Dr. Maria Börner – Berlin City Lead Women in AI & Robotics

Staffel 5· 30. August 2022· 3662

Episoden-Cover: Dr. Maria Börner – Berlin City Lead Women in AI & Robotics
0:003662
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maria BörnerPromovierte Physikerin, ehemalige Product Managerin bei Adap (Flower/Federated Learning), Berlin City Lead bei Women in AI & Robotics

Überblick

In dieser Folge spricht Dr. Theo Steininger mit Dr. Maria Börner, promovierter Physikerin und KI-Produktmanagerin, über Federated Learning, den Aufbau einer Open-Source-Community rund um das Framework Flower sowie über ihren ungewöhnlichen Karriereweg von der Teilchenphysik in die KI-Produktentwicklung. Abschließend beleuchten beide das Engagement von Dr. Börner bei Women in AI & Robotics Berlin und warum Diversität in KI-Teams entscheidend für faire und innovative Technologie ist.

Über den Gast

Dr. Maria Börner ist promovierte Physikerin und hat an renommierten Forschungseinrichtungen wie dem CERN und dem DESY gearbeitet. Seit 2017 ist sie im Bereich künstliche Intelligenz tätig, zuletzt als Produktmanagerin bei Adap, wo sie das Open-Source-Framework Flower für Federated Learning promotete und die Community rund um das Projekt aufbaute. Darüber hinaus engagiert sie sich ehrenamtlich bei Women in AI & Robotics, wo sie das Berliner City-Team leitet. Ziel des internationalen Netzwerks ist es, Frauen in Tech-Berufen mehr Sichtbarkeit zu verschaffen und Diversität in KI und Robotics voranzutreiben.

Zusammenfassung

Was ist Federated Learning – und warum ist es so relevant?

Dr. Börner erklärt Federated Learning anschaulich am Beispiel vernetzter Fahrzeuge: Statt rohe Daten in die Cloud zu laden, werden lediglich die Parameter der lokal trainierten KI-Modelle aggregiert und zu einem verbesserten globalen Modell zusammengeführt. Die Originaldaten verlassen dabei nie das jeweilige Gerät. Dieses Prinzip eignet sich besonders für datensensible Bereiche wie die Medizin, wo Krebserkennungsmodelle verbessert werden können, ohne dass Patientendaten zwischen Institutionen ausgetauscht werden müssen.

Das Open-Source-Framework Flower, das Dr. Börner bei Adap promotete, ermöglicht es, nahezu jedes Machine-Learning-Framework – von PyTorch über TensorFlow bis hin zu JAX – föderiert zu betreiben. Einzige Voraussetzung: Die KI-Modell-Architektur muss auf allen beteiligten Clients identisch sein. Das Merging der Modelle übernimmt Flower automatisch, etwa per einfacher Gewichtsmittelung (Fed Averaging) oder komplexeren Algorithmen.

Datenschutz und die Grenzen von Federated Learning

Theo Steininger spricht das Risiko an, dass aus geteilten Modellparametern unter Umständen Trainingsdaten rekonstruiert werden können. Dr. Börner ordnet dieses Risiko ein: In der Praxis tritt das vor allem auf, wenn ein Client-Modell nur auf sehr wenigen, hochspezifischen Datenpunkten trainiert wurde. Bei heterogenen Datensätzen ist eine Rekonstruktion deutlich schwieriger.

Für besonders sensible Anwendungsfälle existieren zusätzliche Schutzmechanismen wie Differential Privacy (Rauschen auf die Modellparameter) oder Secure Aggregation (kryptografische Masken). Beide Methoden erhöhen jedoch den Rechenaufwand – Differential Privacy senkt zudem die Modellgenauigkeit. Dr. Börner betont, dass stets ein Use-Case-spezifischer Trade-off zwischen Datensicherheit, Accuracy und Rechenleistung abgewogen werden muss.

Open-Source-Community aufbauen: Strategie hinter dem Wachstum von Flower

Als Produktmanagerin war Dr. Börner die zentrale Schnittstelle zwischen dem Entwicklerteam und der wachsenden Nutzer-Community. Sie beschreibt, wie Flower von wenigen GitHub-Stars auf knapp 1.000 anwuchs – durch einen Mix aus LinkedIn-Content, Hacker-News-Beiträgen, regelmäßigen Blogposts, eigenen Summits und gezieltem Outreach an andere Open-Source-Projekte wie MXNet, in deren Repositories Flower-Beispiele als Pull Requests eingereicht wurden.

Ein wichtiger Grundsatz: niedrige Einstiegshürden. Da Flower kostenlos ausprobierbar ist, konnten Entwicklerinnen und Entwickler den Mehrwert direkt erleben – und das Interesse intern in ihren Unternehmen weitertragen. Dr. Börner hebt hervor, dass sie das Framework selbst intensiv genutzt hat, um glaubwürdig mit der Entwickler-Community zu kommunizieren. Die Slack-Community spielte zusätzlich eine wichtige Rolle als Feedback-Kanal für neue Features.

Vom CERN zur KI-Produktmanagerin: Ein organischer Karriereweg

Dr. Börner schildert ihren Weg von der Teilchenphysik in die KI-Industrie als schrittweisen, situativen Prozess. Nach ihrer Promotion – die sie in nur drei Jahren und mit großer Selbstständigkeit abschloss – wechselte sie in die Industrie, unter anderem wegen familiärer Verpflichtungen, die standortgebundene Forschungspositionen am DESY oder CERN ausschlossen.

Über eine Stelle als Testerin bei MELAG und einen Einstieg als Data Scientist beim Start-up Xaine, wo sie an KI-basierter Buchhaltungssoftware arbeitete, entwickelte sie sich zur Produktmanagerin – weil sie komplexe technische Sachverhalte klar und zielgruppengerecht kommunizieren konnte. Diese Brückenfunktion zwischen Entwicklung und Kunden wie Porsche oder PwC prägte ihre weitere Karriere. Ihr wichtigstes Lernprinzip dabei: Learning by Doing, ergänzt um einzelne gezielte Kurse wie den bekannten Deep-Learning-Kurs von Andrew Ng auf Coursera.

Datenvisualisierung und kritisches Denken als unterschätzte Kernkompetenz

Als persönlichsten Aha-Moment nennt Dr. Börner die Erkenntnis, wie stark Daten durch unterschiedliche Darstellungsweisen manipulierbar sind – ohne einen einzigen Datenpunkt zu verändern. Allein durch die Wahl der Skalierung kann ein Graph eine dramatische Entwicklung oder eine konstante Gerade zeigen. Sie plädiert für mehr Aufklärung in Schulen und der Öffentlichkeit, statistische Aussagen kritisch zu hinterfragen: Wer hat die Daten erhoben? Wann? Unter welchen Bedingungen?

Women in AI & Robotics: Sichtbarkeit schaffen und Bias bekämpfen

Als Berlin City Lead bei Women in AI & Robotics engagiert sich Dr. Börner ehrenamtlich dafür, Frauen in Tech-Berufen sichtbarer zu machen. Das internationale Netzwerk – mit Ableger unter anderem in Montreal, Bremen, Stuttgart und Berlin – organisiert Meetups, Hackathons und Panel-Besetzungen und kooperiert mit Institutionen wie dem DFKI und der UN.

Dr. Börner argumentiert, dass die Unterrepräsentation von Frauen in Panels fälschlicherweise den Eindruck erweckt, es gäbe keine weiblichen Expertinnen in KI und Robotics. Gleichzeitig betont sie, dass Diversität nicht nur eine Frage der Gerechtigkeit ist, sondern auch Innovationen antreibt: Homogene Teams übersehen systematische Verzerrungen in Trainingsdaten, etwa die Überrepräsentation westeuropäischer Gesichter in Bilddatensätzen. Außerdem spricht sie sich dafür aus, Gleichberechtigung in beide Richtungen zu denken – Mädchen in MINT-Fächer zu ermutigen und Jungs in soziale Berufe.

