Christian Stadter – Ex-Mechatroniker mit Machine Learning im Werkzeugkasten

Staffel 2· 16. Juni 2020· 1403

Episoden-Cover: Christian Stadter – Ex-Mechatroniker mit Machine Learning im Werkzeugkasten
0:001403
  • Podcast-Host (Erium)Moderator, The Erium Podcast
  • Christian StadterWissenschaftlicher Mitarbeiter / Research Associate, TU München, Bereich Intelligent Joining System Technology

Überblick

In dieser Folge spricht der Host des Erium Podcasts mit Christian Stadter, der an der TU München im Bereich 'Intelligent Joining System Technology' forscht. Christian schildert seinen ungewöhnlichen Werdegang vom Mechatroniker über das nachgeholte Abitur bis zum Maschinenbaustudium und zur Promotion. Im Mittelpunkt steht, wie Machine Learning und Data Science heute seine ingenieurtechnische Forschung bereichern.

Über den Gast

Christian Stadter absolvierte zunächst eine Ausbildung zum Mechatroniker, u.a. bei Sumitomo, und arbeitete als Werkstudent bei Siemens. Anschließend holte er die Hochschulreife nach und schloss einen Master of Science in Maschinenwesen an der TU München ab. Heute ist er dort als wissenschaftlicher Mitarbeiter (Research Associate) am Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb) tätig und forscht im Bereich Intelligent Joining System Technology, mit dem Schwerpunkt Laserstrahlschweißen und der Anwendung von Data-Science-Methoden in der Produktionsüberwachung.

Zusammenfassung

Was steckt hinter 'Intelligent Joining System Technology'?

Christians Forschungsfeld beschäftigt sich mit der Flexibilisierung von Produktionsprozessen und -anlagen. Ziel ist es, flexible Fertigungsmittel einzusetzen, die zwar Produktivitäts- und Wirtschaftlichkeitsvorteile bieten, aber schwer zu beherrschen sind und Prozesssicherheit erfordern. Ein konkretes Anwendungsbeispiel ist das Laserstrahlschweißen: Karosseriestrukturen oder Batteriekomponenten werden miteinander verbunden, und für jeden einzelnen der oft tausenden Verbindungspunkte muss sichergestellt werden, dass er im Crashfall oder im Betrieb die gewünschten Eigenschaften erfüllt.

Machine Learning im Produktionsalltag: Support Vector Machines und Entscheidungsbäume in Echtzeit

Da konventionelle Beobachtungsmethoden beim Laserstrahlschweißen oft an ihre Grenzen stoßen, setzt Christians Team auf Data-Science-Methoden wie Support Vector Machines und Entscheidungsbäume, um Sensorsignale auszuwerten. Entscheidend ist dabei die Echtzeitfähigkeit: Jeder Verbindungspunkt kann so in Echtzeit überwacht und bei Bedarf können Stellgrößen im Produktionsprozess direkt nachgezogen werden. Das Team entwickelt keine Algorithmen neu, sondern wendet bestehende Konzepte zielgerichtet auf industrielle Probleme an.

Besonderes Augenmerk legt Christian auf die Nachvollziehbarkeit und Erklärbarkeit der Modelle - sowohl für Data Scientists, die verstehen müssen, wie Entscheidungen zustande kommen, als auch für die Anwender in der Industrie, deren Akzeptanz von der Transparenz des Systems abhängt. Gerade im Langzeitbetrieb über viele Jahre hinweg ist es wichtig zu wissen, auf welchen Daten das Modell trainiert wurde und wie es auf zukünftige, veränderte Produktionsbedingungen reagiert.

Schnittstelle zwischen Domänenwissen und Data Science

Christians Institut versteht sich als Brücke zwischen reinen Data-Science-Experten und Technologiespezialisten mit tiefem Systemverständnis. Die eigene Ausbildung liegt bewusst in der Mitte: Man muss Algorithmen nicht im Detail weiterentwickeln können, aber verstehen, wie man sie anwendet und was die Ergebnisse bedeuten. Der enge Austausch mit Data-Science-Expertinnen und -Experten sowie mit Industrieunternehmen unterschiedlicher Branchen ist dabei zentraler Bestandteil der täglichen Arbeit.

