Ausgangssituation
Volkswagen benötigte eine Plattform, auf der Data Scientists Daten für autonomes Fahren analysieren und ML-Modelle trainieren können. Der bisherige Prozess war manuell, langsam und nicht skalierbar. Gleichzeitig fehlte eine zentrale Verwaltung virtueller Testfahrzeuge (Digital Twins), die Sensorik- und Fahrzeugdaten in der Cloud abbilden sollten. FNTIO wurde als Platform Engineering Partner beauftragt und hat das Projekt über 2,5 Jahre begleitet.
Herausforderung
- Data Scientists warteten wochenlang auf Infrastruktur
- Manuelles Setup für jede neue ML-Umgebung
- Keine zentrale Verwaltung virtueller Testfahrzeuge (Digital Twins)
- Sicherheits- und Compliance-Anforderungen der Automobilbranche
- Komplexes Berechtigungsmodell: Unterschiedliche Teams und externe Partner brauchen granularen Zugriff auf Fahrzeugdaten
- ML-Workloads mit stark schwankenden Ressourcenanforderungen (Burst-Training vs. Idle)
Lösung
Phase 1 – Virtual Test Vehicles (Digital Twins): Webbasierte Anwendung für virtuelle Testfahrzeuge. Jedes physische Testfahrzeug erhält einen Digital Twin in der Cloud,
der Sensorik-Daten, Fahrzeugkonfigurationen und Testparameter zentral abbildet. Self-Service-Portal: Teams erstellen und verwalten Digital Twins in Minuten statt Wochen. Automatische Synchronisation mit den physischen Fahrzeugdaten über S3 Data Lakes.
Phase 2 – ML Environments: Infrastruktur-Provisioning mit Jupyter Notebooks, Snowpark-Integration und direktem S3-Zugriff auf Fahrzeugdaten. Skalierung auf 100+ parallele ML-Umgebungen mit automatischem Ressourcen-Management. ML-Scaling-Patterns:
Burst-Provisioning für Training-Jobs (GPU-Cluster on demand), automatisches Downscaling nach Abschluss. Apache Spark für verteilte Datenverarbeitung großer Sensorik-Datensätze.
Berechtigungsmodell: Granulares Zugriffskonzept auf Basis von Teams, Projekten und Datenklassifizierungen. Jede ML-Umgebung erhält nur Zugriff auf die Fahrzeugdaten, die für den jeweiligen Use Case freigegeben sind. Integration mit Volkswagens Identity Management für Single Sign-On und automatische Rollenzuweisung.
Snowflake-Integration: Snowpark als analytische Schicht über den Fahrzeugdaten.
Data Scientists arbeiten direkt in Snowflake mit Python und SQL, ohne Daten kopieren zu müssen. Secure Views für kontrollierte Datenfreigabe zwischen Teams.
Warum FNTIO?
Volkswagen brauchte einen Partner, der Snowflake-Expertise mit AWS-Architektur verbindet. FNTIO lieferte nicht nur die initiale Plattform, sondern blieb über 2,5 Jahre als Ownership-Partner. Das zeigt: Wir verlassen Projekte nicht nach dem Go-Live.
Ergebnisse
| Metrik | Wert |
|---|---|
| ML Environments | 100+ parallel |
| Use Case | Autonomous Driving Data |
| Setup-Zeit | Minuten statt Wochen |
| Self-Service | Vollständig automatisiert |
| Digital Twins | Zentrale Verwaltung aller virtuellen Testfahrzeuge |
| Partnerschaft | 2,5 Jahre kontinuierliche Weiterentwicklung |
| Burst-Training | GPU-Cluster on demand, automatisches Downscaling |
Differenzierung
- Nicht nur Infrastruktur: Ownership-Partnerschaft über den gesamten Lebenszyklus
- Kombination aus Snowflake Data Engineering und AWS Platform Engineering
- Digital Twin-Konzept von der Idee bis zur skalierbaren Plattform umgesetzt
- Berechtigungsmodell, das Automotive-Compliance-Anforderungen erfüllt
- 2,5 Jahre Partnerschaft statt einmaligem Projektgeschäft
Ihr Einstieg: ML-Plattform mit Self-Service
Ihre Data Scientists warten wochenlang auf Infrastruktur und manuelle Setups blockieren Ihre ML-Projekte? So lösen wir das.
Woche 1: Engpässe identifizieren. Wir analysieren Ihren aktuellen ML-Workflow: Wie lange dauert es, bis ein Data Scientist eine neue Umgebung bekommt? Wo sind die manuellen Schritte? Was blockiert die Skalierung? Direkt im System, nicht in Interviews.
Woche 2: Erste Self-Service-Umgebung. Ein ML-Environment, das sich per Self-Service in Minuten statt Wochen provisionieren lässt. Mit Notebook-Zugang, Datenanbindung und automatischem Ressourcen-Management. Ihr Team testet mit echten Workloads.
Woche 4: Plattform-Grundlage produktiv. Die Kernarchitektur für Self-Service ML-Environments steht: Provisioning automatisiert, Berechtigungsmodell implementiert, Burst-Scaling für Training-Jobs eingerichtet. Von hier aus skalieren Sie auf 10, 50 oder 100+ Umgebungen.
Was Volkswagen nach diesem Punkt erreicht hat: 100+ parallele ML-Umgebungen, Setup in Minuten statt Wochen, Digital Twins für autonomes Fahren, 2,5 Jahre Partnerschaft.
