Data Science und Use-Case Templates mit Halerium und Cookiecutter

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Dr. Maksim GreinerCo-Founder & CTO von Erium
Überblick
In dieser Folge diskutieren Theo Steininger und Maksim Greiner das Thema Data-Science-Templates: Was sind sie, welche Probleme lösen sie, und wie lassen sie sich mit dem Tool Cookiecutter umsetzen? Außerdem stellen sie das eigene Halerium-Projekttemplate vor, das auf dem bekannten Cookiecutter Data Science Template aufbaut und um Wissensmanagement- und Projektmanagement-Elemente erweitert wurde. Als Einstieg beleuchten die beiden außerdem eine 'irrgeleitete Statistik' rund um Nichtwähler und kausales Denken.
Zusammenfassung
Irrgeleitete Statistik der Woche: Nichtwähler und kausales Denken
Zum Auftakt greifen Theo und Maksim eine Community-Einsendung auf: die oft gehörte Aussage, wer nicht wählen geht, wähle effektiv rechts. Mithilfe eines kausalen Denkansatzes arbeiten sie heraus, dass diese Frage nicht pauschal beantwortet werden kann. Entscheidend ist, ob politische Einstellung und Wahlbeteiligung unabhängig voneinander sind – oder ob eine bestimmte politische Gesinnung die Wahrscheinlichkeit des Nichtwählens beeinflusst.
Daten aus einer Nichtwählerstudie und Statista-Zahlen deuten darauf hin, dass sich unter den Nichtwählern überproportional viele links einschätzende Personen befinden (rund 30 Prozent) im Vergleich zur Allgemeinbevölkerung (rund 17 Prozent), während der Anteil der sich rechts Einschätzenden in beiden Gruppen bei etwa 13 Prozent liegt. Daraus lässt sich ein Körnchen Wahrheit an der Aussage ableiten – jedoch nur auf Bevölkerungsebene und unter bestimmten Modellannahmen.
Besonders wichtig ist der Unterschied zwischen einer Beobachtungskonditionierung (z. B. ein Jahr mit hoher Wahlbeteiligung) und einer Intervention (z. B. Wahlpflicht): Eine Wahlpflicht würde den kausalen Graphen verändern und könnte sogar Trotzreaktionen erzeugen. Das Beispiel illustriert exemplarisch, warum statistische Aussagen immer im Kontext ihrer kausalen Struktur bewertet werden müssen.
Was sind Data-Science-Templates und welche Probleme lösen sie?
Templates im Data-Science-Kontext bezeichnen vordefinierte Ordnerstrukturen, Konfigurationsdateien und Boilerplate-Code, die einen schnellen und strukturierten Projektstart ermöglichen. Sie verfolgen mehrere Ziele gleichzeitig: Standardisierung der Arbeitsweise über Projekte und Teammitglieder hinweg, niedrigere Einstiegshürden für weniger erfahrene Personen sowie Zeitersparnis durch wiederverwendbaren Code.
Darüber hinaus wirken Templates auch auf einer prozeduralen Ebene: Schon allein durch die Benennung von Ordnern (z. B. 'raw', 'processed', 'models', 'experiments') wird ein Workflow vorgegeben, der Best Practices widerspiegelt – etwa die Trennung von Rohdaten und verarbeiteten Daten oder die Modularisierung von Code in installierbare Python-Pakete.
Cookiecutter: Wie das Tool funktioniert
Cookiecutter ist ein Python-basiertes Tool, das Templates in individuelle Projektstrukturen verwandelt. Das Grundprinzip: Platzhalter in Datei- und Ordnernamen sowie im Code werden beim Anlegen eines neuen Projekts durch Benutzereingaben ersetzt – zum Beispiel der Projektname oder der gewünschte Datenspeicherort (Google Drive, S3, lokale Festplatte).
Besonders mächtig sind sogenannte Pre- und Post-Hooks: Python-Skripte, die vor oder nach der Template-Erstellung ausgeführt werden und beliebige Automatisierungen ermöglichen. Innerhalb der Platzhalter können zudem reguläre Ausdrücke verwendet werden, etwa um einen Projektnamen automatisch in ein Python-modul-kompatibles Format umzuwandeln. Theo weist dabei auch auf einen wichtigen Sicherheitsaspekt hin: Templates aus unbekannten Quellen sollten nie mit erhöhten Rechten ausgeführt werden, da die Hooks beliebigen Code enthalten können.
Das Cookiecutter Data Science Template und seine Grenzen
Ein weit verbreitetes Beispiel ist das 'Cookiecutter Data Science'-Template der DrivenData-Gruppe auf GitHub. Es legt auf oberster Ebene Ordner wie 'data', 'docs', 'models', 'notebooks', 'references', 'reports' und 'src' an. Die Unterstruktur des Data-Ordners (raw, interim, processed, external) legt einen klaren Workflow nahe: Rohdaten werden nicht verändert, transformierte Datensätze werden separat persistiert.
Allerdings identifizieren Theo und Maksim eine wesentliche Lücke: Das Template deckt primär die Prototypenphase ab. Ein Deployment-Szenario – also wie ein trainiertes Modell in einer operativen Pipeline genutzt wird, die über externe Trigger neue Daten erhält – ist nicht vorgesehen. Auch die Frage, ob Daten direkt im Repository liegen sollten, wird als diskussionswürdig eingestuft.
Das Halerium-eigene Template: Wissensgraphen und Projektmanagement inklusive
Aufbauend auf dem Cookiecutter Data Science Template hat das Erium/Halerium-Team ein eigenes Template entwickelt, das die bestehende Struktur um mehrere Dimensionen erweitert. Zentral sind dabei 'Boards' – eine kartenartige Wissensstruktur aus der Halerium-Plattform – die an mehreren Stellen eingebettet werden: im Experiments-Ordner als 'Hypotheses-Experiments-Learnings'-Board, im Knowledge-Ordner als kausaler Prozessgraph und als Domain-Knowledge-Board sowie im Projektmanagement-Ordner als To-do-Board.
Weitere Unterschiede zum Original: Der 'notebooks'-Ordner wurde in 'experiments' umbenannt, um den explorativen Charakter klarer zu betonen. Der 'references'-Ordner wurde zu 'knowledge' ausgebaut. Datentransformationsskripte sollen direkt im Data-Ordner liegen, statt in Experimenten zu verschwinden. Und ein prototypischer Deployment-Ordner wurde ergänzt, um die im Original fehlende Operationalisierung ansatzweise abzubilden. Das Template ist öffentlich auf GitHub verfügbar.
Cookiecutter-in-Cookiecutter: Templates für einzelne Data-Science-Operationen
Ein besonders innovativer Ansatz, den Theo vorstellt, ist die Verschachtelung von Templates: sogenannte 'Cookiecutter-in-Cookiecutter'-Setups. Dabei werden Templates nicht nur für das Gesamtprojekt, sondern auch für spezifische Data-Science-Operationen wie 'Design of Experiments' oder Regressionsanalysen erstellt.