Vom Mechatroniker zum Forscher: Ein Werdegang geprägt von Begeisterung statt Plan

Christian schildert offen, dass er mit 16 Jahren die Motivation am Gymnasium verlor und eine Ausbildung zum Mechatroniker begann. Genau diese Ausbildung in einem klassischen Maschinenbauunternehmen - von einfachen Feilarbeiten bis zur Inbetriebnahme einer Spritzgießmaschine - weckte seine dauerhafte Begeisterung für das Fachgebiet. Daraufhin holte er die fachgebundene und allgemeine Hochschulreife nach und begann das Maschinenbaustudium.

Den Weg in die Forschung fand er nicht durch gezielte Planung, sondern durch den fehlenden Praxisbezug nach dem Abitur: Bereits am ersten Tag im Studium suchte er eine praktische Tätigkeit und landete so am Institut, an dem er heute forscht. Über mehrere Jahre als studentische Hilfskraft und Werkstudent konnte er genau einschätzen, was den Forschungsalltag ausmacht - und entschied sich dann für eine Promotion.

Ratschläge für Studierende: Neugier statt Blaupause

Christian empfiehlt Studierenden, verschiedene Tätigkeiten - sei es als Hiwi, Werkstudent oder am Institut - auszuprobieren, um herauszufinden, was einem langfristig liegt. Er rät, der eigenen Motivation zu folgen statt einem starren Karriereplan, denn viele erfolgreiche Berufsbiografien entstehen durch das konsequente Verfolgen echter Begeisterung. Wer in die Forschung möchte, profitiert davon, sich frühzeitig am Institut zu engagieren - nicht wegen der Noten allein, sondern um sich gegenseitig kennenzulernen und Vertrauen aufzubauen. Gleichzeitig betont er, dass nach dem Studium noch vieles offen ist und ein erster Job keine endgültige Festlegung darstellt.

Kernaussagen

  • Intelligent Joining System Technology verbindet Produktionstechnik mit Data Science, um flexible Fertigungsverfahren wie Laserstrahlschweißen prozesssicher zu machen.
  • Support Vector Machines und Entscheidungsbäume ermöglichen die Echtzeit-Überwachung tausender Verbindungspunkte in der Automobilfertigung.
  • Erklärbarkeit und Nachvollziehbarkeit von ML-Modellen sind in sicherheitskritischen Produktionsumgebungen entscheidend - sowohl für Data Scientists als auch für Endanwender.
  • Das Institut agiert als Schnittstelle: Domänenwissen trifft auf Data-Science-Expertise, ohne dass Algorithmen neu erfunden werden müssen.
  • Christians Karriereweg zeigt, dass ein nicht-linearer Weg über Ausbildung, nachgeholtes Abitur und Studium zu einer erfolgreichen Forschungslaufbahn führen kann.
  • Der Schlüssel zu langfristiger Motivation liegt laut Christian darin, echte Begeisterung als Kompass zu nutzen - statt einem starren 20-Jahres-Plan zu folgen.
  • Frühe praktische Erfahrung am Institut, z.B. als Hiwi, erleichtert den Einstieg in eine Doktorandenstelle erheblich.

Fazit

Christians Geschichte zeigt eindrücklich, wie ein ungewöhnlicher Bildungsweg, gepaart mit echter Leidenschaft für ein Fachgebiet, zu einer spannenden Forschungskarriere an der Schnittstelle von Maschinenbau und Data Science führen kann. Der Podcast macht deutlich, dass Machine Learning heute kein exklusives Werkzeug für Informatiker ist, sondern auch Ingenieure befähigt, komplexe Produktionsprozesse auf einem neuen Niveau zu beherrschen - sofern man den Mut hat, sich an die Schnittstelle zweier Disziplinen zu wagen.

Für Maschinenbaustudieerende und MINT-Studierende

Data Science und Machine Learning sind auch ohne Informatik-Background erlernbar und können das eigene Fachgebiet enorm bereichern. Es lohnt sich, bereits im Studium als Hiwi oder Werkstudent Einblick in Forschung und Industrie zu gewinnen.

Für Personen mit nicht-klassischem Bildungsweg

Christians Werdegang zeigt, dass eine Ausbildung vor dem Studium kein Nachteil ist - im Gegenteil kann das praktische Fundament eine wertvolle Grundlage für spätere Forschungsarbeit sein.

Für Produktions- und Fertigungsunternehmen

Die Kombination aus Domänenwissen und Data-Science-Methoden eröffnet neue Möglichkeiten für Qualitätssicherung und Prozessüberwachung in der Fertigung - insbesondere wenn Erklärbarkeit und Langzeittauglichkeit der Modelle von Anfang an mitgedacht werden.