Kernaussagen

  • Federated Learning ermöglicht kollaboratives KI-Training, ohne dass sensible Rohdaten geteilt werden müssen – nur Modellparameter werden aggregiert.
  • Das Open-Source-Framework Flower unterstützt nahezu alle gängigen Machine-Learning-Bibliotheken und übernimmt das Merging der Modelle automatisch.
  • Zusätzliche Datenschutzmechanismen wie Differential Privacy oder Secure Aggregation erhöhen die Sicherheit, gehen aber mit höherem Rechenaufwand oder geringerer Modellgenauigkeit einher.
  • Eine Open-Source-Community wächst nicht von selbst – gezielter Outreach über LinkedIn, Hacker News, Blogposts, Summits und Cross-Promotion in anderen Repositoris ist entscheidend.
  • Der Karriereweg von der Teilchenphysik zur KI-Produktmanagerin war geprägt von Learning by Doing, Selbstständigkeit und der Fähigkeit, technische Inhalte verständlich zu kommunizieren.
  • Daten können ohne Veränderung einzelner Datenpunkte durch Visualisierungsentscheidungen stark unterschiedliche Aussagen transportieren – statistisches Denken und kritisches Hinterfragen sind essenziell.
  • Diversität in KI-Teams ist nicht nur eine Gerechtigkeitsfrage, sondern reduziert systematische Verzerrungen in Modellen und fördert Innovation.
  • Frauen bewerben sich statistisch seltener auf Stellen, bei denen sie nicht alle Anforderungen erfüllen – mehr Selbstbewusstsein und proaktives Netzwerken sind wichtige Hebel für eine gleichberechtigtere Tech-Branche.

Fazit

Die Folge zeigt eindrücklich, wie sich technisches Tiefenwissen aus der Physik mit Kommunikationsstärke und Community-Denken zu einem wirkungsvollen Karriereprofil verbinden lässt. Federated Learning bietet einen praxistauglichen Ansatz, um Datenschutz und KI-Performance zu vereinen – und das Beispiel Flower demonstriert, dass auch ein kleines Team eine globale Open-Source-Community aufbauen kann, wenn es konsequent auf niedrige Einstiegshürden, aktives Netzwerken und authentische Kommunikation setzt. Diversität in Teams und kritisches Datendenken sind dabei keine Nebenthemen, sondern zentrale Erfolgsfaktoren.

Für Data Scientists und ML-Engineers

Flower ist ein praxisnahes Framework, um bestehende KI-Workloads datenschutzfreundlich zu föderieren. Der Einstieg lohnt sich besonders im medizinischen Bereich oder überall dort, wo Datensouveränität rechtlich oder ethisch geboten ist.

Für Produktmanagerinnen und -manager im KI-Umfeld

Der Aufbau einer Open-Source-Community erfordert aktives Cross-Promotion, niedrige Einstiegshürden und das eigene Ausprobieren des Produkts – nur wer das Tool selbst versteht, kann glaubwürdig in der Entwickler-Community kommunizieren.

Für Berufseinsteiger und Karrierewechsler

Der Weg von Dr. Börner zeigt, dass ein naturwissenschaftliches Studium eine starke Basis für KI-Karrieren bietet – und dass Selbstbewusstsein, proaktives Netzwerken und Learning by Doing oft wirkungsvoller sind als teure Zusatzzertifikate.

Volltranskript anzeigen

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

Speaker1: Heute zu Gast bei The Erium Podcast ist Doktor Maria Börner. Sie ist promovierte Physikerin und hat an großen Physikinstituten wie dem CERN und DESY geforscht und gearbeitet. Seit 2017 arbeitet sie im Bereich künstliche Intelligenz als Produktmanagerin. Dort hat sie unter anderem an Themen wie automatisierte Buchhaltung und Federated Learning gearbeitet. Doktor Maria Börner engagiert sich ehrenamtlich bei dem Netzwerk Women in AI and Robotics, bei dem sie jetzt auch das Berlin Team organisiert. Ziel des Netzwerkes ist es, mehr Sichtbarkeit für Frauen in Techberufen zu erreichen.

Speaker0: Herzlich willkommen zu 1 neuen Folge von The Erian Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Maria Werner. Hallo Maria, schön, dass Du da bist. Hallo Theo, freut mich sehr. Es ist mega, dass wir heute sprechen. Wir hatten im September letzten Jahres schon das Vergnügen im E-Mail-Up. Dort hast Du das Thema Federated Learning präsentiert. Und was ich besonders cool finde, auch als ehemaliger Kehrteichen Astrophysiker, heute eine Kollegin sozusagen hier im Podcast zu haben, die es, muss man einfach mal einordnen, wir haben's in der Intro CERN DESY, die wirklich an den den Top Adressen gearbeitet, geforscht hat. Das war für mich immer so das der heilige Gral, ja? Okay, wär da. Wir haben wir haben wir haben an den Detektoren wirklich hands und arbeitet. Das ist die Crème de la Crème. Also von daher freut mich sehr, dass Du heut da bist und lass uns direkt einsteigen. Wir haben grad in der Intro, wie gesagt, gehört, CERNDESI ist das eine Thema. Das war die wissenschaftliche Karriere. Aber jetzt in der letzten Zeit, seit 2017 warst Du als Produktmanagerin unterwegs. Ganz insbesondere bei 1 Firma, wo Du dich auch mit dem Thema Federrated Learning beschäftigt hast. Magst Du uns da vielleicht mal ganz kurz abholen? Erstens, was macht die Firma? Wer ist es? Ist das 'n Team von 110000 Leuten? Was ist Federrated Learning? Eine kurze Einordnung bitte.

Speaker2: Ja genau, wir waren ein sehr, sehr kleines Team und zwar adobe beschäftigt sich mit Federated Learning. Adobe hat selber ein Open Source Projekt gestartet beziehungsweise programmiert, das heißt Flower. Mit Flower kann man Federated Learning einsetzen und umsetzen auf sehr einfache Art und Weise. Das heißt, man kann schon vorhandene KI Workloads nehmen und die dann einfach föderieren lassen oder federated laufen lassen. Das das haben wir dort gemacht und da war es halt meine Aufgabe, größtenteils das Framework zu promoten, das zu verteilen, den Leuten zu erzählen, was macht das, was kann das, wie benutzt man das, Workshops zu geben, Präsentationen zu geben, in in Meetups zu sprechen, Podcasts darüber zu sprechen und genau die Frage ist, was ist Federated Learning? Federated Learning ist eine tolle Art und Weise, unterschiedliche Clients oder unterschiedliche Autos zum Beispiel miteinander zu verbinden auf mit datenschutzfreundliche Art und Weise. Was macht man da? Man stellt sich einfach mehrere Autos vor, 5 Autos. Auf jedem Auto haben wir Daten, zum Beispiel Gesichtserkennung und anhand dieser Daten wird eine kleine KI trainiert. Also bin ich jetzt die Fahrerin oder nicht und damit die KI besser wird, weil man zum Beispiel auch noch Bruder, Schwester, Tochter und noch andere mitfahren lassen möchte, ist es so, dass wir die KI natürlich verbessern wollen. Aber wir wollen nicht, dass unsere Daten irgendwo in der Cloud gehostet sind oder da sind, weil wir nicht wissen, was am Ende mit diesen Daten passiert. Was Federated Learning dann macht, ist Folgendes. Es nimmt sich nur das KI Modell und schiebt das KI Modell in die Cloud von allen connectenten oder von allen verbundenen Geräten oder oder Autos und diese KI Modelle werden zusammen aggregiert und dadurch entsteht eine globale, sehr intelligente KI, die wieder zurück aufs Auto gespielt wird und dadurch noch besser ist, trainierter ist und aber das einzelne Auto, es funktioniert also besser, kann eine bessere Gesichtserkennung machen, hat aber die Daten der anderen Autos vorher nie gesehen. Es ist also die Art Federated Learning und macht sich in ganz, ganz vielen unterschiedlichen Bereichen sehr gut zu verwenden, gerade im medizinischen Bereich, wenn wir darüber nachdenken, was passiert sozusagen mit unseren Bilddaten und wie können wir die Erkennung von Krebs zum Beispiel verbessern, ohne Daten zu teilen zwischen den Instituten, weil die Daten halt privat sind. Also auch gerade im medizinischen Bereich sehr, sehr wichtig, von Vorteil das zu verwenden. Genau.

