Wie sieht dein Arbeitsalltag als Data Science Consultant aus?
Da wir bei der ORAYLIS im Projektgeschäft unterwegs sind, ist der Arbeitsalltag als Data Science Consultant mehr als abwechslungsreich. Grob zusammengefasst entwickeln wir gemeinsam mit unseren Kunden Use Cases, die konkrete Probleme im geschäftlichen Alltag lösen. Wir präparieren die Daten, konstruieren anschließend KI-Modelle und bewerten diese in ihrer Qualität. Wir beschäftigen uns dabei hauptsächlich mit der Entwicklung von Prognosen, aber auch der Aufbau bspw. von Simulationen zur Ursachenanalyse, Text Mining oder Bildklassifikationen sind Bereiche, in denen wir unsere Kunden unterstützen. Darüber hinaus stellen wir die fertige KI dem Endanwender bereit, binden diese in die Unternehmensprozesse mit ein und automatisieren, optimieren sowie warten diese. Und auch die gängigen Consulting Aufgaben, wie das Beraten, das Präsentieren der Ergebnisse oder das Geben von Schulungen gehören zu unserem Alltag. Zudem sind wir Ansprechpartner für unsere Sales Abteilung oder betreuen auch mal praktische Abschlussarbeiten von UniabsolventInnen
Was schätzt du besonders an deiner Arbeit bei ORAYLIS?
Gebürtig komme ich aus der Region Oldenburg und bin dort auch sehr stark verwurzelt. Trotzdem habe ich mich bewusst und ganz gezielt für die ORAYLIS hier in Düsseldorf entschieden. Ich hatte bereits geahnt, dass so ein Arbeitgeber im BI-, Big-Data- und KI-Umfeld verdammt selten ist. Ich schätze hier vor allem meine Kollegen, die technologisch schon an morgen denken, ihr Wissen gerne teilen, immer ein offenes Ohr für mich haben und das Team aktiv zusammenhalten. Auf der anderen Seite sind da natürlich die Kunden, die mir spannende Einblicke hinter die sonst verschlossenen Türen ihres Unternehmens gewähren und mir dahingehend auch volles Vertrauen entgegenbringen. Von all dem ein Teil zu sein bereitet mir viel Freude, sodass ich sonntags abends auf der Autobahn Richtung Rheinland schon immer gespannt bin, was mir die neue Woche bringen wird.
Wie würdest du deiner Mutter erklären, was du machst?
Ich versuche es nicht im Allgemeinen mit irgendwelchen Definitionen zu erläutern, da das ganz sicher in die Hose geht, sondern anhand von Beispielen. Dabei reicht meistens ein Use Case aus, dessen Story man sich ausgehend vom eigentlichen Problem bis hin zum tatsächlichen Benefit anhören sollte. Nehmen wir beispielsweise die Einbruchsprognosen für Berlin. Das Problem hier liegt darin, dass die Polizei nicht das ganze Gebiet ausreichend präventiv abdecken kann. Jetzt wäre es doch schön zu wissen, wo morgen die Wahrscheinlichkeit eines Einbruchs hoch sein könnte, um die Einsatzkräfte auf Basis dieser Information gezielter einzusetzen – und hier kommen wir ins Spiel. Wir analysieren Vergangenheitsdaten unterschiedlicher Stadtteile in Hinsicht auf potentielle Zusammenhänge und auffällige Muster und verpacken diese Informationen in Algorithmen , die das Stadtgebiet für jeden neuen Tag in kritische und weniger kritische Bereiche einteilen. Dadurch wird die Personaleinsatzplanung mit wirklich messbarem Erfolg unterstützt.
Was verstehst du unter Künstlicher Intelligenz?
Eine Künstliche Intelligenz (KI) nutzt Ereignisse aus der Vergangenheit, die in Daten festgehalten sind. Sie leitet daraus automatisch bestimmte Regeln und Zusammenhänge ab, um diese wiederum auf neue und noch unbekannte Ereignisse anzuwenden. Grob gesagt soll sie, nachdem sie angelernt wurde, in den unterschiedlichsten Situationen die bestmöglichen Ratschläge geben. Natürlich hört sich der Begriff sehr hochtrabend an, da man eher von einer Nachahmung von intelligentem Verhalten reden kann und das auch nur für ganz spezielle, klar abgegrenzte Problemstellungen gilt. Aus den Augen eines Menschen ist eine KI daher alles andere als intelligent, sodass der Begriff des Maschinellen Lernens eigentlich passender ist.
