Databricks
LTTS geht eine Partnerschaft mit Databricks ein, um technikorientierten Unternehmen dabei zu helfen, ihre Altdatenbestände zu modernisieren, IT- und Betriebsdaten (OT) im Databricks Lakehouse zu vereinheitlichen, diese mit Unity Catalog zu verwalten und Analysen, maschinelles Lernen sowie generative KI in die Produktion zu überführen. Die Allianz verbindet die Databricks Data Intelligence Platform mit der Fachkompetenz von LTTS in den Bereichen Fertigung, Mobilität, Medizintechnik, Halbleiter und Energie.
Die meisten Daten- und KI-Programme scheitern an den Daten, nicht an der Plattform: Sensordaten ohne Kontext, Anlagensysteme, die nicht mit dem ERP-System kommunizieren, und Qualitätsregeln, für die niemand verantwortlich ist. Die Ingenieure von LTTS haben Jahrzehnte damit verbracht, sich mit diesen Produkten und Anlagen auseinanderzusetzen. Dank dieser fundierten Erfahrung können wir Datenmodelle, Pipelines und KI-Anwendungsfälle entwerfen, die genau widerspiegeln, wie Ihre Anlagen, Prozesse und Lieferketten tatsächlich funktionieren.
Unser Databricks-Angebot deckt den gesamten Lebenszyklus ab – von der Bewertung und Migration über Data Engineering, Governance und KI bis hin zum Managed Operations. Wir stellen Lösungen auf AWS, Microsoft Azure und Google Cloud bereit und bieten vorgefertigte Beschleuniger, damit Kunden innerhalb von Wochen statt Quartalen von der Erkundungsphase über den Proof of Concept bis hin zur unternehmensweiten Skalierung gelangen.
Warum Unternehmen gerade jetzt auf das „Lakehouse“-Modell umsteigen
Kosten und technische Schulden verdrängen Innovationen
Die Wartung von Systemen und Anwendungen verschlingt den größten Teil des IT-Budgets, und auf proprietären Plattformen häufen sich technische Schulden schnell an. Gleichzeitig ändern sich Geschäftsprozesse schneller, als die IT damit Schritt halten kann. Ein offenes Lakehouse senkt die Betriebskosten und bietet jedem Team eine gemeinsame Plattform, auf der es aufbauen kann.
KI ist nur so gut wie die Daten, auf denen sie basiert
Ein Modell ist nur so zuverlässig wie die Daten, auf denen es basiert. Falsche oder unvollständige Daten verstärken Fehlprognosen, und die Kosten einer falschen Vorhersage an einer Fertigungslinie oder im klinischen Umfeld sind weitaus höher als die Kosten eines KI-Projekts, das nie gestartet wurde. Zuverlässige, kontrollierte Daten müssen an erster Stelle stehen.
Der wahre Wert liegt in sorgfältig zusammengestellten technischen Daten
Technische und industrielle Daten bergen ein enormes Potenzial, sind jedoch selten für herkömmliche BI-Lösungen aufbereitet. Rasante Fortschritte im Bereich der KI haben die Möglichkeiten im Umgang mit OT-Daten erweitert, und die gemeinsame Aufbereitung von OT- und IT-Daten ist nun der direkteste Weg, um diesen Mehrwert zu erschließen.
Warum Sie LTTS als Ihren Databricks-Partner wählen sollten:
Schnellere Wertschöpfung
- Discovery lässt sich innerhalb weniger Wochen skalieren
- Von traditionellem ETL zum geregelten Lakehouse
- KI beschleunigt den Software-Lebenszyklus
Technische Tiefe
- Domain-Engineering trifft auf Lakehouse und KI
- Produktisierte Anwendungsfälle, Architekturen, Beschleuniger
- Industrielles Daten-Know-how ergänzt Databricks
Bewährte Lieferleistung
- Neun Großkunden in drei Regionen
- Stärkung der Zusammenarbeit innerhalb der L&T-Gruppe
- Eine Methodik, die auf termingerechte und budgetgerechte Umsetzung ausgelegt ist
Offene Standards
- Offene Standards ermöglichen sofort einsatzbereite Integrationen
- Fachwissen in den Bereichen Fertigung, Produkt- und Anlagenbau
- Integrationen, die bis in die Fertigung reichen
Gemeinsame Zusammenarbeit
- Eine Plattform zum Speichern, Kuratieren, Analysieren und Automatisieren
- Großer Kundenstamm mit fundiertem technischen Know-how
- Intensive Workshops und gemeinsame Sandbox-Demos
Kontext, Semantik und Ontologie
- Klar voneinander abgegrenzte Schichten mit unabhängigen Eigentumsverhältnissen
- KI-Agenten interpretieren technische Daten korrekt
- Schichten entwickeln sich weiter, ohne andere zu beeinträchtigen
LTTS-Beschleuniger und IP für Databricks
Die folgenden Ressourcen stehen vom ersten Tag an zur Verfügung:
Was es bewirkt
Wiederverwendbare KI-Agenten in geschäftlichen und technischen Arbeitsabläufen bereitstellen und koordinieren.