Speaker0: Mega, das heißt, kurz noch vom vom Business Model Canvas her, die anderen Felder 'n bisschen abzudecken. Wenn ich's richtig verstanden hab, Flower ist ein Package für Entwickler, für Data Scientists, ja, die ihrerseits dann sozusagen eine größere Lösung drum rum und mithilfe von Flower bauen. Richtig? Genau. Und wie kann ich mir das vorstellen von den KI Modellen, die ich da einsetzen kann? Du hast grad Bilderkennung als Beispiel genannt, als Beispiel Use Case. Sind es neuronale Netze im Allgemeinen? Oder ist es quasi eine Ebene über 'nem noch mal tiefer liegenden Textstag, wie ich weiß nicht, Tänzerflow zum Beispiel? Was kann ich alles mit Flower einsetzen?

Speaker2: Alles. Das ist das Gute und das war sozusagen immer der Use Case oder ist der Use Case. Du kannst eigentlich zum Beispiel an 'nem Programmierbeispiel mit mxnet zusammengesessen. Jacks, Pyteorge. Wir haben aber auch 'n Tansorflow Beispiel. Das heißt, Du kannst eigentlich jedes Machine Learning Framework den nehmen, was Du dir vorstellen kannst und kannst das föderiert laufen lassen und auch mit unterschiedlichsten KI Modellen. Du kannst Time Forecast nehmen, Du kannst neuronale Netze nehmen, Du kannst aber auch andere Sachen nehmen. Also das eigentlich ist alles möglich, sobald Du am Ende einen KI Modell hast, wo Du die Parameter am Ende irgendwo in eine Cloud speichern kannst oder dir nehmen kannst und mit anderen mit anderen Clients zusammen verbinden kannst. Das einzige Wichtige, was man immer beachten muss bei Federated Learning ist, ist dass die Clients jeweils oder die Autos, die KI Modelle auf diesen einzelnen Komponenten immer gleich aussehen muss von der Architektur. Wenn das gegeben ist, dann kannst Du das auch zusammen aggregieren und über Federated Learning laufen lassen. Okay. Und der

Speaker0: der Step des Mergents der verschiedenen Modelle? Kommt es vom User, weil der oder die sozusagen wissen muss, okay, was ist die Mannigfaltigkeit der Parameter, auf der sich gültige Gesetz bewegen oder übernimmt es auch Flower für mich?

Speaker2: Das also das übernimmt Flower für dich. Es gibt unterschiedlichste Algorithmen, wie man das zusammen mergen kann. Der einfachste ist halt zum Beispiel, wenn wir 'n neuronales Netz haben, die einzelnen, die bei 'nem neuronalen Netz sind, die einfach aufsummieren und dann halt den Durchschnitt davon bilden. Das ist sozusagen Fed Averagean. Es gibt aber auch noch kompliziertere Algorithmen. Da gibt's ganz, ganz viele. Das kann man auch alles nachlesen im Internet oder beziehungsweise auch bei Flower direkt, welche Algorithmen es gibt. Es gibt ganz viele, die schon implementiert sind von vornherein. Das heißt, Flower bietet dir sozusagen schon von vornherein son son Set an unterschiedlichen Möglichkeiten, wie Du das so zusammen hinzufügen kannst, mergen kannst. Genau, Du kannst dann aber am Ende kommt es son bisschen auf den Use Case an, wer bestimmt, wie es gemacht wird. Es gibt zum Beispiel, wenn Du jetzt VW bist, dann bist Du derjenige, der sagt, okay, ich möchte, dass das halt so zusammengemerged bist. Du hast die Kontrolle über alle Clients und möchtest, dass das halt das Ergebnis von der globalen KI gibt. Es gibt aber auch andere Momente, wo Du sozusagen einfacher Nutzer in einem Netzwerksystem bist und dann ist sozusagen jemand, der der dieses Netzwerk verwaltet, derjenige, der halt sagt, okay, das ist das Beste für alle und der Client macht jetzt in der Runde mit oder macht halt's nicht mit. Also ist son bisschen unterschiedlich vom Use Case, weil letztendlich, wir sind ja nicht darauf fixiert, nur Autos zu connecten oder so, sondern wir können auch unterschiedlichste Use Cases umsetzen, wo wir Firmen miteinander verbinden, wo jede Firma zum Beispiel einfach für sich den Profit daraus hat, in 'nem Chatbot zum Beispiel, okay, mein Chatbot besser, wenn ich in sonem Netzwerk drin bin. Okay, der andere Chatbot, der die andere Firma oder Konkurrenzfirma hat auch son Chatbot, aber ich lerne von den anderen son bisschen und ich hab am Ende bin ich dann ganz weit vorne in der Technologie bei Chat Bots, weil ich Federated Learning verwende, weil meine KI besser ist als bei anderen besser ist. Im gesamten Netzwerk. Genau, das hat jeder seinen Vorteil davon und muss dann jeder sehen, was er was der Nutzen und Kosten in dem Sinne bei Federated Learning ist und ob er da mitmachen möchte oder nicht.

Speaker0: Finde ich megaspannend. Also vor allem, wenn ich mir die Probleme vorstelle, die ich dann auch mit viel Hirnschmalz lösen muss, vielleicht eben, weil 'n von 2 Gewichtssets von neuronalen Netzen, die aber jeweils in 'nem unterschiedlichen Minimum sich aufhalten ja, dass das dann vielleicht auch gern mal in die Hose geht und dass ich mir dann über zum Beispiel infrastrukturelle Themen keine Sorgen mehr machen muss wie mir Flower hätte und wahrscheinlich einfach vieles auch an Strukturschaffung abnimmt. Das find ich schon mal mega. Jetzt warst Du da in 'ner genau zentralen Position, das zu steuern, aufzubauen. Von daher würd mich mal interessieren, gibt's da aus deiner Sicht, so hab ich's nämlich bisher immer wahrgenommen, aber bitte gern richtig einordnen, wenn Du das anderssiehst. Gibt's da sone kritische Schwelle, die man überschreiten muss? Weil wenn ich jetzt auf GitHub mein package Open Source stelle, ich hab 2 Stars, nämlich der eine ist von mir selbst, der andere von meinem Co Entwickler, ja, so. Dann bringt mir das ja nix. Also dann dann ich nur, dass das Zeug online ist, dass ich 'n Tracker hab, dass ich Tickets einstellen kann und und und und, ja. Aber ich feuer quasi nur raus und es gibt keine Community, die sich, und das ist ja das Ziel, oder? Dass sich die Community auch selbst trägt irgendwo und organisch dann von sich aus wächst. Und das so vermute ich, funktioniert ja erst ab 'ner gewissen Größe. Kannst Du das bestätigen? Hast Du das anders wahrgenommen?