Volltranskript anzeigen

Speaker0: Ihr hört die IRIUM Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker1: Heute ist Christian Statter zu Gast. Er forscht an der TU in München im Bereich Intelligent Joyning System Technology. Was das genau ist, wie er dort hingekommen ist und wie Data Science seine Forschung verändert, erzählt er uns jetzt. Vom Mechatroniker bei Sumi Tomo zum Werkstudent bei Siemens, anschließend Master of Science in Maschinenwesen von der TU in München und jetzt forsche dort auch im Bereich.

Speaker2: Ich bin gespannt auf unseren heutigen Gast Christian Statter. Toll, dass Du da bist Christian, freut mich. Vielen Dank, Jaguar. Ich freu mich, auch hier zu sein. Danke schön. Ich bin wirklich gespannt, was Du uns zu erzählen hast. Wie geht's dir denn? Sehr gut, tatsächlich den Umständen entsprechend. Also ich bin ja froh, dass wir uns jetzt schon fast persönlich gesehen haben, Jaguar. So und jetzt jetzt mit der Situation ganz gut arrangiert und so geht's uns ganz gut jetzt auch hier wieder in der Forschungslandschaft.

Speaker1: Genau. Also oft hat man ja eben, sag ich mal, im MINT Bereich das das Glück, dass man viel, viel Homeoffice auch machen kann, ja, und nicht oft nicht oft einfach nicht physisch unbedingt da sein muss, seine Arbeit zu tun. Deswegen hat man da auf jeden Fall Glück.

Speaker2: Das kommt uns dagegen, definitiv. Also auch die Möglichkeit zu haben, wie Du schon sagst, einfach mal den Laptop damit nach Hause zu nehmen und dann noch arbeiten zu können. Das ist schon ein Vorteil, den wir jetzt definitiv ausspielen können, den Luxus, den haben nicht allzu viele aktuell.

Speaker1: Genau. Springen wir direkt rein, Du forscht im Bereich Intelligence Joyning System Technology. Könntest Du den Begriff vielleicht für uns klären? Was ist damit genau gemeint? Mhm, gerne.

Speaker2: Wir beschäftigen uns mit der Flexibilisierung. Das ist son bisschen das übergeordnete Ziel von Produktionsprozessen und Anlagen. Es ist so, dass viele Fertigungsmittel zum Einsatz kommen könnten, die einfach sehr viel Flexibilitäts- und Produktivitätsvorteile ausspielen können, die aktuell aber noch schwer zu beherrschen sind und die es einfach schwierig machen, da eine Prozesssicherheit auch zu gewährleisten. Und ganz konkretes Anwendungsbeispiel vielleicht bei uns ist eben, ja, wirklich flexible Werkzeuge im Produktionsumfeld, in der Produktion von Kalorien beispielsweise, einsetzen zu können und am Ende aber sagen zu können, okay, dieses Werkzeug, das mir jetzt signifikante Vorteile bietet in der Produktivität, auch in der Wirtschaftlichkeit, das liefert genau die Produkteigenschaften, die ich haben möchte, gerade wenn son Auto dann vielleicht mal irgendwo in einen Unfall verwickelt ist, dann möchte ich genau wissen, dass jeder von diesen 1000 Verbindungspunkten unter Umständen genau das auch abhält, was er abhalten soll. Und da damit beschäftigen wir uns in dem Umfeld ganz, ganz grob gesprochen, eben mit der mit den Produktionssystemen, die dann hier eine entsprechende Sicherheit gewährleisten sollen, die flexible Werkzeuge anwendbar machen sollen. Und in dem Umfeld beschäftigen wir uns in dem Forschungsfeld.

Speaker1: Mhm. Und was machst Du da eigentlich den ganzen Tag? Also das klingt so, dass Du auch da viel mit Firmen zusammenarbeitest oder wo bekommt ihr da eure Infos her? Oder ist das quasi rein Forschung an der an der Uni? Ganz genau. Wir sind stark anwendungsorientiert,

Speaker2: wie Du schon gesagt hast. Wir sind da stark im Austausch mit Industrieunternehmen, unterschiedlichste Branchen. Die Schnittmenge ist einfach dann das Produzieren der Gewerbe, das jeder irgendwo mitbringt und in dem Umfeld wollen wir wirklich unsere Forschungsansätze beziehungsweise auch die Forschungsansätze aus dem Bereich Data Science, wo wir jetzt nicht die Algorithmen weiterentwickeln, wo wir auch bestehende Konzepte aufsetzen, die möchten wir gerne in die industrielle Anwendung bringen.