Auswirkungen
Bis zu 50 % schnellere Bereitstellung von KI-Lösungen und gesteigerte Produktivität der Mitarbeiter.
Was es bewirkt
Automatisiert die Validierung, Überwachung und Korrektur der Datenqualität.
Auswirkungen
Bis zu 60 % weniger Probleme mit der Datenqualität und zuverlässigere KI-Ergebnisse.
Was es bewirkt
Vereinheitlicht Metadaten, Datenherkunft, Governance und Datenproduktmanagement.
Auswirkungen
Bis zu 40 % schnellere Umsetzung von Governance-Maßnahmen und Compliance-Bereitschaft.
Was es bewirkt
Beschleunigt die Erfassung und Integration von OT-, IT- und Unternehmensdatenquellen.
Auswirkungen
30–50 % geringerer Integrationsaufwand und schnellere Einbindung neuer Datenquellen.
Was es bewirkt
Ein KI-gestütztes Framework für Entwicklung und Bereitstellung, das die Entwicklung, das Testen und die Einführung von Lösungen beschleunigt.
Auswirkungen
Bis zu 30–40 % schnellere Projektabwicklung bei höherer Produktivität und geringerem Abwicklungsrisiko.
Databricks-Referenzarchitektur
Unsere Referenzarchitektur leitet Daten aus beliebigen Quellen an beliebige Empfänger in einem einheitlichen, offenen und skalierbaren Lakehouse weiter, das durch Lakeflow-Jobs durchgängig koordiniert wird (Zeitpläne, Auslöser, Wiederholungsversuche, Warnmeldungen und Überwachung).
- Quellen: Dateien und Protokolle (halbstrukturiert), Datenbanken und ERP- oder Geschäftsanwendungen (strukturiert), Medien und Streaming (unstrukturiert)
- Erfassung: Batch-Erfassung mit Auto Loader, Streaming-Erfassung mit Azure Event Hubs oder Kafka sowie Change Data Capture mit HVR oder Fivetran
- Transformation: Medallion ETL – von der Rohdatenintegration über gefilterte, bereinigte und transformierte Daten bis hin zu geschäftsbereiten Tabellen
- Abfrage und Bereitstellung: Data-Warehouse- und Data-Engineering-Workloads auf Databricks SQL sowie eine RAG-Pipeline: Dokumenten-Chunking, Einbettung, Vektorsuche und Kontextabfrage
- Analyse: BI und Berichterstellung, Streaming-Analysen, Datenaustausch und Zusammenarbeit sowie ein agentenbasiertes KI-Framework mit Multi-Agenten-Orchestrierung, Planung, Speicher, Tools und Sicherheitsvorkehrungen für LLMs und Grundmodelle
- Integration: Chatbots, mobile Apps, Webportale und APIs
- Plattformgrundlage: Delta Lake für universellen offenen Speicher; Unity Catalog für Governance, Sicherheit, Beobachtbarkeit, Interoperabilität und Datenaustausch; MLflow für Nachverfolgung, Bewertung und Sicherheitsvorkehrungen; Genie Spaces als KI-Partner für die Datenverarbeitung
Arbeiten mit LTTS auf Databricks
Fangen Sie klein an, zeigen Sie den Nutzen auf und skalieren Sie dann gemäß eines von Ihnen genehmigten Plans.