Speaker2: Nee, das das stimmt schon so. Also ich glaube mittlerweile sind die GitHub Stars bei knapp 1000 und das Projekt gibt es seit 2, zweieinhalb Jahren. Das heißt also ja und das ist so seit circa einem Jahr, dass die Community wirklich sehr, sehr groß geworden ist. Da also was gut geholfen hat, ist wirklich auch LinkedIn zu verwenden. Unsere Blogpost, wir haben regelmäßig Blogpost geschrieben über die Beispiele, die wir hatten, da auch wirklich zu zeigen, okay, pass mal auf, ich hab im innerhalb von LinkedIn gibt's ganz viele Data Scientists, Machine Learning Leute, die interessiert sind und die gucken halt auch, okay, wo ist denn neuste Tag von Pyteorge oder so, ne? Und ich hab auf einen Beitrag über Pyteorge zusammen mit Flower ganz viele Views gehabt und dadurch haben wir auch 'n paar GitHub Stars bekommen. Die haben Aufmerksamkeit bekommen und oder auch zum Beispiel viel auf Hacker News geteilt. Da ist auch ganz, ganz viel entstanden, ganz viel Traffic entstanden und so einfach zu den Leuten zu zeigen, okay, wir nutzen diese unterschiedlichen Social Media Netzwerke und packen das dort rein, machen das bekannt und es ist natürlich 'n linearer Anstieg. Das ist nicht jetzt zum Beispiel so wie wie teilweise bei den Google Sachen, bei Tansorfloor, das geht schon ganz, ganz schnell, weil die haben schon eine Community, ne. Ne. Das war da nicht so der Fall. Das heißt, wir sind langsam gestiegen, aber wir sind stetig gestiegen, haben dann durch verschiedenste Summits, die wir selber organisiert haben, das Ganze noch mal breiter verteilt. Die Leute haben mehr gewusst. Wir haben Firmen auch angeschrieben, habt ihr Interesse, das euch da mal anzugucken, was das ist und auch in Zukunft das mal zu verwenden, weil das Tolle ist ja in dem Sinne, dass Du musst ja, wenn Du das 'ner Firma vorstellst, gar nicht sagen, ja komm, Du musst jetzt hier direkt was bezahlen, damit Du es verwenden kannst, sondern die Leute können das sofort ausprobieren und können direkt sehen, ist das was für die oder ist es nicht? Und dadurch steigt dann das auch als das Interesse und dieser diese Schwelle, das mal auch auszuprobieren, wird einfach geringer. Und das ist natürlich eine gute Sache, gerade bei so 'nem Open Source Projekt, das bekannter zu machen und größer wachsen zu lassen. Zusätzlich haben wir dann auch zum Beispiel Slack gehabt. Die Slack Community ist sehr groß gewesen auch und genau, also es ist schon 'n bisschen Arbeit, das überall zu verteilen. Es hat auch 'n bisschen SEO Arbeit. Also man muss gucken, okay, wo packt man die Links hin? Was sind Backlinks? Was ist gut? Was ist nicht gut? Was ist von Vorteil? Was ist nicht von Vorteil? Wo können wir noch Blogs veröffentlichen? Und ich habe auch ganz explizit Leute zum Beispiel von mx net angeschrieben und gefragt, hier guck mal, wir haben hier 'n Beispiel, wollt ihr das nicht bei euch veröffentlichen? Und das haben die auch gemacht. Das da freuen die sich total, wenn die wieder was Neues haben, was neu eingefügt werden kann, was 'n neues Beispiel ist, auch gerade so Federated Learning, eine neue Technologie und was ich gelernt habe in den letzten 2 Jahren ist wirklich, einfach auf die Leute zuzugehen und zu fragen. Die meisten sind eigentlich begeistert davon und freuen sich, mitzumachen zu können.

Speaker0: Mhm. Mhm. Ja, definitiv. Also es gibt nichts Frustrierenderes, Software vor sich zu haben, wo man denkt, okay, ich ich weiß eigentlich ganz genau, wer nicht Zugriff aufn Quellcode hätte, wie ich's anpacken müsste. Gibt ja dieses diese Story, jemand fängt bei 'ner Firma zu arbeiten an, fixt an Tag 1 den Bug, der ihn seit 2 Jahren nervt und kündigt sofort wieder. Nur diesen Bug zu fix. Ja, genau. Also insofern absolut eine gute Idee. 'N Package, das sich jetzt so wie Flower dazu eignet an der Community, einfach auch groß zu werden, das dann auch auch entsprechend voranzutreiben und die Leute einzuladen, ne? Finde ich echt eine fantastische Sache. Sehr, sehr cool. Ganz kurz von der von der Brille noch mal der Firmen drauf geguckt. Du hast ja vorhin angesprochen, Datensensibilität, Vertraulichkeit, wichtiges Thema eben Medizindaten, ultrakritisch. Und es gibt meiner Wahrnehmung nach noch 'n zweites großes Thema neben der Datensicherheit, das Thema der Datenverfügbarkeit. Jetzt schlägt man über Federated Learning ja beide Themen gleichzeitig, nämlich ich muss nicht so viele Daten bei mir im Haus haben oder generieren. Und ich muss meine Daten, wenn ich sie jetzt teilen möchte, nicht mal mehr offenlegen. Und da gibt's jetzt einen, ja, 1 1 1 so überall schwebenden Dämon, der der das Ganze noch begleitet. Und zwar die Angst, dass ich ja, wenn ich einen sehr, sehr ungewöhnlichen Datenpunkt hab in meinem Trainingsdatenset, dass ich den unter Umständen mit 'ner hohen accuracy wieder aus 'nem neuronalen Netz beispielsweise wieder rausziehen kann. Also wenn ich die die Netze hernehme, wenn ich wenn ich Netze hernehme, die mir Bilder generieren mit mit menschlichen Gesichtern, ja, dann wurde ja gezeigt, dass ich unter Umständen die Gesichter der Trainingsdaten rekonstruieren kann, ja, weil ich da sehe, okay, das Netz ist sich da in in diesem Gesichtern sehr, sehr sicher, dass das auch wirklich menschliche Gesichter sind. Und dann hab ich natürlich doch wieder irgendwo, vielleicht nicht jetzt exakt, aber zumindest annähernd ein Datenoffenlegungsproblem. Mhm. War das bei euch 'n Thema? Habt ihr das abgefangen irgendwie? Weil wie gesagt, ja, also das ist einfach son Thema, das das das muss man irgendwie handeln, ne. Ja. Das Drum geht, man gibt irgendwas raus. Ja, das ist auch eine ganz ganz große Angst von ganz ganz vielen Firmen.