Speaker1: Mhm. Kannst Du da vielleicht sone grobe Zeitabschätzung geben? Also was wie viel Prozent der Zeit ist Forschung? Wie viel Prozent der Zeit ist Austausch mit den Firmen aus der Industrie? Weißt Du da vielleicht sone grobe Schätzung?

Speaker2: Gute Frage. Also bei uns teilt sich's eben auf in die also die Forschungsprojekte, das ist bei uns die mittel- und langfristige Grundlage. Da erarbeiten wir unsere Konzepte, unsere Methoden weiter. Dann haben wir eben die kurzfristig angelegten bilateralen Zusammenarbeiten mit Industrieunternehmen, da wollen wir's wirklich zeitnah auch in die Anwendung überführen. Und dann sind's noch die Themenblöcke Lehre und dann auch eben die Betreuung von Studenten, die irgendwo eine Studienarbeit bei uns schreiben und und sich da wissenschaftlich mit Themen noch mal auseinandersetzen. Und diese 4 Themenblöcke, die sind ungefähr gleich gewichtet, würd ich jetzt mal aus dem Bauch raus sagen. Das heißt auch auch, weil Du nach der Forschung gefragt hast, die Forschung steckt zum einen in den Forschungsprojekten drin, die steckt 'n bisschen drin auch in den bilateralen Projekten mit den Industrieunternehmen und gerade auch in der Zusammenarbeit mit Studenten. Das ist schwierig, das in eine Zahl zu gießen, aber ich würde schon sagen, dass es irgendwo doch den Großteil unserer Arbeit ausmacht, auch wenn dann vieles irgendwo daran hängt, das in die Anwendung zu überführen, was jetzt dann vielleicht nicht mehr die direkte Forschungsarbeit ist.

Speaker1: Jetzt hattest Du ja erwähnt, dass Data Science deine beziehungsweise eure Arbeit da ja auch beeinflusst. Hast Du vielleicht da son Gang ganz konkretes Beispiel, wo Du sagst, hey, wir haben so einen Machine Learning Algorithmus benutzt. Muss jetzt nicht superkonkret sein, aber wenn Du sagst, hey, das war 'n Clustering Algorithmus, weil wir da das und das machen mussten? Oder hast Du da vielleicht ein Beispiel, wie genau euch Data Science da

Speaker2: beeinflusst hat oder beeinflusst? Mhm. Also vielleicht ganz konkretes Anwendungsbeispiel. Ich hab bin son bisschen oft die Fertigungsmittel eingegangen. Wir beschäftigen uns zum Beispiel mit dem Laserstrahlschweißen. Damit wollen wir irgendwo tragende Karosseriestrukturen miteinander verbinden oder wir wollen Batteriekomponenten miteinander kontaktieren und da müssen wir einfach sehr genau wissen, wenn man sich vorstellt, man legt 2 Bleche aufeinander, möchte die miteinander von 1 Seite verschweißen, muss ich ganz genau wissen, was bekomme ich an Geometrie, was bekomme ich an Eigenschaften von dieser Speisenart? Und da kommen häufig dann konventionelle Beobachtungsmethoden an Ihre Grenzen, weil man auch nur sehr indirekt beobachten kann oft. Und da setzen wir dann eben darauf auf, dass wir mittels beispielsweise Supportvectormaschinines oder Entscheidungsbäumen Sensorsignale auswerten und das in Echtzeit tun können und dann eben einfach für jeden dieser vielen 1000 Kontaktierungspunkte, die man sich jetzt zum Beispiel in in sonem Auto vorstellen kann, dass man die einfach Punkt für Punkt in Echtzeit überwacht und entsprechend dann auch die Stellgrößen nachzieht im Produktionsprozess, dann wirklich für jeden Verbindungspunkt genau die Eigenschaften sicherzustellen, die dann irgendwo im Crash relevant sind oder die einfach im Betrieb dann eben, wenn der Strom durchgeleitet werden soll, zum Beispiel relevant werden. Mhm.