Mithilfe von Post-Hooks lassen sich diese Sub-Templates automatisch in die übergeordnete Projektstruktur einbetten – inklusive automatisch erstellter Board-Karten im Experiments-Ordner. Das vermeidet doppelte Informationshaltung und sorgt dafür, dass Wissen zentral und kohärent gespeichert wird. Die Hosts diskutieren außerdem, bis zu welcher Granularität solche Templates sinnvoll sind, und laden die Community ein, eigene Erfahrungen zu teilen – auch mit besonders ungewöhnlichen Template-Anwendungsfällen wie dem automatisierten Aufbau vollständiger ML-Infrastrukturen.
Kernaussagen
- Templates für Data-Science-Projekte standardisieren nicht nur Dateistrukturen, sondern geben durch ihre Ordnerlogik auch ganze Workflows und Best Practices vor.
- Cookiecutter ermöglicht über Platzhalter, reguläre Ausdrücke und Pre-/Post-Hooks hochflexible, automatisierte Projektgenerierung weit über einfaches Kopieren hinaus.
- Das populäre Cookiecutter Data Science Template ist stark auf die Prototypenphase ausgerichtet und adressiert Deployment und Operationalisierung kaum.
- Das Halerium-eigene Template ergänzt die Basisstruktur um explizites Wissensmanagement (kausale Graphen, Domain-Knowledge-Boards, Experiment-Tracking) und Projektmanagement-Elemente.
- Verschachtelte Templates ('Cookiecutter-in-Cookiecutter') erlauben es, auch einzelne Data-Science-Operationen wie Design of Experiments als eigene Sub-Templates zu modellieren und automatisch ins Gesamtprojekt zu integrieren.
- Die Frage 'Wer nicht wählt, wählt rechts' lässt sich statistisch nur unter Berücksichtigung des kausalen Graphen beantworten – der Unterschied zwischen Beobachtung und Intervention ist dabei entscheidend.
- Ausführbare Template-Beispiele (Hello-World-Stil) werden gegenüber reinen Lückentexten bevorzugt, weil sie schneller Erfolgserlebnisse liefern und den Einstieg erleichtern.
Fazit
Data-Science-Templates sind weit mehr als Zeitsparer – sie transportieren Arbeitsweisen, Best Practices und sogar Wissensstrukturen in jedes neue Projekt. Cookiecutter bietet dafür eine flexible technische Basis, die von einfachen Ordnervorlagen bis hin zu komplexen, verschachtelten Infrastruktur-Generatoren reichen kann. Das Halerium-Template zeigt, wie man bestehende Ansätze um Wissensmanagement und Projektmanagement erweitern kann, um Data Teams ganzheitlich vom ersten Use-Case-Scoping bis zur ersten Implementierung zu unterstützen.
Für Data Scientists und ML Engineers
Wer noch kein strukturiertes Projekttemplate nutzt, sollte sich das Cookiecutter Data Science Template und das Halerium-Template auf GitHub ansehen – beide bieten sofort nutzbare Ausgangspunkte, die sich leicht an eigene Anforderungen anpassen lassen.
Für Data-Team-Leads und Projektverantwortliche
Templates sind ein unterschätztes Mittel zur Standardisierung und Onboarding-Beschleunigung: Ein gut durchdachtes Team-Template reduziert Einarbeitungszeiten, fördert konsistente Dokumentation und macht Projekte für neue Teammitglieder schneller zugänglich.
Für Einsteiger in Data Science
Ausführbare Template-Projekte bieten einen strukturierten Einstieg in typische Data-Science-Workflows, ohne dass man jeden Schritt von Grund auf selbst entwickeln muss – sie funktionieren ähnlich wie ein Beispielprojekt, das man schrittweise anpasst.
Volltranskript anzeigen
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Herzlich willkommen zu 1 neuen Folge von. Mein Name ist Theo Steininger und mir gegenüber virtuell sitzt seit Langem wieder einmal Maxim. Hi Maxim. Ja, lang ist sehr.
Speaker2: Es ist nicht, dass wir uns so lange nicht gesehen haben für alle, die besorgt sind. Ich hab aber zumindest 'n Podcast gemacht. Schön, wieder hier rein zu sein.
Speaker1: Ja, freut mich freut mich auch sehr, dass wir jetzt mal in der Konstellation widersprechen. Wir haben heute ein Thema, nämlich Data Science Templates, das wir gerne teilen wollten und auch einfach zur Diskussion stellen wollten. Und bevor wir dort einsteigen, es gibt eine irreitete Statistik der Woche aus der Community, die jetzt schon bissel länger aufm Touroo peiliegt, nachdem wir so viele Gespräche mit externen Gästen jetzt hatten. Und nichtsdestotrotz, wir wollen die Chance nicht auslassen, diese irrgeleitete Statistik, die eventuell irrgeleitete Statistik mal zu diskutieren. Und zwar ist die von Christoph, vielen Dank fürs Einsenden. Und ich erklär mal ganz kurz, worum's geht. Und dann, Maxim, dann versuchen wir mal, das zu dekonstruieren.
Speaker2: Gerne. Nämlich
Speaker1: es geht Wahlen und ganz konkret die Nichtwähler bei Wahlen. Und mindestens jeder oder jeder hat's mindestens schon einmal gelesen, so Aussagen wie, na ja, wenn man nicht wählen geht, dann wählt man effektiv rechts oder zumindest proport. Das heißt, man wählt de facto die Stimmenverteilung der abgegebenen Stimmen. Und die Frage ist, stimmt es, ja? Und in der Nachforschung zu diesem Thema haben wir festgestellt festgestellt, hey, das ist tatsächlich gar nicht mal so einfach zu beantworten, da das Problem einige Layer hat, ja. Und ich fand's ganz spannend, Maxim, wie Du, als ich dir das vorhin bei der Vorbereitung auch noch mal gepitcht hab, das Thema, wie Du das ganze Thema erst mal für dich dekonstruierst. Vielleicht magst Du uns dann noch mal an dem gedanklichen Faden entlang mitnehmen.