Speaker2: Selbst wenn Du sagst, Du teilst ja nur die KI Parameter, weides bice, selbst dann ist immer ja, aber wenn ich das rekonstruieren kann. Dazu muss man aber auch sagen, dass die Rekonstruktion, die in diesem Wissenschaftspappers, was Du beschrieben hast, stattgefunden hat, das ist ein bisschen also da wurde sozusagen auf ein Client eine Person trainiert und die Frage ist son bisschen jetzt, ist das in deinem Fall überhaupt so? Also wenn Du zum Beispiel mehrere Kategorien hast, Du hast zum Beispiel also Bilder von Männern, Frauen aus unterschiedlichsten Ländern, dann dann hast Du das ja gar nicht mehr. Dann ist das dann ist das neuronale Netz viel komplizierter und dann kannst Du das gar nicht mehr so einfach rekonstruieren. Das heißt, also da ist immer ein bisschen die Frage, wie groß ist deine Angst und wie groß ist das eigentlich die Wahrscheinlichkeit, dass genau dieser Fall eintrifft? Ja, natürlich gibt es Werkzeuge, das trotzdem zu verhindern. Das heißt also, Du kannst trotz dessen, also wenn Du die Angst immer noch hast, dass das rekonstruierbar ist und Du hast halt so sensible Daten, dass Du das auf gar keinen Fall möchtest, dann kannst Du noch Sachen machen wie Secure Agegation oder Differentiate Privacy. Differentiate Privacy zum Beispiel packt auf dein KI Modell noch mal son Noise rauf und dadurch wird das sozusagen verschwimmt das alles son bisschen und dadurch ist die Rekonstruktion nicht mehr so einfach vorhanden. Da muss man aber sagen, okay, wenn ich jetzt schon sage, da packe ich's Neues drauf, dann wird deine Acuracy sinken. Das heißt also, es ist immer die Frage, was möchtest Du haben? Also wie viel Sicherheit möchtest Du haben und wie viel Wert ist die die? Da muss man immer abwägen, deswegen sage ich, das ist in jedem Use Case anders und man muss das ganz klar kommunizieren, was für Vorteile und Nachteile das hat. Wenn Du auch Differential Privacy nutzt oder solche zusätzlichen Algorithmen bedeutet das auch mehr Rechnerleistung. Das kann auch gerade, wenn wir jetzt über CO2 oder Carbon Footprint von KI Modellen reden, kann das natürlich negativ wieder mit reinspielen. Ein anderer Punkt ist zum Beispiel zu sagen, okay, ich nehme Secure Aggregation, da packe ich sone Art Maske drauf und wenn ich verschiedenste Clients miteinander addiere, wird diese Maske cancelt die sich raus. Das kann man auch machen, benutzt also braucht aber natürlich auch mehr Rechenleistung wiederum, ne. Da hast Du zwar keinen Abfall in der accuracy, aber dann halt mehr wesentlich mehr Rechenleistung, die Du brauchst. Es ist also immer die Frage in dem Use Case, was brauchst Du wirklich und bist Du dir sicher, dass Du diese zusätzlichen Mechanismen wirklich, wirklich brauchst oder sagst Du, Du brauchst sie wirklich und dann musst Du halt einzelne verschiedene Sachen in Kauf nehmen, das halt zu gewährleisten, was Du da hast. Genau.

Speaker0: Alright. Okay, verstanden. Cool. Vielen Dank für die Einordnung. Also ich denk, damit hat man nämlich dann wirklich auch den den Hauptzweifel Punkt auch absolut damit adressiert. Alright. Als Nächstes würd ich gern mal einsteigen in das Team, das Du bei adap dich rum hattest, weil diese Leistung ein Community package großzumachen, das ist wirklich eine Leistung, ja. Also das hab ich schon ganz oft gesehen, dass so was nicht funktioniert, auch wo viele Ressourcen reinfließen und dann funktioniert's trotzdem nicht. Und was mich total interessieren würde, wär, wenn Du bissel was drüber erzählen kannst, wie war das Team aufgestellt oder deine ganze Arbeitsumgebung, die dafür gesorgt hat, dass neben deiner persönlichen das dann letztlich gut funktioniert hat?

Speaker2: Genau. Also das Wichtigste ist, glaube ich, dass die Gründer sind sehr erfahrene Entwickler auch und sowohl in der Infrastruktur als auch im KI Bereich. Daniel Beutel ist sehr erfahren, was KI Modelle angeht und genau was für Algorithmen es gibt und wie man die aufbaut und wie man die in dem Produkt platziert. Tanatopal, der 2. Gründer ist sehr erfahren im Bereich Architektursysteme und Cloud Systeme, also auch unter anderem ABS. Und ich glaube, diese Kombination aus beiden ist eine gute Voraussetzung, einfach sonen Framework aufzusetzen und aufzubauen, wie es Flower halt ist und genau und ich hab dann sozusagen wirklich eher geguckt, was gibt es, wie kann man die Sachen dann verbessern, wie kann können wir an Projekte auch rankommen und wo können wir das hin streuen dieses Produkt? Und das ist natürlich gerade, wenn man in dem also Produkt, also als Produkt Ownerin ist man ja meistens in dem Produkt beschäftigt und redet mit Vorständen zum Beispiel oder mit Leitungspositionen. Wenn wir über VOVER als Open Source Paket reden, reden wir eigentlich mehr über Entwickler. Wir müssen also von unten gucken, wie bringen wir das an die Entwickler ran, sodass sie das dann ihrem ihrer Leitungsposition sagen, das müssen wir verwenden, weil das ist gut, das habe ich benutzt, das passt super rein. Das heißt also dieser Strang, wie man halt geht oder wo man halt landen muss, ist ein anderer und da muss man sich son bisschen auch reinfinden, weil wie gesagt, das ist einfach Du adressierst andere Leute, die Sprache ist anders. Du hast Du musst viel mehr in Entwickler Sprache reden, mehr in PyTorge, Tansorfloor Sprache oder was auch immer und muss auch sagen, okay, die Konkurrenz gibt es zum Beispiel. Picill Federated, also Tensorfloor Federated zum Beispiel und muss auch klarmachen, was ist son bisschen der Unterschied und dann noch wissen, wie agiert die Community. Genau und da das wirklich richtig zu platzieren und da war GitHub zum Beispiel sehr, sehr gut, das zu verwenden. Viele andere Open Source Frameworks machen ganz, ganz viel auf GitHub und es ist eigentlich ziemlich leicht, deine Beispiele da überall zu platzieren, einfach 'n Pull request aufzumachen mit hier guck mal, das ist mein Beispiel und Du gibst schon alles fertig hin und die brauchen es eigentlich nur noch zu approven. Und das ist sozusagen dann die Aufgabe, die richtigen GitHub Repositoris zu finden, das zu platzieren, damit es damit die Leute darauf aufmerksam sind und wenn Sie denn schon mal Python verwenden, gleich zu sehen, a, da gibt's auch direkt was mit Federator zum Beispiel. Das ist son bisschen der Knackpunkt, den ich mich gekümmert habe und geschaut habe, wo können wir uns da gut platzieren und natürlich auch viel auf LinkedIn Werbung gemacht, denn es ist auch wichtig, die Projekte kommen am Ende auch über die Leitungsposition und den Leuten zu erklären, wie kannst du Federated Learning verwenden und was ist dein Use Case? Von dem her war natürlich auch LinkedIn sehr gut zu nutzen.

Speaker0: Verstanden. Das heißt, ich verstehe es jetzt insbesondere so, dass Du ja die Schnittstelle dargestellt hast zur Community nach außen und nach innen zum Dev Team, weil ich nehme an, dass nicht alle Features bei 'nem externen Git Re Bowl Du selbst entwickeln konntest. Und es wird ja wohl wahrscheinlich auch Feature Anpassungen oder Neuentwicklungen bei Flower gegeben haben, die aus der Community raus

Speaker2: entstanden sind, also die Ideen aus der Community raus entstanden sind. Genau, also das war noch größtenteils Diese Schnittstelle. Genau, das waren diese Sachen an Flower selber zu arbeiten. Das waren meistens die Gründer selber und ich habe sozusagen für meine Arbeit immer genutzt. Das heißt, ich wusste halt auch ganz genau, wie einfach das ist. Also ich hab's halt nicht nur erzählt, dass es halt einfach ist zu nutzen, sondern ich hab's halt wirklich auch selber ausprobiert, was halt auch enorm wichtig ist, halt den Entwicklern zu sagen, dass Du da ganz einfach umsteigen kannst.