Speaker1: Outsourct ihr das komplett? Also habt ihr euren Data Scientist, wo ihr wo ihr zu dem sagt, macht das mal und dann forschen wir da weiter? Oder ist das, habt ihr euch das irgendwie oder hast Du dir das selber beigebracht? Und falls ja, wie war das genauso? War das einfach zu sagen, ja, ich steig jetzt in Data Science ein, weil ich brauch das für meine Forschung? Wie wie kam das genau dazu? Also bei uns tatsächlich, wir sind an der Schnittstelle

Speaker2: zwischen eben den Experten ausm Bereich Data Science und auf der anderen Seite zu den Experten, die einfach das System und das Technologieverständnis mitbringen. Wir versuchen genau, diese beiden Welten zu verbinden und unser Ausbildungshintergrund ist auch genau der, dass dass wir da irgendwo in der Mitte liegen. Das heißt, wir stehen da viel im Kontakt mit Expertinnen und Experten aus dem Bereich Data Science, die uns auch versorgen mit den neuesten Methoden und mit den neuesten Ansätzen, wo wir auch einfach dann dann nicht den Hintergrund, den Ausbildungshintergrund mitbringen, dass wir da im Detail jeden Algorithmus verstehen und dann unter Umständen sogar weiterentwickeln können, sondern wir möchten den anwenden und bei uns ist häufig eben auch die Herausforderung, das Ganze dann nachvollziehbar zu gestalten. Ich hab schon angesprochen, irgendwo sone Karosseristruktur, die auch im Crashfall verschiedenste Lastfälle abhalten muss, Da muss ich sehr genau verstehen, wie ich meine Daten auswerte, was ich an Schlüssen daraus ziehe, ob ich jetzt wirklich sagen kann, okay, meine 1000 Verbindungspunkte sind alle in Ordnung oder das eine ist eben nicht in Ordnung und ich kann das Auto dann entsprechend nicht verkaufen. Und da geht's oft diese Nachvollziehbarkeit und die Erklärbarkeit. Da muss ich 'n grundsätzliches Verständnis für mitbringen, was sind alles an Effekten irgendwo in den Daten enthalten Und deswegen sind wir so an der Schnittstelle aus eben Data Science und den Domänenexperten, die einfach das System und das Technologieverständnis mitbringen.

Speaker1: Nur zum nutz, das zu klären, mit Nachvollziehbarkeit oder Erklärbarkeit meinst Du Erklärbarkeit gegenüber den Firmen aus der Industrie oder gegenüber wem genau?

Speaker2: Das geht zum einen auch, also zum einen auch son bisschen der Gedanke, die Algorithmen beziehungsweise die Entscheidungsfindung nachvollziehbar zu gestalten, also auch für den Data Scientist gesprochen irgendwo zu sehen, warum bekomme ich jetzt hier die Aussage, Produkt ist in Ordnung oder ist nicht in Ordnung, einfach dann auch 'n Gefühl dafür zu bekommen, wo wird das System an seine Grenzen stoßen. Wenn ich einfach über den laufenden Betrieb über die nächsten 5, 6, 7, 8, 9, 10 Jahre das System dann auch prozesssicher halten will, dann muss ich sehen, okay, mit welchen Daten oder welche Daten hat das System einmal zum Training gesehen? Welche Daten wird's im realen Produktionsumfeld dann die nächsten 10 Jahre sehen? Und einfach da genau wissen, wie reagiert das System und da einfach genau nachvollziehen können, wie läuft auch sone Entscheidungsfindung ab. Auf der anderen Seite, genau das ist auch der Aspekt, den Du schon angesprochen hast, eben die Erklärbarkeit und die Nachvollziehbarkeit für den Benutzer mitzugeben, der am Ende dann auch einfach über die Akzeptanz von sonem System wesentlich mitentscheidet.

Speaker1: Macht auch Sinn. Also ich arbeite als Tutor an der an der Uni in München und da ist auch ein Satz, der den ich versuch, häufig mitzugeben, ist, dass quasi das oft, dass man die tollen Gedanken, die man sich macht, oft dann auch einfach nicht zu wert sind, wenn man sie nicht gescheit kommunizieren kann. Weil sonst behält man sie, die sich irgendwie nur für sich und keiner kann was damit anfangen und dann misst man selber schlau, aber irgendwie alle anderen haben nichts davon. Na ja. Genau, dann kommen wir vielleicht mal, was mich auch interessieren würde, ist, wie Du denn jetzt zu dem Punkt gekommen bist, wo Du denn jetzt bist. Ich hatte eingangs erwähnt, das hab ich auf LinkedIn gesehen, dass Du Mechatroniker warst. Und Du hattest mir jetzt eben vorab gesagt, dass Du da eine 1 Ausbildung gemacht hast und dann quasi noch mal weiter zur Schule gegangen bist. Kannst Du da vielleicht son bisschen erklären, wie's dazu kam?

