Chris Armbruster: Die Data Scientists von morgen

Wenn es um die digitalen Skills geht, dann ist es so, dass die Schulen und die Hochschulen in Deutschland, aber auch anderswo bisher noch nicht so besonders viel davon vermitteln in der grundständigen Ausbildung. Das heißt, die Leute erwerben diese Skills typischerweise woanders.

Data Scientists werden in Deutschland im Moment nachgefragt, weil relativ viele der deutschen Industrien festgestellt haben, dass sie in den Bereich Künstliche Intelligenz gehen müssen. Bei der Automobilindustrie ist das besonders offensichtlich mit dem Autonomen Fahren, das hat jeder verstanden. Aber dasselbe ist in der Gesundheitsindustrie, in der Finanzbranche, in der Energiebranche. Alle brauchen Leute, die auf der Basis von Datenströmen in der Lage sind, Produkte zu verbessern und/oder neue Produkte zu erfinden.

Reden wir von Data Science und Künstlicher Intelligenz, dann handelt es sich meistens um Kernkomponenten eines Produktes, die funktionieren müssen und die deswegen funktionieren müssen, auch fehlerfrei funktionieren müssen, weil damit ein gewisses Risiko verbunden ist, wenn sie das nicht tun. Also, anders als eine App auf einem Smartphone ist es bei einem autonom fahrenden Auto unglaublich wichtig, und viel der Debatte geht auch genau darum, dass dieses Auto völlig zuverlässig autonom fährt, keine Unfälle produziert, nicht aus Versehen gegen die Wand fährt oder irgendetwas anderes nicht klappt. Das heißt also, wir bewegen uns eigentlich in einem Bereich der Hochtechnologie, wo es sehr wichtig ist, dass die Leute fehlerfrei arbeiten können.

Im Prinzip ist es so, dass die Industrie, auch Beratungsfirmen, im großen Stil nach Leuten suchen mit Qualifikationen im Bereich Data Science und/oder Künstliche Intelligenz. Und es gibt zurzeit auch sehr viel mehr Angebote als es tatsächlich Bewerber gibt. Also, die Nachfrage ist viel größer als das Angebot seitens der Bewerber. Und dann gibt es jetzt verschiedene Möglichkeiten oder verschiedene Versuche, mehr Talente zu finden und diese Talente so vorzubereiten, dass sie diese Rollen ausfüllen können, erfolgreich ausfüllen können. Das eine sind die Online-Kurse. Die Erfahrung da auch in deutschen Unternehmen ist, dass sie sehr wohl Leuten helfen einzusteigen, die Grundkenntnisse zu erlernen, erste Praxisbeispiele kennenzulernen, dass das aber typischerweise nicht reicht, um tatsächlich einen Data Scientist im Sinne von production-ready zu sein, das heißt also, an Produkten und/oder Services mitzuwirken, erfolgreich. Die andere Variante im Moment ist das grundständige Studium, ein Master-Studiengang. Ich denke, da steht noch aus, ob und wie gut das funktioniert. Das läuft in Deutschland erst im Moment im größeren Stil an. Und dann gibt es noch die amerikanische Idee des Bootcamps, das heißt, dass man drei Monate zusammenkommt, recht intensiv, sehr praxisorientiert, typischerweise mit Trainern, die schon in der Industrie erfolgreich sind, das lernt und auch gleich anwendet und dann typischerweise danach gleich in einem Job anfängt. Also, ein, zwei Monate, nachdem man mit dem dreimonatigen Bootcamp fertig ist, hat man dann auch einen Job.

Beim Data Science Retreat kommen die Teilnehmer aus allen möglichen Richtungen. Also, wir haben Leute, die kommen aus der Genetik. Wir haben Leute, die sind Ökonomen. Wir haben Leute, die kommen aus Banken. Wir haben Leute, die kommen aus der Automobilindustrie. Die kommen von irgendwoher und sind in diesem Sinne Pioniere und machen etwas auf eigene Faust. Also, sie verstehen, dass Teile oder diese ganze Industrie sich in diese Richtung bewegt, und sie möchten halt sozusagen von Anfang an dabei sein. Und deswegen machen sie eine Weiterbildung zu Data Science und/oder Machine Learning. Typischerweise haben diese Leute Vorerfahrung. Also, sie wissen ganz genau, wie man mit Daten umgeht. Sie haben auch Programmiervorerfahrung in den relevanten Sprachen, zum Beispiel Python oder R. Aber es ist eben noch nicht so weit für sie persönlich, dass sie das tatsächlich einsetzen können. Manchmal ist es auch so, dass sie da, wo sie im Moment sind, keine Rolle finden können, wo sie es machen können. Und sie kommen dann eben zu uns, um die praktische Erfahrung zu lernen und dann eine Rolle zu finden, wo sie das tagtäglich tun können.