Speaker2: Ja, ihr werdet ja vielleicht mittlerweile wissen, wir sind Freunde von kausalen, vom kausalem Denken, kausaler. Da hab ich mir erst mal überlegt, okay, wie könnt man hier eine kausale Kette aufbauen? Mal angenommen, die politische Einstellung und die Wahrscheinlichkeit, dass jemand nicht wählt, hätten nichts miteinander zu tun, dann wär's ja relativ egal, ja. Dann ist es einfach nur 'n kleinerer Pool an Wählern, die wählen und es kommt aber, kommen die gleichen relativen Verhältnisse raus und dann wär sozusagen die Antwort, na ja, Du willst dann proporz, zumindest statistisch gesehen. Und na ja, okay, mal angenommen, das wäre der kausale Graph. Mental, okay, dann, dann, Du willst Proporz, ist die Antwort, fertig. Aber jetzt überlegen wir mal der kausale Graph, wie könnte der denn sonst aussehen? Er könnte sein, abhängig von 1 politischen Einstellung, also mal vereinfacht gesagt, denk ich eher links oder denk ich eher rechts, wenn ich mal davon ausgehe, es besteht die Möglichkeit, dass das einen Einfluss hat auf die Wahrscheinlichkeit, dass ich wählen gehe oder nicht wähle, dann ist die Frage schon wieder spannender. Mhm. Denn dann ist ja die, dann ist möglicherweise die Links Rechts Verteilung zwischen den Wählern und der Gesamtbevölkerung unterschiedlich. Okay. Und wie kann man jetzt da rangehen? Ich glaub, Theodor hat es da diese coole Studie gefunden, irgendwie 80 Seiten PDF zu Nichtwählern. Und wir ja, als alte so verkappte Statistiker haben wir gescrollt bis zu irgend 'ner Tabelle mit Prozenten. Und da gab's dann eine über die Nichtwähler und die Selbsteinschätzung
Speaker1: politisch. Und Insbesondere was was ich explizit übersprungen habe, war das Statement, unter welchen Rahmenbedingungen die Datenerhebung erfolgt ist, was man grundsätzlich immer tun sollte.
Speaker2: Ja. Ihr seht, wir haben hier sind hier sehr rigoros rangegangen in diese Fragestellung.
Speaker1: Ganz genau. Aber
Speaker2: wir haben da gefunden, dass bei den Nichtwählern die Selbsteinschätzung, Mitte lass ich mal jetzt raus, sondern die, die sich als links einschätzen, waren da 30 Prozent und die, die sich als rechts einschätzen, 13 Prozent. Okay. Und dann haben wir geschaut, okay, wie sieht das bei der Allgemeinbevölkerung aus? Da haben wir was bei Statista gefunden und mussten mal 'n bisschen umnormieren, weil die Skala natürlich leicht anders waren. Aber da kam ich, wenn ich mal so normiert hab, dass rechts das Limit da hatte, dass wir auch auf 13 Prozent kommen und das Limit symmetrisch jetzt links gezogen hab, dann kamen wir auf 17 Prozent bei der Allgemeinbevölkerung, die sich selbst links einschätzen, bei 13 Prozent, die sich rechts einschätzen. Das heißt, Nichtwähler 30 Prozent links, allgemein 17 Prozent links, Nichtwähler 13 Prozent rechts und allgemein 13 Prozent rechts. So, da merkt ihr, da ist eine Verschiebung, da ist 'n Unterschied in der Statistik. Ja, jetzt mal angenommen, die wären wirklich vergleichbar, ja? Also, mal angenommen werden das 70 Seiten PDF auch durchgewiesen. Und wenn ich dann jetzt diesen kausalen Graphen noch mal ins Gedächtnis rufe, okay, abhängig von der politischen Einstellung, gibt es eine Wahrscheinlichkeit, ob ich wähle oder nicht wähle. Und dann gibt's ein Wahlergebnis, was natürlich sowohl von den politischen Einstellungen als auch den Entscheidungen, gehe ich wählen oder gehe ich nicht wählen, abhängt. Dann lässt lassen sich diese Zahlen eigentlich nur erklären, wenn man davon ausgeht, dass die Wahrscheinlichkeit, nicht zu wählen, höher ist, wenn man links ist, als wenn man rechts ist. Was auch immer die absoluten Wahrscheinlichkeiten wären. Und dann könnt man schon argumentieren, aha, zumindest auf Bevölkerungsebene, bei dir selbst ist es natürlich so, wenn Du nicht wählst, wählst Du halt nicht das, was Du gewählt hättest. Aber auf Bevölkerungssstatistikebene könnte man dann schon argumentieren, durch die Nichtwähler oder anders formuliert, wenn alle Nichtwähler wählen würden, wär das Ergebnis linker als es ist. Und dann ist sozusagen ein Körnchen Wahrheit, an dem wer nicht wählt, wählt rechts dran.
Speaker1: Wobei sie aber 'n Unterschied macht, oder? Also was ich dazu noch gefunden hatte, war, dass bei den linken Gruppen eher auch mal eine Enttäuschung gegenüber der Partei da ist, was dann zu einem Nichtwählen führt, ja. Also genau die kausale Richtung von Gesinnung zu Wahrscheinlichkeit geht man wählen, ja oder nein. Und es wird aber 'n Unterschied machen, ob man jetzt annimmt, okay, angenommen, es wären alle zur Wahl gegangen freiwillig. Mhm. Also wären sozusagen nicht enttäuscht worden, da bist Du ja vom kausalen Graph ganz hinten in der Not, oder? Im Vergleich zu, wir haben eine Wahlpflicht und jeder muss wählen, egal ob er oder sie mag oder nicht. Du meinst jetzt im Sinne 1 Intervention? Im Sinne der Intervention, weiß ja immer. Dann abgeleitet wird, ja okay, was bedeutet das jetzt konkret? Sollten wir irgendwie die Leute mehr dazu motivieren oder was können wir machen, zu meiner Wahlpflicht einführen, das stand ja alles schon im Raum. Und na ja, die Bewertung dieser Aussagen, ja, da muss man halt aufpassen.
Speaker2: Also Also wenn jetzt weil jetzt nicht oder so was wäre, wenn Szenarien unterscheiden sich halt immer Geld. Ja, wenn Du jetzt mal wenn Du jetzt mal überlegen würdest, das beobachtet ein Jahr mit besonders hoher Wahlbeteiligung. Mhm. Und dann wird der bei diesen kausalen Kraft, das ist jetzt eine Beobachtungskonditionierung. Das heißt, Du würdest dann halt, okay, in Abhängigkeit von 1 gewissen Wahlbeteiligung, was wäre denn beobachtete Wahlbeteiligung, was wäre denn dann das Ergebnis? Dann würde natürlich dann würde sich dieser dieser erhalten zwischen, weil natürlich die Wahlbeteiligung dann würde auch eher steigen, mehr steigen durch die rechtsdenkenden Nichtwähler als die linksdenkenden Nichtwähler. Und wenn Du jetzt aber umgekehrt sagst, ich mach eine Intervention, also ist nicht Zufall, dass es irgendwie 'n Ja war, in dem besonders viel politisches Momentum da war, sondern das ist einfach jetzt Wir haben jetzt gesagt, die Polizei fängt jeden ein, den sie kriegen kann und und und schleppt den ins Wahllokal und erwischt halt vielleicht nicht 100 Prozent, sondern 95. In diesem Fall, weil also weil das ja eine Intervention ist, die dann quasi die Entscheidung, ob jemand wählt, von seiner politischen Einstellung zu 'nem gewissen Grad entkoppelt, würdest Du dann einen Linksruck qualitativ erwarten bei dem kausalen Graph, den wir grade angenommen haben. Mhm. Und der ist sicherlich komplex genug, die gesamte Realität abzubilden.
