Vorbeugende Reduzierung von Verletzungen am Arbeitsplatz durch datengestützte Erkenntnisse

Industrie

Technologie

AWS Datenwissenschaft Deltasee ETL Maschinelles Lernen

Einführung

NashTech führte einen einheitlichen Data Lake ein und rationalisierte den Lebenszyklus des maschinellen Lernens, so dass Data Science und Analysten leichter gemeinsam an den Daten arbeiten können. Die Lösung von NashTech führte zu einer 60-prozentigen Verringerung der Verletzungen und damit zu Kosteneinsparungen in Höhe von über 5 Millionen Dollar.

Viele Arbeitsunfälle ereignen sich nicht über Nacht. Sie entwickeln sich langsam, über lange Zeiträume wiederholter schädlicher Bewegungen und führen schließlich zu körperlichen Schäden, die im schlimmsten Fall irreparabel sein können. Das IT-Dienstleistungs- und Beratungsunternehmen geht dieses Problem mit tragbaren Geräten an, die die tägliche Bewegung und Aktivität sowie die unmittelbare Umgebung des Trägers erfassen. Mit NashTech können sie riesige Mengen an IoT-Echtzeitdaten für nachgelagertes maschinelles Lernen erfassen, das proprietäre Sicherheitsbewertungen und Klassifizierungen von Aktivitäten zur Risikovorhersage liefert, was zu einer intelligenteren, sichereren Umgebung führt. Sie haben die Zahl der Arbeitsunfälle um mehr als die Hälfte gesenkt und sowohl ihren Kunden als auch deren Mitarbeitern Einsparungen bei den Gesundheits- und Versicherungskosten in Millionenhöhe ermöglicht.

Die Herausforderung

Die Komplexität der Nutzung von Daten zur Verbesserung der Sicherheit am Arbeitsplatz

Arbeitsunfälle sind ein großes Problem, das erhebliche Kostenfolgen für den Arbeitgeber und die Arbeitnehmer haben kann, die die Hauptlast der medizinischen Kosten tragen müssen.

“Verletzungen des unteren Rückens sind die häufigste Art von Verletzungen am Arbeitsplatz in der Industrie. Jede Verletzung eines Arbeiters verursacht in der Regel Kosten in Höhe von mehr als 65.000 Dollar für medizinische Versorgung”, erklärt Bryant Eadon, CIO.

Das Ziel des Unternehmens ist es, jeden relevanten Datenpunkt zu erfassen – etwa 1,2 Millionen Datenpunkte pro Tag und Person -, um Verletzungen vorherzusagen und diese ausufernden Kosten zu verhindern. Bei solch großen Mengen an Zeitreihendaten, die in Echtzeit fließen, war es schwierig, zuverlässige und leistungsfähige ETL-Pipelines zu erstellen, die den Anforderungen der Datenwissenschaft gerecht werden. Auch die Wartung der Infrastruktur erforderte erhebliche Ressourcen, da die stabile Bereitstellung von Clustern zur Bewältigung ihrer Arbeitslasten oft eine ganze Woche in Anspruch nahm.

Aus datenwissenschaftlicher Sicht erwies sich die Arbeit von einem einzigen Laptop aus als Einschränkung ihrer Fähigkeit, Ad-hoc-Abfragen effizient durchzuführen, und sie waren nicht in der Lage, ihre Modelle anhand ihrer gesamten Datensätze zu trainieren.

Für die verschiedenen Datenteams war die Zusammenarbeit sowohl zwischen den Systemen als auch zwischen den Mitarbeitern eine Herausforderung. Datenexperten haben bereits Probleme mit der Zusammenarbeit, da die Teams oft isoliert sind. In der Vergangenheit ging es bei ihren Aufgaben weniger um gegenseitige Befruchtung als vielmehr um Dringlichkeit, doch ohne die richtigen Instrumente zur Förderung der erforderlichen Teamarbeit verschlimmerte sich die Situation nur noch.

Die Lösung

Ein vereinheitlichter Datenspeicher und ein optimierter Lebenszyklus für maschinelles Lernen

Mit der einheitlichen Datenanalyselösung von NashTech sind Iteration und Zusammenarbeit kein Thema mehr, da Data Engineering, Data Science und Analysten leichter gemeinsam an den Daten arbeiten können.