Entdeckungssprint
4–6 Wochen, Festpreis
- Bewertung und TCO-Business-Case
- Zielarchitektur und Roadmap
Pod erstellen
Ergebnisorientierte Projektteams
- Migration, Pipelines und Anwendungsfälle für KI
- Skalierbar nach Phasen
Managed Lakehouse
24x5-Betrieb mit festgelegten SLAs
- Kostenkontrolle und FinOps-Berichterstattung
- Kontinuierliche Leistungsoptimierung
Ihre ersten 90 Tage
Tage 0–30
Bewerten und abstimmen
- Bestands- und Datenlandschaft bewerten
- Einigung auf die ersten beiden Anwendungsfälle
- Erstellen Sie die Gesamtbetriebskosten (TCO) und das Wertversprechen
Tag 31–60
Das Fundament errichten
- Errichten Sie das Fundament für das Lakehouse
- Das Unity-Katalog-Modell bereitstellen
- Die ersten Produktionspipelines in Betrieb nehmen
Tag 61–90
In Betrieb nehmen und Skalierung planen
- Die ersten beiden Anwendungsfälle in Betrieb nehmen
- Messen Sie die Auswirkungen auf das Geschäft und die Kosten
- Vereinbaren Sie den Plan für die nächste Skalierungswelle
Beginnen Sie mit einer kostenlosen Databricks-Eignungsprüfung
Innerhalb von zwei Wochen prüfen unsere Databricks-Architekten Ihre aktuelle Datenlandschaft, ermitteln die vielversprechendsten ersten Anwendungsfälle und skizzieren einen auf den Gesamtbetriebskosten (TCO) basierenden Weg zum Lakehouse.
Ressourcen
Von KI-Piloten bis zur Serienproduktion: Die Datenanforderun...
Führungskräfte in Unternehmen stehen unter zunehmendem Druck, Experimente mit KI in messbare Geschäftsergebnisse umzusetzen. Da der Fokus darauf liegt, wie die Technologie die Produktivität steigern...
Die LTTS–Databricks-Allianz ist eine gemeinsame Go-to-Market-Partnerschaft zwischen L&T Technology Services und Databricks. Sie verbindet die Databricks Data Intelligence Platform mit dem technischen Fachwissen von LTTS, um Unternehmen dabei zu unterstützen, Altdatenbestände zu migrieren, IT- und OT-Daten im Lakehouse zu vereinheitlichen, diese mit dem Unity Catalog zu verwalten und Analysen sowie KI in die Produktion zu überführen.
LTTS ist in erster Linie ein Ingenieurdienstleistungsunternehmen. Seine Teams kennen sich mit Produkten, Anlagen und industriellen Prozessen aus – nicht nur mit der Plattform. Daher spiegeln Datenmodelle, Pipelines und KI-Anwendungsfälle wider, wie sich Anlagen, Produktionslinien und Lieferketten tatsächlich verhalten – was bei der Arbeit mit OT-, Sensor- und PLM-Daten von entscheidender Bedeutung ist.
Ein Discovery-Sprint dauert vier bis sechs Wochen und führt zur Erstellung eines TCO-Business-Case, einer Zielarchitektur und einer Roadmap. Die Einrichtung der Landing Zone, des Workspace und des CI/CD-Setups dauert sechs bis acht Wochen. In den ersten 90 Tagen richtet LTTS in der Regel die Lakehouse-Grundlage ein, stellt den Unity Catalog bereit und nimmt die ersten beiden Anwendungsfälle in Betrieb.
Ja. LTTS baut auf Databricks sogenannte „Medallion-Pipelines“ auf, die Daten aus SAP, MES, Historian-Systemen, PLM-Systemen, IoT-Gateways und Edge-Brokern sowie aus CDC-, Kafka- und API-Feeds erfassen. Zu den Produktions-Workloads gehören Sensor- und Telemetriedaten im Umfang von mehreren Terabyte pro Tag, nahezu in Echtzeit verfügbare OEE- und Ausbeute-Übersichten sowie gestreamte Anomalie-Warnmeldungen, die in Wartungs-Workflows weitergeleitet werden.
LTTS nutzt Mosaic AI, um eine „Retrieval-Augmented Generation“ (RAG) auf der Grundlage von Handbüchern, Standardarbeitsanweisungen (SOPs) und Service-Tickets sowie KI-Agenten zu entwickeln, die mit ERP-, PLM- und Außendienstsystemen verbunden sind. Jede neue Version durchläuft vor der Veröffentlichung eine Reihe von Tests, wobei Sicherheitsvorkehrungen, die Filterung personenbezogener Daten und eine manuelle Überprüfung gewährleistet sind; Kosten, Latenzzeiten und Qualität werden im Produktivbetrieb überwacht.