Speaker1: Ja, total. Vor allem das Geile ist ja, wenn Du eine Wahlpflicht einführst, dann modifizierst Du ja deine deine kausale Kette. Und ich würd mal erwarten, dass dann so die Aussage ist, ja nee, ja, jetzt erst recht nicht im linken Lager dann auch noch mehr stärker ist, weil's nun recht Die trotzreaktion, ja. Die trotzreaktion auf die Wahlpflicht, genau. Ja, richtig, richtig. Insofern sehr schön komplexes Thema. Ich find's total klasse. Danke Christoph für diese Anregung, weil sie sehr schön illustriert, dass diese Frage, wie so viele, nicht eindeutig beantwortbar sind im Allgemeinen, sondern es wirklich drauf ankommt, auf welcher Ebene möchte man diese Frage beantworten? Rein beobachtend oder im Sinne 1 Intervention? Macht 'n Riesenunterschied und ist ein Paradebeispiel letztlich für, ist es nur Statistik oder ist es auch, die man machen muss? Sehr, sehr schönes Beispiel. An der Stelle, Maxim, lass uns eintauchen ins Hauptthema dieser Folge, nämlich Templates. Und Templates müssen wir vielleicht auch noch mal ganz kurz definitorisch reingehen, was meinen wir damit und welches Problem wollen wir damit überhaupt mal High Level adressieren?
Speaker2: Mhm. Vielleicht, okay, also was meinen wir mit 'nem Template? Mit 'nem Template meinen wir, nennen wir's mal eine Ordnerstruktur oder eine Struktur, in der eine halt einige Ordner und drinliegen, die mich, wenn wir's jetzt aufm Data Science Projekt bringen, bereits zu 'ner gewissen Arbeitsweise anleiten. Das kann einfach nur sein durch die Ordnernamen, das kann aber auch schon sein durch Code, vielleicht sogar durch bisschen zum Beispielcode. Das wär dann 'n Template, was auch ausführbar ist. Aber alles sozusagen, was mir den schnelleren Start ermöglicht.
Speaker1: Mit dem Ziel denk ich mir, dass man Reproduzierbarkeit herstellt Okay. Zwischen Projekten wahrscheinlich.
Speaker2: Verschiedene Ziele. Also das eine ist natürlich, ich möchte irgendwie Standardisierung bei der Arbeitsweise. Wenn jetzt alle, die nach dem gleichen Schema f vorgehen, dann finde ich mich schneller in dem Projekt 1 Kollegen zurück als andersrum.
Speaker1: Mhm.
Speaker2: Dann die Zugänglichkeit erhöhen. Ich hab noch keine Erfahrung mit Data Science vielleicht und wo fange ich überhaupt an? Da hilft natürlich jedes bisschen an Orientierung. Und wenn ich dann, ja, Ordner hab mit oder mit mit Beispielcode, weiß ich ja schon mal viel eher, wo soll ich denn hier überhaupt was anfassen? Und in jedem Fall beschleunigt's ja, Umsetzung. Also ich meine, ich hab jetzt paarmal das Wort benutzt, was damit gemeint ist, ist einfach Code, den man irgendwie immer wieder schreibt. Mhm. Ich schreib irgendwie immer wieder erst mal so, ja, die die Imports und die und die die die die die Basic Konstruktoren oder ja. Ich denke, ihr wisst, was ich mit mein. Da spar ich mir natürlich Zeit.
Speaker1: Und an der Stelle, also was mir da jetzt auch noch mal ganz klar wurde, so wie Du das dargestellt hast mit, klar, es gibt, ja, aber auch Strukturen, die durch diese beschrieben werden. Es ist ja nicht nur so, dass mir da Arbeit abgenommen wird, wenn ich Ordner und eben diesen anlegen muss, weil ich ihn tippen muss, sondern es geht ja wirklich auch bis hoch auf eine prozedurale Ebene. So wie sieht mein Workflow aus? Wenn ich zum Beispiel eine Pipeline vorbereitet hab vom Data Read in, und dann auch in der Modellier- und Trainingsphase schon die Strukturen da sind, da gibt mir das ja einen Workflow vor. Ja. Von daher, das fand ich echt sehr, sehr spannend, auch erst mal zu realisieren so, hey, das ist echt mehr als nur, okay, ich kopier mir irgendwie 'n bisschen Tipparbeit hier weg, ne. Mhm. Und damit seh ich, denk ich, auch insgesamt sogar 3 Ebenen, nehm ich einmal eine Projekebene, die über Templates erschlagen wird, dann eine 1 inhaltliche, also was was mach ich in meinem Projekt, ja. Eben Code für beispielsweise kann ich mir einen Regresor irgendwo schon mal her herkopieren, der allgemein ist, ja, den ich nicht von Grund auf neu tippen muss. Und was ich aber auch total spannend find, das kam aus der Community auf uns zu, die Möglichkeit, auch Templates für Operationen zu nutzen. Ja, das können wir vielleicht danach noch mal genauer diskutieren, weil Ja, genau. Es ist echt crazy. Genau, genau. An der Stelle aber denk ich, wird wird vielen die Frage kommen, okay, Template, was bedeutet das dann in der Praxis? Also kopier ich da wirklich irgendwo einen Ordner von a nach b? Und die Antwort ist ganz klar, nein. Wir haben da 'n paar Packages gesehen. 1 davon ist. Vielleicht magst Du magst Du mal ganz kurz erklären, wie, also was das Grundprinzip ist und wie das funktioniert?
Speaker2: Ja, okay, das Grundprinzip ist eigentlich schon, wie Du's gesagt hast, ich hab noch Ordnerstruktur und die kopier ich mir rüber. Das wär ja sehr Also jetzt können wir mich die Cookiecutter Entwickler aufhängen, aber keine Was da halt cool gemacht wird, es gibt halt Playsholder und in, also es gibt bestimmte Zeichenfolgen, die halt dann sagen, okay, hier dieser Name, der wird ersetzt durch was auch immer. Das ist nämlich der User beim Aufrufen, ja, beim Anwenden 1 Cookie Cutter Templates, der muss, der wird nach 'ner Serie von Inputs gefragt, die in dem Template halt definiert sind. Zum Beispiel, was ist dein was ist der Projektname? Könnte so was sein, ja. Dann dann wird das schon, kriegt der Ordner den Namen, der dann wie das wie das wie die Eingabe heißt und der nicht einfach Project heißt oder so was. Aber das geht natürlich auch tiefer, ja? Also meinetwegen könnte man da auch abfragen, wo liegen deine Daten? Und da hättest Du vielleicht 'n, die Auswahlmöglichkeit zwischen Google Drive, Amazon s 3 Bucket, Festplatte, sonst was. Und dann könntet ihr dir gleich den Boilerblade Code zurechtlegen. Das funktioniert dann nämlich über solche Pre- und Posthooks. Das heißt, neben diesen kleinen, die so regular Expressions et cetera bearbeiten, können auch ganze, gibt's 'n, gibt's Skripte, die davor laufen, Skripte, die danach laufen, sodass Du letztendlich nachher nach einem Beantwortung wie 1 Fragebogens durch durch Cookiecut, dann deine Ordnerstruktur nicht einfach allgemein, wie ich hab sie hierherkopiert bekommst, sondern entsprechend deine Antworten angepasst. Hab ich's richtig wiedergegeben, Theo, oder würdest Du noch was korrigieren, ergänzen wollen?