Speaker0: Ja, ja, ja. Also man merkt es schon, ja. Du Du Du Du verstehst, wie das Package nicht nur einen Mehrwert bietet, sondern wie das wirklich funktioniert und wie man's einsetzt. Wie tief warst Du dann auch gegenüber Produkt in der Lenkungsfunktion drin? Weil man könnt's ja bis ins Extreme treiben. Aber ich schilder einfach mal die beiden Extreme. Das eine Extrem ist, Ja, also hier Maria, das ist Flower und die Features, die es hat, damit musst Du klarkommen und die neuen Features, die denken wir uns selber aus. Ja, viel Spaß. Ja, toll, super. Das andere wär ja, den Spieß komplett umzudrehen und zu sagen, man man sagt, okay, Maria, Du bist jetzt halt Product Ownerin und definierst den kompletten Backlog auf Basis des Community Feedbacks. Und die Wahrheit liegt ja irgendwo in der Mitte wahrscheinlich. Vielleicht magst Du uns da noch mal abholen. Wie habt ihr das Kali gesagt? Genau.

Speaker2: Da war's eigentlich hat man eigentlich ganz gut gesehen in der Slack Gruppe, was sind sozusagen neue Features oder neue Beispiele, die halt gebraucht oder gesucht sind. Und da haben wir dann immer zusammen geguckt, okay, wer macht was und wie passt das in unsere in unsere Strategie rein, in unsere Firmenstrategie oder Produktstrategie. Genau, das haben wir immer son bisschen ausgelotet. Wenn's halt eine neues Beispiel war, habe ich meistens das dann genommen und gesagt, ich programmier das. Wenn's eine neues Feature in Flower selber war in diesem Core Framework, dann haben das die Gründer meistens umgesetzt oder oft auch mal gefragt, okay, wenn Du 'n neues Beispiel möchtest, vielleicht würdest Du da einfach das schon mal anfangen zu bauen und wir unterstützen dich im letzten Punkt. Das heißt, Du kriegst 'n paar Credits über GitHub, über das Repository und unterstützt uns und wir können dich dabei unterstützen. Das heißt, es ist sone Win win Situation für beide gewesen und genau das war in der Hinsicht immer ja dieses Ausdruck, ne. Was was kann man machen? Was kann man nicht machen? Auf der anderen Seite ist das Gute an Flower immer auch gewesen, dass selbst wenn manche Features nicht implementiert waren, die Nutzer konnten sie selber implementieren. Das hat manchmal 'n bisschen mehr Know how gebraucht und auch Unterstützung von unserer Seite, sodass wir dann manchmal auch einfach Calls gemacht haben und gesagt haben, okay, pass mal auf. Das und das musst Du machen oder so und so kannst Du das umsetzen und da 'n paar Hinweise gegeben haben, dass die Nutzer das halt selber machen können. Denn am Ende ist es so, wir sind natürlich 'n Start-up. Wir sind kein wir haben keinen 100 Entwickler, die daran alles arbeiten können. Wir haben unsere Zeit ist limitiert und dann müssen wir auch gucken, wie packen wir das am besten rein? Also wir schaffen es nicht jedes Feature direkt umzusetzen und genau da einfach zu die Community auch selber mit reinzunehmen zu sagen, komm mach Du das doch einfach mal. Fang schon mal an und wir unterstützen dich dann. Das ist genauso bei bei Problemen gewesen. Normalerweise, wie ich schon gesagt hatte, Tannette Tupal ist sehr erfahren, was mit AWS angeht. Es gibt aber zum Beispiel bei Azure andere Sachen, die berücksichtigt werden muss, die man bis dahin also einfach noch keine Erfahrung hat und das ist ganz gut, dass die Community da ist, dass sie dann darauf aufmerksam macht und dass man sich dann einfach zusammen mit Unterstützung von uns, aber auch der Community oder der Person, die das nutzt, dass man auf dieser Sachen aufmerksam wird und das dann verändern kann und das als nächstes Feature zum Beispiel auch mit reinpacken kann.

Speaker0: Mhm. Mhm. Mega. Jetzt hatte ich in den früheren Podcastfolgen schon relativ häufig Gäste, die dieses T-Shapeed Kompetenzprofil haben. In dem Sinn, man kennt sich überall 'n bisschen aus und hat sozusagen in 1 Domäne noch mal absolut schiefgehendes Wissen deswegen T-Shape. Und klassischerweise sieht es ja so aus, das sind, wenn ich jetzt mal komplett hier in Stereotypen denke, Menschen mit einem Informatik oder vielleicht sogar schon direkt einem Data Science Studium, die sich dann in dieser Data Science Säule noch mal verfestigen und dann noch rechts und links so Management. Und ja, ich weiß 'n bisschen, wie ich jemanden über LinkedIn anschreibe, sodass er mich nicht gleich meldet und blockiert. Also die die bauen da eher an. Und jetzt find ich's in deiner Historie das hört sich jetzt ein bisschen so alt, wie wenn Du 200 Jahre alt wärst, nee, Quatsch. Also in einem bisherigen Werdegang finde ich's extrem spannend, weil ja dieser Schwerpunkt nicht unbedingt jetzt darin liegt, dass Du genau den Elvis Operator in der und der Programmiersprache irgendwie jetzt in- und auswendig kennst, sondern es ist ja deutlich mehr, so würd ich's formulieren, Brücken bauen, erklären und auch sozusagen diesen diesen Feedback Loop hinkriegen, der letztlich fürn Produkt lebensentscheidend ist, am Markt wirklich ein hinzukriegen, ja? Und das find ich superspannend. Vor allem, wenn ich mir angucke, Detektorphysikerin und dann 'n paar Jahre später in der Rolle wie wie bei Adap. Kannst Du uns dann noch mal abholen, einfach mal 'n bissel anekdotisch, wie wie kam's dazu? Ja, es war ja auch kein direkter Schrift, wenn ich mir deinen Lebenslauf angeguckt, sondern da gab's 'n paar paar Steps dazwischen.

Speaker2: Wie hat sich das Genau, ja, das ist als als Physikerin ist es ja oft so, man gerade in der Promotion, man macht ganz viel Data Science mit unterschiedlichsten Sprachen, aber nicht Python selten. Also relativ selten eigentlich. Nutzt man Python oder die typischen Sachen, die man halt im Data Science verwendet. Genau, wenn ich daran denke, was wir damals genutzt haben, dann war das als Editor emax. Also heute würde man jetzt irgendwie als Code oder irgendwas nehmen, Atem oder weiß ich nicht. Genau, aber das ist sozusagen, wenn man Physik studiert, ist das einfach, also man hat keine Ahnung vom Programmieren, sondern macht halt irgendwas, was schon da ist und oder nutzt irgendwas, was irgendjemand anders schon gemacht hat. Genau und das heißt, ich kenne mich so mit Daten aus und was ich immer toll fand und interessant fand, war auch Daten zu manipulieren am Ende oder beziehungsweise halt so darzustellen, dass sie Sinn machen und dass es auch gut darstellbar ist und auch für Leute einfach verständlich ist, direkt wenn sie auf das Bild gucken, was sie da sehen. Und wenn man dann da sein seine Promotion fertig gemacht hat, dann ist es so, Du machst halt ganz ganz viel in deiner Promotion und arbeitest ganz selbst, also extrem selbstständig und ich habe sehr, sehr selbstständig immer schon gearbeitet,

Speaker0: selbstständig immer schon Genau.

Speaker2: Gearbeitet. Mein Professor war in Aachen, hat dort unterrichtet und ich war in Berlin. Das heißt also, wir haben uns relativ selten auch gesehen und auch selten ausgetauscht. Das heißt, meine Arbeit war wirklich sehr, sehr frei oder beziehungsweise ich musste mich selber organisieren. Ich habe trotzdem in 3 Jahren meine Promotion fertig gemacht. Das heißt also, wenn man das in 3 Jahren durchschaffen möchte, dann muss man auch wissen, wie man's machen muss und

Speaker0: Kleiner Disclaimer für die Zuhörer, die nicht in der Promotionsszene unterwegs sind. Es ist auch ganz normal, wenn Menschen 6 Jahre promovieren. Konko. Das stimmt.