Speaker2: Und warum Du dich dazu entschieden hast, dann doch noch mal zu studieren? Gerne. Also ich hab einfach son bisschen dann auf dem Gymnasium die Motivation an der Schule 'n bisschen verloren und bin dann eben mit 16 in die Ausbildung eingestiegen und bin da in 'n Unternehmen reingekommen, in klassischer Maschinenbau, das einfach son bisschen diese 1. Begeisterung bei mir geweckt hat für das für das ganze Umfeld des Maschinenbaus und da hab ich mich sehr wohl gefühlt. Da hab ich gesehen, dass es genau das Betätigungsfeld irgendwo, was mir auch die nächsten Jahrzehnte dann Spaß machen wird und dementsprechend war ich dann angetrieben, wieder erst mal die fachgebundene Hochschulreife, dann die allgemeine Hochschulreife nachzuholen und dann das Studieren zu beginnen und dann bin ich auch son bisschen zufällig zu dem Thema jetzt Laserstrahlspeisen beziehungsweise jetzt wiederum im nächsten Schritt dann auch in den Bereich Machine Learning vorgestoßen und das waren dann einfach son son paar Schritte, ja, die son bisschen auch zufällig dann einfach kamen Und wo ich dann aber auch einfach immer wieder die Motivation gefunden hab, wo ich genau wusste, ich will mich da die nächsten Jahre dann in dem Feld betätigen.

Speaker1: Das heißt, es war da Du warst da sehr leidenschaftsgetrieben und das Werkzeug, was Du quasi dann gebraucht hast, zum Beispiel eben Machine Learning, hat dich dann glücklicherweise auch noch geflasht und dann hast Du das dir quasi auch noch zu eigen gemacht. Ganz genau, ganz genau. Also ich hab mich gerade so in meinen jungen Jahren das sehr schwergetan,

Speaker2: irgendwo mit 15, 16 dann vor der Entscheidung zu stehen, was mach ich mein Berufsleben

Speaker1: lang Ist auch sehr früh.

Speaker2: Genau. Genau und dann kam die Ausbildung sehr gut und dann war das genau dieses Betätigungsfeld klassischer Maschinenbau, wo ich einfach diese Begeisterung gefunden hab. Und wie Du gesagt hast, dann kam das eine zum anderen und ich hab dann immer diese Themen als als irgendwo Begeisterungsmerkmale

Speaker1: für mich gefunden und hab mich dann da weiter vertieft. Bist Du zufrieden damit mit dem, wie's da so passiert ist oder würdest Du da tatsächlich irgendwas anders machen? Wenn Du sagst, gut, im im Rückblick ist man vermutlich oft eher immer schlauer, ne? Aber gibt's irgendwas während dem Studium, wo Du sagst, ach, hätt ich während dem Studium doch noch die eine

Speaker2: Computer Science Vorlesung mehr besucht, dann hätt ich jetzt vielleicht mehr planen von Shee Learning oder solchen Sachen. Gibt's da irgendwas? Also im Nachhinein würd ich sagen, man hätte ja sehr viel Geplanter angehen können, aber mit dem Ergebnis bin ich doch sehr glücklich und und nach wie vor sehr zufrieden. Genau diese Anknüpfungspunkte, die hab ich vorher vielleicht noch nicht gesehen oder grade im Studium hatte ich auch noch wenig Anknüpfung zum Bereich Data Science, das kam dann tatsächlich erst über einfach das Anwendungsbeispiel dann dann im ersten Job Und ja, so hätte man das natürlich irgendwo zielgerichteter angehen können, aber im Nachhinein, was mir doch auch wiederum dann dann sehr gut taugt, ist einfach mal sich das anzuschauen und das anzuhören, wo man irgendwie Begeisterung dafür hat. Und das ist auch irgendwo das, was ich bei vielen Leuten sehe, die jetzt dann auch seit 30, 40 Jahren im Berufsleben stehen und dann nach wie vor eine Begeisterung mitbringen, dass die oft davon leben, dass die sich genau das anschauen und und das anhören, wo es ja gerade eben einfach die Motivation sehen und einfach nicht, ja, ich sag mal, als irgendwo eine Blaupause entwickeln, wo möchte ich in 20 Jahren irgendwo mich fachlich aufgestellt haben? Da tue ich mich zumindest sehr schwer Und und so bin ich eigentlich nach wie vor glücklich, dass ich genau unter den Weg jetzt auch gehen konnte. Also Du hast eher weniger auf, sag ich mal, die Themenbereiche gegeiert, wo Du wo man vielleicht hätte absehen können, oh, das wird 'n großes Ding, sondern bist einfach