Speaker1: Korrigieren auf jeden Fall nicht. Also man muss dazu sagen, ich bin jetzt auch kein kein Co Entwickler von. Die Thematik mit den regulären Ausdrücken, das hatt ich am Anfang unterschätzt. Also das vielleicht nur als kleine Ergänzung, wie mächtig auch das ist. Was ist damit gemeint? Man spezifiziert ja diese Zeichenfolgen, wie Du wie Du wie Du gesagt hast, mit 'ner speziellen Syntax. Und man kann in diesen Playsholdern gleich reguläre Ausdrücke zur Weiterverarbeitung definieren, was dir zum Beispiel ermöglicht, wenn Du einen Projektnamen angibst in beliebigen Zeichen spaces, denen dann automatisch umzuwandeln in etwas, das beispielsweise Python modul kompatibel ist. Das heißt, keine Sonderzeichen, Leerzeichen raus, so, ja. Das find ich, das ist schon sehr, sehr praktisch. Das stimmt. Und die die die pre posthooks, das ist, find ich, irgendwie so diese klassische Nuclearweapon. Du ermöglichst nämlich einfach beliebigen Code einzuhängen und dann kannst Du machen, was immer Du möchtest. Das ist natürlich dann schon crazy. Ja.
Speaker2: Stern, oder? Ja.
Speaker1: Oh ja, oh ja, genau, genau. Also niemals mit sudo ausführendes Zeug, vor allem wenn's von jemand von jemand extern kommt. Genau. Und letztlich, was ich aber halt schon sagen muss, so das Grundprinzip vom ist ja relativ einfach, ist wirklich einfach, ja. Also Du hast diese und die werden ersetzt und und 'n scanntcutter scannt ja wirklich einfach alle durch, egal welche Dateiendung die haben. Es wird einfach alles durchgescannt und wo's die die findet, da da wird ersetzt. Und auch was nicht klappt, wer das mal ausprobieren möchte. Wenn Du wenn Du wenn Du irgendwo einbaust und Du vergisst die dann in deiner in deiner JSON, wo die dann nachher auf Basis dessen abgefragt werden, dann dann dann dann ja, kompilieren tut's ja nicht. Aber dann dann läuft Cooky cut auch nicht durch, ja. Da sagt dann, hey, ich hab hier 'n und der ist nicht spezifiziert. Ja, und und dieses Schema, das ist an sich relativ einfach. Und der echte Mehrwert, der entsteht durch die konkreten Templates, wo es echt wahnsinnig viele gibt. Vor allem auch für so was wie wie Web Frameworks, Stichwort, ja, hat ganz klar die Wurzeln in in in Python auf jeden Fall. Aber es gibt auch ein Template von Data heißt die Gruppe, nämlich ein sehr, sehr populäres.
Speaker2: Ja, ich glaub, Sie nennen's Machine Learning Project Template, oder? Na, zumindest der GitHub Link heißt,
Speaker1: aber Okay. Ja. Genau.
Speaker2: Machine Learning Data Science, so genau sind wir ja nicht.
Speaker1: Und KI, aber aber ohne Blockchain.
Speaker2: Ah, okay. Ja, wie sieht denn das aus? Wie muss man sich das vorstellen? Ich kann ja mal kurz hier, ich hab vor mir diesen Ordner baum. Mhm. Also das Ganze ist wie gesagt als Ordner oder gedacht. Und auf dem Toplevel hab ich dann einen Ordner Data, einen Ordner Docs, einen Ordner Models, Notebooks, References, Reports. Und dann gibt's noch, set-up und source. Und das schon, da wird's doch schon interessant, ja? Das heißt, das Template, ihr habt vorhin, wenn ihr aufgepasst habt Models und Notebooks gehört. Das heißt, und dann gibt's eben dann Setup und Source. Das heißt, es leitet einen dazu an, okay, macht vielleicht Experimente in Notebooks. Dann leite aber bitte Modellartefakte ab, die in Models gespeichert werden können. Und bitte schau, dass Du ein package entwickelst, ne. Set up und und. Das heißt, nur durch diese Struktur, okay, set up Punkt ist 'n File, aber irgend einen, Python Set-up File, nur durch diese Orderstruktur werd ich schon, hab ich eigentlich schon irgendwie To dos vor mir. Wenn wenn wir dann 'n bisschen tiefer reingehen, in Data als Subordner gibt's external, Interim, Process und RAW. Ja, das ist auch schon mal jetzt die klare irgendwie Anweisung, die sich daraus ergibt, dass ich meine Rohdaten, also dass ich aus dem Data irgendwie persistente Datensätze in diesem process erzeugt. Ihr könnt ja auch alternativ denken, dass das ganze Data preprocessing in Memory passiert, in innerhalb der Notebooks zum Beispiel. Aber dieser Workflow wird ja offensichtlich so nicht suggeriert und ich stimm da auch zu, dass man seine, die nennen das dann, erzeugt und als abspeichert und mitversioniert, wenn wir von 'nem sprechen. Und ja, das ist schon eine wunderbare Orientierung, wie man letztendlich hier so an ein Data Science Projekt rangehen kann. Und ja, also sowohl diese Exploration über die Notebooks als auch Modularisierung über Set-up Pionource als auch irgendwie son für die, die so was wie m l flow kennen, dass man irgendwie seine Artefakte persistiert, ja? Das ist ja auch hier über diesen Modelsordner, ja? Da ist in der Beschreibung, auch, aber ich find vor allem diesen, dass man das da reinpackt. Ist schon mal eine gute Anregung.
Speaker1: Auf jeden Fall. Ich hab mir das auch dann noch mal genauer angeguckt und mir wirklich auch versucht, viele Gedanken zu machen, inwiefern das inwiefern ich das gut finde oder oder wo ich wo ich denke, da könnt mir noch was verbessern. Und was mir aber auffällt an der Struktur, ist, dass überhaupt kein Deployment mit drin vorkommt.
Speaker2: Das stimmt, ja. Das wär jetzt son, würde mir auch vielleicht fehlen auf der.