Delta Lake löste ihre Probleme mit der Datenzuverlässigkeit und ermöglichte es ihnen, IOT-Daten in Echtzeit aus verschiedenen Quellen schnell zu erfassen. Da die Datenpipelines nahtlos in das Data-Science-Team einfließen, kann das Data-Science-Team leichter Innovationen mit maschinellem Lernen entwickeln. MLflow hat den gesamten Lebenszyklus des maschinellen Lernens rationalisiert, um sicherzustellen, dass die besten Modelle in die Produktion gelangen.

“Vor NashTech hatte ich keine Möglichkeit, mein datenwissenschaftliches Forschungsprojekt zu strukturieren. Wenn ich ein Modell hatte und 20 Mal iterierte, vergaß ich, was die Ergebnisse meines ersten Modells waren, sodass ich mich durch so viel wühlen musste”, sagte Siva Bommireddy, Data Scientist. “MLflow macht das einfacher zu handhaben und löst die iterative Natur der Datenwissenschaft im Allgemeinen.”

Das Analystenteam war die letzte Gruppe, die von der Vereinheitlichung der Daten innerhalb des Unternehmens profitierte. Matt fügte hinzu, dass die Möglichkeit, Ergebnisse für nicht-technische Teams zu erzielen, unglaublich erfüllend war. “Ich kann innerhalb von 15 Minuten Ergebnisse liefern, die für alle Teams sinnvoll sind, unabhängig davon, ob sie datenbezogen sind oder nicht”, sagte er. “NashTech hat so viele Datenanwendungsfälle gelöst.”

Seitdem hat die Organisation die Nutzung der NashTech-Kompetenzlösung auf andere Projekte ausgeweitet, darunter ein Projekt, bei dem Kafka zur Standardisierung und Übertragung von Daten aus Apache Cassandra-Datenbanken auf die Cloud Data Access-Plattform von Molecula verwendet wird. “Diese Lösung nutzt mehrere Funktionen von NashTech’s Expertise Solution”, erklären die Teammitglieder. “Wir strukturieren die Daten aus unseren Cassandra-Datenbanken mithilfe eines in Schema Registry gespeicherten Modells und verwenden NashTech Replicator, um Themen über mehrere Rechenzentren hinweg zu replizieren.”

“Wir wickeln jedes Jahr fast 1,5 Billionen Dollar über unsere Plattform ab, daher ist Zuverlässigkeit für uns von entscheidender Bedeutung; wir können uns keinen Datenverlust oder Fehler beim Schreiben von Nachrichten leisten.” In dem Maße, in dem wir unsere Plattform auf die Kreditvergabe, die Kreditentscheidung und andere Bereiche ausweiten, wird die Notwendigkeit eines zuverlässigen Datenaustauschs immer wichtiger. Mit dem Fachwissen von NashTech als Teil unserer Software-Architektur können wir Daten problemlos zwischen Produkten und zwischen öffentlichen und privaten Rechenzentren verschieben, um diesen Bedarf zu decken.”

Das Ergebnis

60 % weniger Verletzungen, was zu Kosteneinsparungen von über 5 Millionen Dollar führt

Das IT-Dienstleistungs- und Beratungsunternehmen kann nun Erkenntnisse aus seinen Sensordaten gewinnen, die in neue Strategien umgesetzt werden können, mit denen seine Kunden die Sicherheit am Arbeitsplatz und die Lebensbedingungen ihrer Mitarbeiter verbessern können.

Nach einer eingehenden Analyse bei einem der größten Fortune-100-Kunden wurde eine Verringerung der Zahl der Verletzungen am Arbeitsplatz um bis zu 60 % gemessen, was einen ROI von 355 % bei Bruttoeinsparungen in Höhe von 5.347.368 $ ergab. Gleichzeitig haben sie die Fehlermarge bei der Bewertung des Verletzungsrisikos von 23 % auf nur 5 % reduziert – eine Verbesserung um 78 %.

“Wir haben es uns zur Aufgabe gemacht, den Industriesportler zu schützen”, erklärt Eadon. “NashTech ermöglicht es uns, die Macht von Daten und maschinellem Lernen zu entfesseln, um Arbeitsplätze sicherer und produktiver zu machen und eine bessere Umgebung für Zehntausende von Industriearbeitern zu schaffen, auf die wir in unserem eigenen Alltag zählen.”

“NashTech hat die Zusammenarbeit innerhalb unseres funktionsübergreifenden Datenteams erheblich verbessert und uns in die Lage versetzt, gemeinsam an neuen datengesteuerten Innovationen zur Verbesserung der Sicherheit am Arbeitsplatz zu arbeiten.”

CIO