Speaker2: Also das geht's auch zu Genüge und auch ganz ganz oft und gerade wenn man in genau in der in der Uni seine Promotion macht, ist eigentlich mindestens so 5 Jahre glaube ich, ne. Und da hatte ich zum Beispiel den Glück, das Glück gar nicht so viele Vorlesungen geben zu müssen, sondern halt wirklich mich auf meine Promotion zu konzentrieren. Und wenn man dann sich sagt, okay, ich möchte raus aus der aus der Wissenschaft und ich möchte in die Industrie oder Wirtschaft, weil aus den gegebenen Gründen, die halt in der Wissenschaft immer schwierig sind. Du hast nur Verträge 2 Jahre, 3 Jahre maximal und dann musst Du zusehen, wie Du was Du weitermachst, wo Du deine Anstellung hast. Ich hab in der Promotion selber meinen ersten Sohn bekommen. Das heißt also für mich war klar, ich kann danach nicht unbedingt in der Wissenschaft bleiben, weil wenn ich in diesem Fachgebiet bleiben möchte, müsste ich nach Hamburg ziehen zum DESY Hamburg zum Beispiel oder zum CERN und das war keine Option damals für die Familie. Das heißt also, ich wollte, musste raus, bin in die Industrie gegangen und dann steht man dann so so vor der Industrie und fragt sich, wozu werde ich jetzt eigentlich gebraucht? Was ist eigentlich jetzt hier mein Fit? Wo passe ich rein? Und hab dann eine Stelle gesehen sozusagen als Testerin bei MELAG. Dort war es so, die haben jemanden gesucht, der halt allgemein komplexe Sachverhalte versteht. MELAG selber baute Sterilisatoren und die müssen getestet werden in den einzelnen Funktionalitäten, wie was wann abläuft und was wie wann passiert. Genau, das heißt, es sind manchmal komplexe Sachen, die da passieren und da brauchten die einfach Physiker*innen, die das halt machen und sich einfach angucken. Was ich dann im täglichen Leben herausstellte am Ende war es einen Knopf zu drücken und zu gucken, was passiert. Das war dann für mich eher so, okay, da da muss ich mir noch irgendwas anderes suchen. Das ist nicht die Herausforderung oder das, was ich halt mir das Arbeitsleben vorstelle, denn als Physiker*in lernst Du immer was Neues. Du bist immer darauf trainiert, neue Sachen dazuzulernen, jedes Semester neuen Kurs, neue komplexe Sachen zu lernen und dann und ja selbstständig zu arbeiten und da ist so dieses starre Konstrukt einfach nichts für dich. Und ich hab dann einfach mich bei der damaligen Firma Xaine, die habe ich gesehen, die machen gerade Blockchain. Ich hatte keine Ahnung von Blockchain. Ich habe gedacht, ich schreib die trotzdem mal an, die klingen sympathisch. Hab die angeschrieben und hab geschrieben, ja ich bin Physikerin, bin im Data Science unterwegs Bereich und würde mich freuen, wenn ihr jemanden braucht und gerade war es zu dem Zeitpunkt so, dass die Leute wirklich Data Scientist gesucht haben für einen Projekt zusammen mit Porsche. Das heißt, denen kam das total gelegen, dass eine Physikerin kommt, die in unterschiedlichen Bereichen eine Know how hat und sich schnell in Sachen neu einarbeiten kann und dann habe ich dort angefangen zu arbeiten. Das ging wirklich relativ schnell und hat auch total viel Spaß gemacht. Am Anfang habe ich selber programmiert. Genau, da haben wir 'n einen automatisierte Buchhaltung Software erstellt. Wir haben zusammen mit Tensorflow Rechnungen in Kategorien einsortiert und genau, das hat total viel Spaß gemacht und dann bin ich sozusagen in die Richtung eher in das Product Owner Bereich gegangen, weil es kam immer mehr Interesse auf auf diese für dieses Produkt und unter anderem ist auch PwC auf uns aufmerksam geworden und da braucht es halt einfach jemanden, der dann die Kontaktstelle von den Entwicklern zu PwC oder halt zum Kunden wie Porsche dann halt ist und das war ich halt, weil ich sehr gut mit mit Leuten aus dem Nicht Tech Bereich umgehen kann. Ich denk, also ich kann das gut erklären. Ich kann den Leuten gut erklären, wie könnt ihr das nutzen? Was sind eure Use Cases? Einfach zu erklären, ohne zu sehr ins Detail zu gehen und einfach sinnvoll klarzumachen, wo jetzt hier der Unique Selling Point ist und genau deswegen war das so meine Schnittstelle und bin dann in diese Richtung gegangen und am Ende ist natürlich auch die Idee gewesen, das mit Federated Learning laufen zu lassen und das war sozusagen dann der der der zwischen diese Zwischenkomponente dann zu adap, die sich dann wirklich auf Federated Learning konzentriert haben, wo ich dann danach hingegangen bin, zu schauen, wie können wir Federated Learning noch in anderen Use Cases unterbringen? Das ist so ein bisschen mein Werdegang in in Kurz und so bin ich dazugekommen zum Federated Learning und zu KI und bisher habe ich es auch nicht bereut, weil es sind immer wieder neue Themen. Gerade bei ADAP muss ich ganz ganz viel neu dazulernen. Ich habe unter anderem auch Frontend gemacht, die Webseiten mitentwickelt. Ich hab wirklich geguckt, wie können wir dieses Produkt ja platzieren und wo können wir's platzieren? Also das war wirklich eine tägliche Herausforderung auch für mich und neu dazuzulernen, das, was ich gerne mache und genau Leuten zu erklären, wie kann man's benutzen und was kann man machen?

Speaker0: Crazy, voll cool. Eine 1 Frage zu dieser Entwicklung, das hört sich für mich sehr organisch und graduell an, dass Du sozusagen Schritt für Schritt dich in diese Rolle hinein entwickelt hast, weil Du so hör ich's rausgemerkt hast, das liegt dir, das kannst Du gut. Hast Du das durch Fortbildungen oder Kurse unterfüttert, von denen man sich eine Scheibe abschneiden kann oder war das wirklich Learning by Doing und Du Du Du kannst es quasi angeboten? Also ich glaube, viele Physiker*innen

Speaker2: werden das bestätigen. Viel kommt mit Learning by Doing. Also auch im im im Physikstudium war das ja auch schon so, Du kannst Du lernst hast keine Programmierkurse, aber plötzlich bist Du in der Promotion und musst Data Science machen und programmieren und dann musst Du das eigentlich Learning by Doing machen mehr oder weniger und so kam das eigentlich auch immer bei mir. Ausprobieren, was funktioniert, was funktioniert nicht, wie geht es? Ich hab 'n gutes Talent dafür, mich in komplexe Sachen einzuarbeiten. Das heißt also auch in das Frontend Thema einzuarbeiten und einfach zu gucken, wie programmiere ich das im besten Fall. Bei uns oder es ist oft ja so, dass dass schon Sachen da sind. Es sind schon Sachen da und Du guckst einfach nur, wie kannst Du das adaptieren? Wie kannst Du noch was Neues hinzufügen? Und dann gibt es ja auch ansonsten 'n Stack Overflow, wo Du auch immer weißt, okay, Du findest da eine Lösung, findest Du da und ja ehrlicherweise habe ich nie wirklich 'n Kurs genommen in in irgendwelchen Disziplinen eigentlich gar nicht. Das Einzige, was ich mal gemacht hab, hab, ist 'n Tensor Flow Kurs. Das war das a. Also was sind halt neuronale Netze? Wie setzt man das auf und so? Und der der Rest war wirklich Learning by Doing. Für alle Leute, die neu einsteigen in KI, empfehle ich immer den NG Kurs, der ist total toll. Ich glaub, der bei COSIRA ist der zu finden. Es gibt 'n guten also 'n guten Zwischenschritt zwischen Mathematik, also nicht zu viel Mathematik, aber zu wissen, wie funktioniert was und warum funktioniert das so? Und das ist 'n guter Einstieg in in KI. Genau und ich lerne immer durch durch einfach durch machen und durch ausprobieren und einfach zu gucken, was ist schon da und wie kann ich darauf aufbauen.