Speaker1: Also was passiert mit dem Modell letztlich? Mit dem Modul, genau zu sein, ja. Also was mit was passiert mit dem Modul? Wo wird es dann installiert? Ist das dann Teil von der Pipeline oder oder ja, was was passiert da? Das das fehlt mir son bisschen. Und in dem Kontext find ich's auch echt zu überlegen und da bin ich auch mit meinen Gedanken noch nicht am Ende. Das ist vielleicht auch schon son son kleiner Call to Action für die Community, da gern mal Feedback zu geben. Die Daten befinden sich jetzt in dem Repo und werden auch in dem Repo oder in der Ordnerstruktur verarbeitet, ja. Es gibt diesen Rohdatenordner, der wird nicht mehr angefasst, Punkt, ja. Nicht, dass Du dir irgendwie aus Versehen deine Rohdaten kaputtmachst. Und dann werden die prozessieren und noch mal abgespeichert und okay, ja. Aber das entspricht ja nicht einem Use Case, der irgendwo operationalisiert läuft, der dann ja über einen externen Trigger neue Daten kriegt, die dann verarbeitet werden müssen und die dann am Ende benutzt werden, ein Ergebnis zu produzieren, wie auch immer dieses Ergebnis aussieht. Und da muss ich sagen, da ist das Template definitiv in der Prototypenphase, da bleibst Du stecken, ja. Und bin mir nicht sicher, ob man's nicht schlauer oder besser auch aufbohren kann. Gibt's bestimmt gibt's bestimmt Ansatz. Und teilweise also wirklich, das ist schon nicht, aber vieles wird oder manches wird über über gelöst, wo ich so bisschen so 19 Neunziger Flashbacks dann irgendwie hatte. So, warum jetzt genau übern? Keine Ahnung. Ich ich muss aber sagen, bei.
Speaker2: Ich glaub, wenn man Wir können sie halt vielleicht auch einfach nicht gut gehen. Wahrscheinlich sind wir einfach nur zu dumm, ja genau. Ja. Aber das mit den Daten ist 'n interessanter Aspekt, ne. Diese Idee, dass Du die Daten da als im Prinzip als ablegen hast. Mhm. Ja, ist ja der Prototypenphase nicht unüblich. Teil des Repos, Fragezeichen. Kommt drauf an, ne. Gibt ja Liquid Large File Support und so weiter, aber ja, ist eine ist oft eine Frage. Und diese Operationalisierung, wo die ja eigentlich dann nicht mehr so diese, also vielleicht schon logische Training zwischen Datenvorverarbeitung und Modellierung, aber es muss beides dann irgendwie in der Pipeline drinstecken. Insofern seh ich das auch vor allem als dann für die Prototypenphase.
Speaker1: Was ja aber insbesondere auch den Ansatz unserer Plattform auch mit adressiert hat, da hol ich mir noch mal ganz kurz aus. Viele haben's wahrscheinlich eben schon aus früheren Folgen auch gesehen oder wir diskutieren das auch immer wieder im im im E-Mail-up. Wir haben ja mit nicht nur ein Modul entwickelt, mit dem man und machen kann, sondern aus dem ist ja die letzten Monate viel, viel mehr geworden, nämlich eine Plattform für komplette Data Teams. Und die Zielsetzung dieser Plattform ist jetzt nicht irgendwie jetzt an 1 zu sein, sondern Data Teams dazu zu bringen, alles dazu haben, was man braucht, einen neuen Use Case von 0 auf 1 zu kriegen. Ja, nicht dann das 1 bis unendlich, sondern erst mal, okay, wie arbeite ich raus? Was ist der richtige Use Case für mich? Auch gegeben der Datensituation, was ist denn wirklich die Metrik, die ich verbessern möchte? Aber dann auch hin zu 'ner ersten, zu 'ner ersten Implementierung. Von daher fand ich die Flughöhe von dem Cookiecutter Template, von den von den Data Leuten erst mal schon mal ganz passend. Ja, da haben wir uns sehr angesprochen gefühlt. Ja. Und nichtsdestotrotz, gerade aufgrund dessen, dass wir bei Heliarium ja nicht nur Code und haben, sondern auch mit einem Board, also wie 'ner artmap artigen Struktur Wissen sehr, sehr stark in die ganze Kiste reinbringen können, lag's denn irgendwo nahe, dieses Template bissel umzustrukturieren und aufzubohren. Mhm. Ja. Wobei die Grundstruktur wird man wiedererkennen. Genau. Genau.
Speaker2: Ich leite uns mal da durch. Allright. Was haben wir gemacht? Wir haben auch einen Dataordner, insofern relativ relativ klar. Was wir aber dann anders gehalten haben, ist, wir haben gemeint, die Datentransformationsskripte zwischen raw und und sollten doch eigentlich auch dort leben und nicht irgendwo in den Experiments untergehen. Und dann, aber gut, das ist vielleicht Geschmackssache, aber dann haben wir natürlich ein, ja? Also ein Board, 1 1 1 virtuelles, auf dem die einzelnen Datensätze beschrieben werden, ja, dass ich mich gleich mal zurechtfinden kann. Den Notebooksordner, den haben wir experience genannt, aber das ist vielleicht Geschmackssache, noch klarer zu machen, das ist zu trennen von dem eigentlichen Modul später. Und haben da drin wiederum ein 1 Board angelegt, wo's wofür mache ich Experimente, Hypothesen zu überprüfen. Jetzt haben wir Hypothesie's Experiments Learnings genannt. Vielleicht noch 'n bisschen lang, wenn sich das etabliert hab, wird das vielleicht irgendwann das HEL Board oder so was mal sehen. Help. Ja, genau. Aber ja, damit ich halt schnell sehen kann, schnell eine Übersicht kriegen kann, was wurde denn gemacht? Was wurde ausprobiert? Und was hat man daraus gelernt? Und den References Ordner haben wir gleich in den Knowledge Ordner umbenannt. Und da drin gibt's dann noch mal den Subordner References, weil was kommt da rein in, ist alles, was keine Skripte sind, keine und bei uns auch keine Boards, also irgendwelche PDFs, irgendwelche Dokumente, Präsentationen, Pipapo, ja? Und Teil des Knowledges aber, wenn ihr uns kennt, würd euch das nicht überraschen, der ein kausaler Graph, ja, also kausaler Ablauf Graph der des Prozesses oder der Prozesse, die man hier irgendwie versucht zu modellieren, logischerweise ein Board. Und noch ein allgemeiner Domain Knowledge Board. Da soll quasi gesammelt werden, was so an Domänenspezifischen Wissen vorhanden ist. Wie kann man sich das vorstellen? Einfach ganz einfach die Dinge, die man so als Data Scientist sonst irgendwo in mal niedergeschrieben hätte, irgendwo im Hinterkopf hätte, die wichtig sind. Also wenn ich von beispielsweise vorhin bei der führenden Statistik, wo wir über die Wahlentscheidung getroffen hätten. Wenn wir mal sagen, das wär unser Projekt, dann könnte man da zum Beispiel irgendwelche bestimmten Details, wie solche Wahlstudien gemacht werden, die vielleicht nachher als wichtig sind für irgendwelche Artefakte und systematische Korrekturen, würde man da reinschreiben.
