Datawarehouse
Het datawarehouse bevat alle spoordata en vormt de kern van het RailDB-systeem. Alle andere componenten in het ecosysteem sluiten aan op dit datawarehouse.
API
De Automated Programming Interface (API) biedt snelle en eenvoudige toegang tot de gegevens in het datawarehouse. Dit is nuttig voor data scientists of om RailDB te koppelen aan andere applicaties.
Algoritmen
RailDB wordt geleverd met een uitgebreide reeks algoritmen. De algoritmen zetten de data om in informatie. Hiermee kan de gebruiker de meeste handmatige analyse activiteiten automatiseren.
Mapservices
Kaartdiensten zoals WMS en WFS zijn geïntegreerd in RailDB. Dit maakt een snelle en eenvoudige publicatie van data en algoritme resultaten mogelijk. Deze diensten kunnen eenvoudig worden gekoppeld aan bestaande GIS-applicaties.
Het RailDB-ecosysteem
Het RailDB-ecosysteem biedt een reeks hulpmiddelen:
- Linear Asset Management (LAM) Datawarehouse als basis
- API voor configuratie en directe datatoegang
- Algoritmen om data om te zetten in kant-en-klare inzichten
- Mapservices voor ruimtelijk inzicht in webGIS- of desktop GIS-applicaties
Waarom RailDB gebruiken?
Er is steeds meer data die door steeds minder mensen geanalyseerd moet worden. Om hiermee om te gaan, moeten we de repetitieve taken automatiseren. Bovendien maakt dit het werk voor de analisten leuker.
Naarmate ervaren analisten met pensioen gaan, zal kennis uit de organisatie verdwijnen. Een deel van deze kennis kan worden bewaard door deze te borgen in maatwerk algoritmen.
Analyses worden steeds complexer door de proliferatie van contracteisen. Veel van deze complexiteit kan worden opgevangen door maatwerk algoritmen.
Op regels gebaseerde algoritmen worden niet moe en maken geen fouten. Zo is de kwaliteit gewaarborgd en de levering snel.
Het georganiseerd en toegankelijk houden van grote hoeveelheden data is een hele uitdaging, zeker op de lange termijn. RailDB biedt op een zeer gestructureerde wijze eenvoudige toegang tot al uw spoordata.
De Algoritme Suite
RailDB biedt een algoritme suite voor gangbare analyses:
- Spoorstaaf slijpplan
- Spoorstaaf freesplan
- Spoorstaaf vervangingplan
- Veiligheidsbeoordeling van relatieve geometrie
- Stopplan voor liggingsonderhoud
- Relatieve geometrie voorspellingen
- Spoorstaaf slijtage voorspellingen
- etc.







Lessen uit 10 jaar algoritmen
Computers zijn er niet om mensen te vervangen. Computers zijn er om mensen te ondersteunen bij saaie en repetitieve taken.
Data science is geen doel op zich, maar een middel. Domeinkennis is en blijft noodzakelijk om algoritmen iets nuttigs te laten doen.
Gebruik alleen 'black box'-algoritmen zoals neurale netwerken als dat echt nodig is. We hebben het meeste succes gehad met eenvoudige 'rule-based' benaderingen. Machine learning is vooral nuttig voor beeldherkenning.
Het beoordelen en prioriteren van potentiële onderhoudslocaties blijft (voorlopig) mensenwerk. Computers hebben onvoldoende gezond verstand om dit te doen, vooral bij veiligheidskritische analyses.
Schipper houd uw roer recht. Het optimaliseren van data, applicaties, mensen en processen kost tijd. Frequente herprioritering en een hoog personeelsverloop zijn de vijand van vooruitgang.
Investeer ook in mensen en processen. Werken aan uw data en applicaties is niet voldoende. Zonder getrainde mensen die een proces volgen, zal de impact van de hele exercitie nul zijn.
Kosten en baten moeten binnen dezelfde organisatie vallen. Dit geldt met name voor algoritmische resultaten, waarbij de waarde de initiële investering ruimschoots overstijgt. Is dit niet het geval, dan ontstaat er steevast een conflict over het geld.
Klaar om uw spoordata naar een hoger niveau te tillen?
Neem contact met ons op voor meer informatie over hoe RailDB uw data kan laten renderen.