß, wie viel Varianz der Zielvariable wird erklärt durch Modell)
Modell Entwickelt
Hyperparameteroptimierung (immer ein logischen schritt in die richtung, wo’s besser wird, biss keine verbesserung/verschlechterung)
Evaluation (Vorhersage & Lernen mit unterschiedlichen Datensätzen) (R²~99,6%) vorhersagekraft
Zuletzt geändertvor 2 Monaten