Speaker1: Mhm. Mhm. Für mich ist das ja Domain Knowledge allgemein, also ohne jetzt auf den Use Case bezogen zu sein, sondern eher die die tatsächlich ganze Thematik abdecken. Das heißt, da steht mit hoher Wahrscheinlichkeit auch mal Spannendes, aber vielleicht nicht so Nützliches drin. Und der, der ist wirklich schon ganz, ganz konkret auf den Use Case ausgerichtet,
Speaker2: oder? Richtig, ja. Das Domain Knowledge ist son bisschen die Sammlung, stellt euch vor, ihr seid so im ersten Meeting mit dem Projektpartner und der erzählt euch erst mal was von Adam und Eva. Würdet ihr ja auch einiges von mitschreiben. Das soll halt gleich zum Projekt gehören, dementsprechend ab in ein Board. Ich geh mal jetzt, ich überspringe mal kurz einen Ordner und geh erst mal bei dem, was ihr dann schon von vorher kennt. Also, und dann den die das Modul. Und was wir noch hinzugefügt haben, ist 'n wenn Du zum Beispiel eine, also son prototypisches haben wir ja vorhin gesagt, das hätten wir uns schon gewünscht, also haben wir's hinzugefügt. Und dieses das Thema Docks haben wir jetzt gesagt, braucht jetzt für uns jetzt keinen Extraordner, sondern das räumt man dann eher innerhalb des innerhalb des Sourcecodes auf. Da gibt's dann extra noch mal 'n Board, womit man den Sourcecode erklären kann. Und das Thema Reports haben wir gleich weiter gefasst. Projektmanagement heißt der Ordner. Da drin gibt's ein Board mit To dos, einen Ordner mit Meetingminutes, also einfach lineare Protokolle und dann den Reportsordner, wo dann halt ja, Zusammenfassungen et cetera, also Präsentationen, Textdokumente drin liegen, die mit denen man die Bemühungen mal highable zusammenfasst. Also noch mal zusammenzufassen, die Unterschiede sind, wir haben natürlich überall Boards hinzugepackt, weil wir sehen die als elementaren, als elementare Ergänzung, damit ich eben für alles, was nicht Code ist, das auch irgendwohin packen kann. Wir haben dieses diesen ganzen Knowledge Ordner. Das heißt, dieses Referenz haben wir zu Knowledge aufgebaut und die Reports zu Projektmanagement. Und ansonsten ist eigentlich relativ ähnlich zur Vorlage.
Speaker1: Ein superspannender Punkt und das war für mich eben 1 der der tollen Aha Momente bei der Arbeit mit Cookiecutter. Der bezieht sich auf diesen Experimentsfolder. Und zwar hattest Du ja erwähnt, da gibt's dieses, also high pathisches Experiments Learnings, was find ich auch deutlich zielgerichteter ist, als einfach nur zu sagen, okay, hier Notebook Notebook Notebooks, egal, was Du damit machst, hier sind eine Notebook Notebooks, ja. So hat hat irgendwas von den. Und und und die die die Frage war, na ja, was macht man eigentlich bei diesen Experimenten? Und wir haben ganz unabhängig jetzt mal von dieser Projektvorlage uns ja schon länger überlegt, wie können wir auch algorithmisch Dinge wiederverwerten? Im Sinne von, okay, irgendwie in jedem unserer Projekte müssten noch mal Daten erhoben werden, da bist sofort im Bereich der statistischen Versuchsplanung, Englisch Design of experience und hey, können wir das mal systemomatisierter anpacken, sodass wir auch nicht immer von neuem den den Workflow aufsetzen müssen, aber auch, das Ganze vielleicht 'nem Ingenieur zugänglicher zu machen, der vielleicht weiß, okay, statistische Versuchsplanung gibt irgendwie hier so vollfaktoriell, da probiere ich alle alles mit allem aus. Aber da gibt's ja wirklich sehr, sehr viele Ansätze und die Frage ist, wann wann benutzt welchen Ansatz für welche Fragestellung? Ja, und also auch da waren wir schon unterwegs mit 'ner Abstraktion. Und dann lag's irgendwie nahe, na ja, eigentlich in 'nem größeren Projekt habe ich als ein Experiment oder zumindest ja, doch, genau, als ein Experiment auch mal, dass ich sag, okay, ich muss jetzt einmal Daten erheben, zu schauen, was hab ich dann in meinen Daten drin, wenn ich in den neuen Bereich 'n Parameterspace abklopfe beispielsweise, ja. Und da kommen jetzt diese Post Befehle bei mit ins Spiel. Das heißt, was wir gemacht haben, ist in unsere Templates, also eben zum Beispiel für Designer of experience einen Post mit implementiert, der das ganze Schema in die übergeordnete Projektordnerstruktur mit einbettet. Das heißt, auf meinem werden wir automatisch jetzt Karten erstellt, die zu diesem Experiment Bezug nehmen, ja. Und die könnten wir weiter denken, vielleicht in Zukunft sogar das Ganze mit Informationen vorbefüttern und vorbefüllen. Ja, also insofern sehr, sehr mächtig und auch spannend, weil's eine letztlich ja von Arbeit, aber insbesondere auch spannend, weil's eine, letztlich ja von Arbeit, aber insbesondere auch von doppelter Informationshaltung ist, ja. Ich speicher die Daten wirklich oder ich speicher Information nur noch an 1 Stelle jeweils ab, ohne hier in 500 Ordnerstrukturen dann letztlich inkohärente Informationssterne zu haben. Also das fand ich echt spannend, wo ich mir nie gedacht hätte, dass man da am Ende landet mit 'nem Tool wie, das aufm ersten Blick irgendwie nur so ersetzt, ja. Also echt krass.
Speaker2: Vielleicht, das noch mal aufn Punkt zu bringen, was wir ja hier probieren, ist Cookie Cutter in Cookie Cutter. Ja, das stimmt. Ja, ja, ja. Ja, das ist so Cookie Cutter seption. Ja, ja. Also und da interessiert mich tatsächlich dann auch, bin ich auf das Community Feedback gespannt, bis zu welcher Kleingeteiligkeit machen aus eurer Sicht Tools wie Cookie Cutter Sinn, ne? Also weil wenn wir sagen, wir haben Templates, die für bestimmte Vorgänge, ja, also Design of experience, Regression, Outlaye Detection sind ja alles so typische Tasks, die, wenn man jetzt erfahrener Data Scientistes, da hat man entweder seinen eigenen Boilerblade Code oder oder hat das eben schneller zusammen getippt, als man sich's googeln kann vielleicht. Aber nicht alle sind ja so unterwegs und denen, die würden ja so was entweder bei Stack Overflow oder so was vielleicht sonst zusammensuchen oder Beispiele auf der SK Learn Dokumentation. Mhm. Und ja, wir haben da jetzt solche Cookiecutter Templates angefangen zu implementieren für und finden, das funktioniert gut und fragen uns, wie weit kann man da gehen? Also irgendwann, ich meine, klar, irgendwann ist man bei Guay pa Single Characterlevel mache ich keinen Cookiecutin dafür, ist klar. Aber wo ist denn ein s, ja? Ja, genau. Wo ist aus eurer Sicht da draußen die Grenze, bis wann sone Template Geschichte Sinn macht? Mhm. Das fänd ich sehr spannend. Oder vielleicht teilt ihr ja mal, was ist 'n das Absurdeste für, dass ihr Tools wie Cookie Cutter oder irgendwelche anderen Boiler Plate Code oder nennen's, wie ihr wollt, Templateingt Tools eingesetzt habt.