Viele Leute sind sich bewusst, dass sie Hilfe mit ihren Daten benötigen, aber sie wissen nicht, was damit möglich ist. Wie schaffst du es, Ihnen die Augen für die neuen Möglichkeiten zu öffnen, die Künstliche Intelligenz bietet?
Es ist anfangs tatsächlich nicht einfach, die Leute dazu zu bringen, eine Verbindung zwischen den vorliegenden Daten und ihren fachlichen Problemen herzustellen. Meistens fehlt noch das grundlegende Verständnis, wozu eine KI eigentlich fähig ist. Und das ist auch schwer in Worte zu fassen. Zielführend ist es daher mit einem einfachen und gängigen Use Case zu beginnen, der beispielsweise auch bei anderen Unternehmen der gleichen Branche umgesetzt worden ist. Dahingehend unterstützen wir unsere Kunden auch in einem unserer Workshop-Angebote, in dem wir miteinander eine Reihe erfolgsversprechender Use Cases erarbeiten, diese priorisieren und anschließend gemeinsam umsetzen. Dabei ist das allererste Entwicklungsprojekt für unseren Kunden meist ein enormer Lernprozess. Nach und nach kommt er in die Denke rein und entwickelt plötzlich für sein Unternehmen ganz individuelle datengetriebene Lösungsansätze. Dies zu beobachten, ist jedes Mal wieder sehr spannend.
Welchen Branchen kannst du mit deinen Fähigkeiten helfen bzw. welchen Mehrwert kannst du schaffen?
Grundsätzlich können wir in allen Branchen unterwegs sein, in denen auch Daten anfallen. Wir haben uns auf KI-Verfahren spezialisiert und nicht direkt auf individuelle fachliche Problemfelder. So entwickeln wir für jeden Kunden individuell zugeschnittene Lösungen. Dadurch habe ich bereits in meinem ersten Jahr Einblicke u.a. in die Automobil-, Lebensmittel- oder in die Anlagebaubranche bekommen. Auch dadurch wird der Benefit geliefert, dass wir unsere Entwicklungsansätze, die vielleicht zuvor eher als branchentypisch angesehen wurden, auf andere Bereiche übertragen können und so mit neuen Ansätzen einen Mehrwert schaffen. Generell aber besteht der Mehrwert für unsere Kunden darin, dass beispielsweise Zeit und Kosten eingespart, Erträge gesteigert, Produktionsabläufe und Produktqualität verbessert oder auch Kunden- und Businessprozesse besser verstanden werden.
Welche sind die wichtigsten Ziele deiner Arbeit?
Aus einer rein technischen Perspektive ist das Ziel, ein fehlerfreies und für den Endanwender leicht zugängliches Datenmodell zu entwickeln, dessen Ratschläge auch die Realität widerspiegeln. Schließlich geht es darum, das Business unserer Kunden – und auch deren Kunden – effizienter und einfacher zu gestalten. Aus einer nutzerorientierten Perspektive ist es aber genauso wichtig, dass der Endanwender den Ratschlägen Vertrauen schenkt und keine blockierende Einstellung der KI gegenüber einnimmt. Auch das zu schaffen, ist meine Aufgabe. Erst, wenn ich mein Projekt aus beiden Perspektiven erfolgreich umgesetzt habe, bekomme ich einen wirklich zufriedenen Kunden, der aus meiner konstruierten KI das ganze Potential ausschöpft.
Was ist der Unterschied zwischen der Arbeit eines Statistikers und der Arbeit eines Data Scientist?
Der Übergang vom Statistiker zum Data Scientist ist fließend. Betrachten wir aber beide Berufsbilder etwas differenzierter, dann treibt der Statistiker seine Datenauswertungen eher ausgehend von Hypothesen voran, während der Data Scientist erst einmal alle verfügbaren Daten – grob gesagt – in einem Topf sammelt und anschließend herumexperimentiert. Das hat auch zur Folge, dass der Statistiker eher theoretisch arbeitet und das Einhalten statistischer Regeln sehr ernst nimmt, während der Data Scientist bei der Erstellung seiner Datenmodelle den realen Nutzen in den Fokus nimmt. Je nachdem, ob wir bspw. eine Ursachenanalyse oder eine realitätsbezogene Prognose aufbauen, haben beide Vorgehensweisen auch ihre Daseinsberechtigung. Als Data Scientist deckt man aber den hypothesengetriebenen Ansatz ebenfalls mit ab. Darüber hinaus ist der Data Scientist mit seinem IT-Hintergrund eher in der Lage, seine Datenmodelle später selbstständig in die Systemlandschaft und die Unternehmensprozesse mit einzubinden.