Speaker1: deinem deiner Motivation gefolgt. Genau, genau. Was würdest Du denn sagen, war denn während dem Studium ein sehr, sehr außergewöhnliches Ereignis oder vielleicht während deinem beruflichen Leben, wo Du sagen wirst, das hat dich jetzt, es hat dich nachhaltig geprägt. Gibt's da irgendeinen,

Speaker2: wo Du sagst, oh man, das war echt heftig? Also grundsätzlich, wenn ich drüber nachdenke, das, was mich doch am nachhaltigsten geprägt hat, ist, glaub ich, einfach die Ausbildung, die irgendwo da in 'nem sehr jungen Jahren stattfindet und wo ich das Glück hatte, dass ich wirklich mal in 'nem Produktionsunternehmen mir alle Abteilungen auch anschauen konnte. Und und wir haben da wirklich 'n sehr spannenden Durchlauf erlebt, wo wir uns einmal, also wir haben damit begonnen, erst mal die ersten 6 Wochen der Ausbildung einfach nur zu feilen an einem stumpfen U-Stahl und, ja, haben dann eben Endeffekt bis zur Inbetriebnahme von 'ner komplexen Spitzgießmaschine alles im Unternehmen mal sehen dürfen und das eben in sehr jungen Jahren. Das hat mich doch irgendwo nachhaltig geprägt und da hab ich einige Leute auch kennengelernt, die irgendwo in diese Begeisterung bei mir geweckt haben Und das war, würde ich sagen, irgendwo das Nachhaltigesste, was mich da, glaub ich, jetzt schon beeinflusst hat. Also 'n richtiges

Speaker1: Ding bei dir, nicht schlecht. Gut, dann kommen wir jetzt vielleicht zu der Position noch mal, die Du momentan hast. Ich hatte gesehen, ich glaub, das wird, das zeig ich mal als wissenschaftlicher Mitarbeiter oder Research Associate. Ist das richtig? Genau. Jetzt weiß man ja oft auch von von solchen, sag ich mal, Positionen in der Uni, dass die recht schwer zu bekommen sind, beziehungsweise dass dass man sich da oft auch fragt, okay, gut, warum warum macht man das? Weil's oft dann in der Industrie vielleicht finanziell verlockender ist. Wie wie kam das bei dir zu dir? Also hast Du dich da leicht getan, in die, sag ich mal, in die Forschung zu gehen? Und warum hast Du dich nicht fürs Geld entschieden?

Speaker2: Sehr gute Frage. Bei mir war's tatsächlich son bisschen der praktischer Hintergrund durch die Ausbildung. Ich bin dann eben zwischenzeitlich ja erst wieder auf die Schule gegangen, hab das Abitur nachgeholt und dann hat mir einfach der Praxisbezug gefehlt. Und das war auch son bisschen die Motivation dann, direkt auch am am ersten Tag im Studium mir wieder eine praktische Betätigung zu suchen. Und so bin ich dann zufällig an den Lehrstuhl gelangt, ans ans IBBEA, das Institut, an dem ich jetzt auch arbeite und bin dann eben zu dem Thema Laserstahlspeisen gekommen und hab da einfach über diese 5, 6 Jahre während des Studiums schon 'n sehr guten Einblick bekommen, was ist so der alltägliche Job von 'nem wissenschaftlichen Mitarbeiter? Was haben wir an den Themenfeldern, die dich kurz son bisschen umrissen habe? Was haben wir an täglichen Aufgaben abzuleisten? Und da hatt ich 'n relativ guten Einblick dann nach einfach 5, 6 Jahren irgendwo nebenberuflich dann dann einfach zu sagen, okay, das möcht ich jetzt auch noch mal voll angreifen und und hier entsprechend dann auch noch mal mit 'ner Promotion abschließen am Institut.