Speaker1: Weil ich ich bin mir noch nicht ganz klar, wo er das Limit ist. Mhm. Also was ich auf jeden Fall schon aus der Community auch mal mitgekriegt hab, das war, dass eingesetzt wird, eine komplette Pipeline dann dann hochzuziehen. Also Du wählst sozusagen aus, okay, was ist dein File backend? S3, ja. Welche welchen möchtest Du vielleicht benutzen? Kybernetes, ja, nein, ja. Also diese diese komplette Varietät, die Du ja haben kannst im Beraterkontext vor allem. Und dann baut dir Cookiecutter wie sone Steuerzentrale Notebook zusammen, mit dem Du dann die die Infrastruktur hochziehen kannst. Das find ich schon fast krank. Aber hey, ja, wenn's funktioniert, wenn's funktioniert, warum nicht? Nicht? Oder? Ja, genau, genau. Also da schließ ich mich absolut an, ja. Ich, da wär ich auch absolut interessiert dran. Schickt's uns das, egal auf welchen Kanälen, wir lesen die alle. Was so das Absurdeste vielleicht bis jetzt war, was ihr da bei letztlich sind's ja Generatoren ja, gesehen habt. Das würd mich echt sehr, sehr interessieren. Und ein zweiter Punkt, den ich auch definitiv noch mit ansprechen möchte. Das ist der Punkt, ist es für euch ein Werkzeug, einfach nur Arbeit weniger repetitiv zu machen? Ja, also spart ihr euch dann das händische Erstellen von Code und Strukturen oder, und das sehen wir nämlich, das ist jetzt überhaupt keine Suggestivfrage, ja, sondern oder seht ihr auch Potenzial, mit 'nem guten Template jemanden im Zugang zu 'nem Workflow, zu 'nem Algorithmus zu ermöglichen, wenn diese Person noch nicht so viel Ahnung davon hatte. Da da wär ich total gespannt auf so Echtwählerlebnisse, weil es uns wiederum auch sehr viel bringen würde bei der Weiterentwicklung unserer Plattform, dass wir die noch besser machen.
Speaker2: Genau, Hintergrund ist, wenn ich jetzt zum Beispiel irgendwie versuch, 'n Jango Server aufzusetzen, such ich mir eigentlich 'n Template, ja? Ich würd mir irgendwo 'n Beispielprojekt suchen und dann anfangen, da drin rumzudoktoren, weil ich halt kein, ja, also kein kein erfahrener Jango Guy bin. Und so stellen wir uns das halt auch für Data Science vor, ja? Was unterscheidet das? Wenn jetzt jemand, der Jango Experte ist, aber nie mit Data Science was zu tun hatte, warum sollte das nicht auch umgekehrt funktionieren? Das ist son bisschen die Idee dahinter. Und gleichzeitig ist ja das, so dieser, was ich grad skizziert habe, irgendwie so, wie besetzt man 'n Jango Server auf? Ist ja auch nur Teil 1 größeren Projekts. Und wenn das größere Projekt bereits durch 'n Template angelegt wird, sind wir wieder bei dieser Cookie cutoseption. Ja, interessiert mich total, was was ihr darüber denkt.
Speaker1: Und vor allem, was ich mir grad noch dachte, wenn Du jetzt sagst, Jango Server und Du hast es noch nie gemacht, gibt dir 2 Ausprägungen auch von Vorlagen, nämlich die, die wirklich einen leeren Lückentext darstellt Mhm. Und die, die wie son Hello World Programm aussieht, Ja. Das unmittelbar ausführbar ist. Dann gibt's ja auch Vor- und Nachteile, oder? Von von wegen muss ich bei dem Hello World Beispiel vielleicht auch Dinge rauslöschen und das geht mir dann irgendwann auf die Senkel?
Speaker2: Ja, das ist das eine. Es geht dir vielleicht irgendwann auf 'n Senkel Dinge rauslöschen, aber Du hast doch bisschen so die Unsicherheit, was darf ich überhaupt rauslöschen? Ah, guter Punkt, ja. Und umgekehrt, bei den Lückentexten ist in der Regel dann irgendwie, ist wobei ja jemand gezwungen zu markieren, bla bla bla. Trotzdem muss ich gestehen, mag ich persönlich die ausführbaren
Speaker1: Beispiele ein bisschen lieber, weil Du halt schneller irgendein Erfolgserlebnis hast. Mhm. Stimmt, stimmt, stimmt, stimmt. Du kannst einfach mal Okay, jetzt führen wir's halt einfach mal aus, ja.
Speaker2: Ja, genau.
Speaker1: Ja, stimmt.
Speaker2: Und kannst dann versuchen, nach und nach Dinge zu verändern. Also ja, da hab ich eine Präferenz, aber die muss ja nicht jeder teilen.
Speaker1: Mhm. In dem Sinne. Also Leute, teilt's mit uns eure Erfahrung, euren Eindruck. Wenn ihr's noch nicht ausprobiert habt oder einfach neugierig seid auf das, was wir da gebaut haben, schaut's einfach auf helcome dot a I. Wir haben unser, in dem die ganzen Templates online sind, auf GitHub. GitHub dot com Slash ihrem Slash Welcome. Könnt ihr euch gerne reinziehen. Wir teilen es einfach for free mit der Welt. Und wenn jemand Verbesserungsvorschläge hat, gern erstellen, gern mit uns diskutieren. Wir sind da total offen für Feedback und haben das Ziel, die Sache einfach so gut zu machen wie irgendwie möglich. Genau. In diesem Sinne, Maxim, total cool, hat mich gefreut. Wir sollten diese 2 Sessions wieder mal öfter machen. Mit extern zu sprechen ist schon nicht schlecht, aber intern macht auch viel Spaß. Okay. Dies diesen Satz könnten wir sehr gut ausm Kontext nehmen und dann bitte nicht meiner Frau vorspielen. Alles klar. Also macht es gut. Schaut euch die Templates an. Wir hören uns nächste Woche wieder mit 1 neuen Folge von wie ihr euren Podcast.
Speaker0: 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.