Einerseits geht es darum, dass wir feststellen, dass viele der bekannten Internetfirmen sind amerikanisch und/oder chinesisch. Und auf der anderen Seite ist es so, dass wir denken, dass es in Europa nicht genug Talente gibt, um das tatsächlich zu machen. Und beides stimmt auch in gewisser Weise. Also, wenn es um Internetfirmen geht, dann fällt einem immer auf, wenn darüber gesprochen wird, dass die amerikanischen Namen genannt werden wie Haushaltsprodukte, und bei den deutschen Firmen gibt es einige zwar, aber es dauert länger, bis die sozusagen fallen. Und was die Zahl der Talente angeht, weiß man natürlich auch, dass in Amerika einfach schon länger mehr ausgebildet werden und dass vor allem auch viel mehr in die USA einwandern, um das dort zu machen, und es hier nicht so dicht gesät ist. Einerseits - andererseits habe ich über meine Arbeit festgestellt, dass zurzeit an den europäischen Universitäten und ganz besonders an den Universitäten, an den Forschungseinrichtungen es ganz viele Doktoranden gibt, die wegen ihrer wissenschaftlichen Tätigkeit die ganze Zeit mit Daten umgehen müssen. 

Und damit meine ich nicht nur die großen Daten, die die Physiker haben, weil sie zum Beispiel in ihren Forschungslaboren nach den Gründen des Urknalls suchen oder so, sondern auch die Mediziner, die Biologen, die die ganze Zeit Bildverarbeitung betreiben und auch in diesem Sinne Daten haben. Das heißt, es wird die ganze Zeit geübt, und es werden auch Programmiersprachen eingesetzt, um genau diese Daten verarbeiten zu können. Das heißt, die Grundfertigkeiten sind da, aber sie sind natürlich in einer wissenschaftlichen Orientierung. Und wie wir wissen, ist es von der Wissenschaft zur Industrie nicht immer nur ein Schritt, sondern möglicherweise mehrere Schritte.

Es gibt eine Lücke zwischen den Doktoranden und der Industrie und den Start-ups. Und es ist so, dass zurzeit diese Lücke nicht geschlossen werden kann, weil beide Seiten zum Teil nicht voneinander wissen, aber weil beide Seiten auch nicht verstehen, wie man vernünftigerweise aufeinander zugehen wird. Also, auf der Seite der Doktoranden zum Beispiel habe ich festgestellt, dass, wenn sie ihre Lebensläufe schreiben, dass die so akademisch aussehen, dass ein Industrieunternehmen wirklich nicht verstehen kann, was sie tatsächlich können, was sie als Data Scientists befähigen würde.

Auf der anderen Seite ist es so, dass in der Industrie und in den Start-ups sowohl Human Resources als auch die Hiring Managers, also die Leute, die tatsächlich neue Mitarbeiter suchen, nicht unbedingt wissen, wo sie die Talente finden und auch nicht so supergut auf sie zugehen im Sinne von sie abholen, ihnen versuchen zu erklären, was sie noch machen müssen in den nächsten Monaten, um dann ein wertvoller Mitarbeiter zu sein. Das heißt, es besteht die Lücke, und die Lücke besteht im Moment weiterhin, und die Frage ist, wie man sie schließen kann. Und das ist etwas, was ich versuche in den nächsten Monaten herauszufinden, wie wir sozusagen die Talente zu der Industrie und in die Start-ups kriegen und wie wir sie so befähigen, dass sie als Data Scientists oder KI-Experte anfangen können und vielleicht auch in wenigen Jahren dann als Gründer eine neue Firma anfangen können.