Speaker1: Würdest Du quasi, wenn man, sag ich mal, im Hinblick auf Berufsfindung später oder Jobsuche, würdest Du's das den, sag ich mal, ich nenn's mal in sonem son hörenden Complexity Masters ans ans Herz legen, quasi nebenbei, vielleicht sogar, wenn Sie denn in die Forschung gehen würden wollen, ob sich das anbietet als wissenschaftlicher Mitarbeiter. Also sicherlich ist es oft sinnvoll, einfach während dem, während des Studiums schon son bisschen als Werkstudent zu arbeiten, aber gibt's eine, sag ich mal, spezielle Gruppe an Leuten, die sich eben durch, die zu, die zusammengehören durch ein gewisses Ziel, was sie vor Augen haben, jetzt zum Beispiel in die Forschung zu gehen. Bietet sich da das Arbeiten als wissenschaftlicher Mitarbeiter

Speaker2: an? Ich glaub schon, dass man 'n sehr guten Einblick mal dafür bekommt. Es ist ja irgendwo schon 'n spezielleres Feld im Vergleich zu der zu dem Arbeitsalltag irgendwo im Industrieumfeld und dass dass man sich einfach darüber genau diesen ersten Einblick verschafft. Ich glaub, das ist hilfreich. Ich glaube, es ist aber auch gar nicht zwingend notwendig. Ich würd vielleicht einfach auch den Tipp mitgeben, dann irgendwo sich, ja, eben mit verschiedenen Hiwi Tätigkeiten oder Werksstudentätigkeiten im Studium sich einfach mal anzuschauen, auch, was will man machen die nächsten Jahrzehnte. Also man ist ja dann doch doch noch sehr offen auch nach dem Studium. Ich glaub, mit dem ersten Job ist da jetzt noch noch nichts irgendwo dann auch eingeschränkt für die weitere Laufbahn. Aber es ist ja doch irgendwo der 1. Einstieg und dass man einfach für sich selber dann irgendwo, ja, findet, was einem tatsächlich da langfristig taugt, da ist das, glaube ich, sehr hilfreich. Es muss nicht unbedingt vielleicht hier im akademischen Umfeld passieren, aber so einfach die die nebenberufliche Beschäftigung mit irgendwo dann mal eine Themenwelt, die hilft, da find ich zumindest für die einfach persönliche Bindung dann sehr viel.

Speaker1: Ja, ich, also ich stell die Frage, weil ich das nur von meinem Institut, zumindest ist es mein Eindruck oft, kenne, dass man quasi, wenn man jetzt da in die Forschung gehen will, gibt's jetzt nicht so superviel als wissenschaftlicher Mitarbeiter, zumindest hab ich nicht viel davon gehört. Und wenn man dann in die Forschung gehen will, dann macht man halt, versucht man eine Doktorandenposition zu bekommen. Und das geht halt damit einher, dass man sehr, sehr, sag ich mal, exzellente Noten hat und das dann doch sehr, sehr anspruchsvoll ist oder sein kann zumindest.

Speaker2: Ja, das hilft definitiv. Also wenn sich da mal beide Seiten vorher schon mal kennenlernen konnten, man sich schon mal beweisen konnte, das hilft sehr viel auch vor dem Hintergrund. Vielleicht das noch 'n Tipp, den ich mitgeben kann oder son bisschen einfach den Einblick, den ich jetzt gesehen hab, dass es doch auch sehr unterschiedliche Ausprägungen von dann diesen wissenschaftlichen Mitarbeiterstellen gibt. Also wir zum Beispiel sind sehr anwendungsorientiert unterwegs, das hatt ich eingangs son bisschen umrissen. Es gibt dagegen auch die Ausprägung bis hin zur Grundlagenforschung, wo man tatsächlich dann sehr tief in sein 1 Forschungsthema einsteigt. Bei uns ist es eben eher breit aufgestellt, eher anwendungsorientiert und auch sich da zu finden, da hilft es definitiv, einfach mal reinzuschnuppern.

Speaker1: Christian, dann sage ich vielen Dank. Das waren wirklich tolle Einblicke und ich wünsch dir noch alles Gute bei deiner Forschung und ja, vielen Dank. Vielen Dank, Herr Abgeordneter. Danke schön. Das war mein Interview mit Christian Statte. Er ist in seinem beruflichen Leben immer seiner Motivation gefolgt und hat sich nicht beirren lassen. Das ist sehr bemerkenswert. Wie seid ihr zum Bereich der deseins gekommen? War das gewollt oder eher glücklicher Zufall? Schreibt mir auf unseren Social Media Kanälen. Ein besonders wichtiges Tool, seine Ergebnisse zu kommunizieren, sind Visualisierungen. Auf was ihr dabei achten müsst, gehört in unserer Folge Data Visalisations aus der ersten Staffel. Master the Komplexity.

Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

Mehr Folgen aus Staffel 2 →