Das LTTS FinOps Cockpit bietet einen Echtzeit-Überblick über die Ausgaben für Cluster, SKUs und Workloads, einschließlich Budgets, Warnmeldungen und Cost-Allocation nach Geschäftsbereichen. In Kombination mit Photon, der Optimierung von Clustern und Abfragen sowie der bedarfsgerechten Dimensionierung im Rahmen von SLAs ermöglicht es Einsparungen von 15 bis 25 % bei den Betriebskosten.
Beginnen Sie mit einer zweiwöchigen, kostenlosen Bereitschaftsprüfung Ihrer aktuellen Datenlandschaft. Die LTTS-Architekten bewerten Ihre Landschaft, ermitteln die wertvollsten ersten Anwendungsfälle und entwerfen eine auf den Gesamtbetriebskosten (TCO) basierende Roadmap. Von dort aus können Sie zu einem Discovery-Sprint zum Festpreis, einem ergebnisorientierten Build-Pod oder einem Managed-Lakehouse-Projekt übergehen.
LTTS bietet sechs Databricks-Dienste an: Lakehouse-Strategie und -Migration; Data Engineering und Streaming auf Delta Lake; Data Governance mit Unity Catalog; KI, maschinelles Lernen und generative KI mit Mosaic AI; Analytik, BI und Datenprodukte; sowie verwaltete Lakehouse-Abläufe mit FinOps. Für jeden Dienst gibt es festgelegte Leistungen, Beschleunigungsmaßnahmen und eine Definition des Fertigstellungszustands.
LTTS nutzt einen vierphasigen, wellenbasierten Ansatz: Bewertung, Entwurf, Migration und Optimierung. Die automatisierte Konvertierung von Code, ETL und SQL mithilfe integrierter Testpakete, paralleler Läufe und Abgleich auf Zeilenebene beseitigt das „Big-Bang“-Risiko, und Altsysteme werden erst nach der Validierung jeder einzelnen Welle abgeschaltet. Durch die Automatisierung reduziert sich der Migrationsaufwand um 30–40 %.
LTTS liefert Databricks-Lösungen für Unternehmen aus den Bereichen Industrieprodukte, Medizintechnik und Gesundheitswesen, Mobilität und Automobilindustrie, Luft- und Raumfahrt sowie Verteidigung, Halbleiter, Energie und Anlagentechnik sowie für Hightech- und Softwareunternehmen. Zu den typischen Anwendungsfällen zählen vorausschauende Instandhaltung, OEE-Analysen, Fahrzeugtelematik, Ausbeuteanalysen in Halbleiterfabriken, GxP-konforme Plattformen für klinische Daten sowie die Emissionsberichterstattung.
LTTS konzipiert die Governance für den Unity Catalog so, dass vom ersten Tag an Prüfnachweise erstellt werden. Dazu gehören Kontrollzuordnungen für GxP, IEC 62304 und ISO 27001, die DSGVO sowie Muster für den Datenaufbewahrungsort, Zeilenfilter und Spaltenmaskierung für personenbezogene Daten sowie eine lückenlose Herkunftsverfolgung und Zugriffshistorie. Der LTTS Governance Blueprint hilft Kunden dabei, innerhalb von etwa sechs Wochen auditbereit zu werden.
LTTS setzt Databricks auf AWS, Microsoft Azure und Google Cloud ein und nutzt dabei für jede Plattform speziell auf Sicherheit optimierte Landing-Zone-Vorlagen. Unity Catalog bietet eine einheitliche Governance-Ebene für alle Clouds und Arbeitsbereiche, und mit Delta Sharing können Unternehmen Daten mit Partnern austauschen, ohne diese zu kopieren.
Die LTTS-Databricks-Praxis verfügt über 159 engagierte Mitarbeiter, darunter 43 Fachkräfte mit der Zertifizierung als „Databricks Data Engineer“ (Associate oder Professional) sowie 12 Lösungsarchitekten, die Kundenprojekte leiten. Das Team verfügt zudem über 25 Zertifizierungen im Bereich Cloud- und Datenplattformen; 25 weitere befinden sich derzeit in Bearbeitung.