Speaker0: Ist vielleicht auch 'n Physiker Approach beziehungsweise also es resoniert grad sehr, was Du erzählst bei bei dem, wie auch ich vorgehen. Mir geht's ganz genauso. Witzigerweise auch jetzt ganz aktuell grad Thema Frontend Entwicklung, denn wir hatten entschieden von unserer alten Website, die war WordPress basiert, umzusteigen auf ein Headless CMS, konkret. Und das ist einfach sozusagen das Ergebnis der Überlegung, bevor ich jetzt mich 12 Stunden mit einem Klick Editor bei WordPress ärgere und dann doch nicht das pixelgenaue Ergebnis dessen kriege, was das Design eigentlich vorgibt, dann machen wir's ja gleich in quasi 'ner mittelhohen Programmiersprache. Und ich hätt gern mehr Zeit dafür. Meine Rolle lässt nicht ganz zu, aber eben dann auch über über über ein existierendes, vorgefertigtes Template zum Beispiel für eine neue Subpage dann da reinzuarbeiten, geht man genauso. Und sozusagen die die die Lernkurve, also mir macht es auch Spaß, kontinuierlich mit dazuzulernen. Und gleichzeitig muss ich sagen, noch mal anderes Thema, das ist eher dann verwandt mit dem, wie Du beschreibst, wie Du das Community Management großgezogen hast. Ich weiß nicht, wie's dir geht, aber ich krieg irgendwie am Tag 20 Contact requests per LinkedIn. Und das meiste sind so automatisierte Roboternachrichten ja, von Leuten, die mir irgendwie alles versprechen. Und 1 davon ist ja auch immer, ja, hier mehr Umsatz Leadgenerierung durch LinkedIn und so weiter und so fort, ja. Und ich guck mir dann immer wieder auch mal diesen Free Content an, den die Leute quasi wie als Angel in die Social Social Media Landschaft reinwerfen. Und dann muss ich echt sagen, okay, das meiste, wenn Du hier son 15 Punkte Plan, die dann hernimmst, das und das und das musst Du machen, das ist alles gesunder Menschenverstand. Aber Du musst es halt richtig auf die Straße kriegen. Und da hilft mir kein E-Book und kein, weiß ich nicht was, kein Video, sondern musst das halt machen, ausprobieren und dann lernen, was funktioniert für dich und was nicht. Also von daher ich das echt cool, wie Du das beschreibst, weil's einfach sehr, sehr stark auch zu dem korresponiert, wie wie wir das erlebt haben bei Ihrem, wo eben auch die Strukturen nicht klar sind, wenn Du von 1 Mitarbeitergröße auf die nächste wechselst, dann ändert sich wieder alles. Also kann ich nur unterstreichen, dass wenn jetzt jemand vielleicht von den Zuhörern grad frisch aus der Uni raus ist und sich fragt, brauche ich hier den Kurs für 4000 Euro?

Speaker2: Ja. Genau, also ich ja auch ja wie Du es auch sagst mit LinkedIn ausprobieren, was geht, was geht nicht und am Ende ist es natürlich so, also es gibt manchmal Content, der funktioniert supergut. Da da triffst Du auf einmal den Zeitgeist und es gibt dann welchen, da triffst Du den gar nicht. Das ist halt netz live, so ist es und was ich ja und was ich auch immer gemacht habe ist, ich sitze manchmal wirklich 10 Minuten da und gucke so, okay, wer wird mir vorgeschlagen und dann sehe ich okay Data Scientist oder so und dann klicke ich den einfach versuche ich den also packe ich den in mein Netzwerk hinzu und einfach mehr Leute zu erreichen und auch wenn Leute fragen, ja möchtest Du mein Netzwerk? Ja klar. Also ich hab ganz am Anfang, als ich mit LinkedIn angefangen habe, habe ich gedacht, ja, möchtet ihr überhaupt meine Einladung haben oder nicht oder kenne ich die Person? Warum packt die mich jetzt in in ihren Netzwerk und keine Gedanken drüber machen, einfach hinzufügen. Wenn man 'n Netzwerk haben möchte, dann muss man das einfach machen und das ist auch für den letzten 2 Jahren wirklich 'n Learning Netzwerken. Immer immer Netzwerken. Ich hab, das kriege ich jetzt auch aktuell mit, 'n großes Netzwerk und man muss auch wirklich auch gucken, dass man irgendwo präsent ist und dass man da ist. Zum Beispiel auch beim KI Bundesverband sich 'n bisschen einzubringen beim Bitkom. Es gibt ja verschiedenste Netzwerke und da einfach zu gucken, wo positioniert man sich und wo wo hat man Netzwerke und auch einfach mal hinzuschreiben und zu sagen, hey, ich bin die und die. Habt ihr mal Interesse? Wollen wir mal auch 'n Podcast zusammen machen? Das und das Thema? Und da entsteht auch ganz, ganz viel, ganz viel Bekanntheit, wo man das Produkt, was man auch hat, positionieren kann oder die Idee, die man hat, positionieren kann und auch Aufmerksamkeit zu bekommen. Letztendlich mehr als einen Nein kann man nicht kriegen.

Speaker0: Ja, ja, richtig, richtig. Gemeinsam mit Jaguar damals in Staffel 1 dieses Podcasts haben wir auch mal eine Folge nur zu Networking gemacht, weil, absolut, ja, kann ich kann ich auch nur unterstreichen. Mal kurze spontane Zwischenfragen. Kleines Intermezzo. Wo glaubst Du, wird im Bereich Data Analytics in Zukunft noch am meisten passieren?

Speaker2: Da glaube ich auf jeden Fall, dass im Medizinbereich noch ganz viel ganz viel richtig tolle Sachen passieren werden. Der Medizinbereich ist ist son Bereich, der Wir müssen immer mehr lernen. Also wir brauchen also Analysen, wir brauchen Identifizierung für Krebserkennung und gerade was Privatsphäre, Datenschutz angeht, sind wir immer weiter mit verschiedensten Technologien, mit verschiedensten Algorithmen, die wir verwenden können. KI wird immer besser. Das heißt, man kann immer besser vorhersehen, wo sind Krebs oder was sind andere Diagnosen, auch Alzheimer, Pipapo. Das wird immer besser und immer genauer, sodass man immer zeitiger mit 'ner Behandlung auch anfangen kann. Und ich glaube gerade im Medizinbereich ist auch allen sofort klar, was ist der Use Case, wie können wir das verbessern? Und da sind ganz viele Leute auch früh dabei, das zu verändern und da auch KI zu benutzen und da auch Geld reinzustecken und Forschung reinzustecken. Ich glaube im Medizinbereich sind wir richtig, richtig weit vorne oder oder das kommt jetzt demnächst und ich finde auch das, was zum Beispiel Natural Language Processing in den letzten Jahren passiert ist, ist unfassbar interessant und spannend. Wenn ich daran denke, vor 4 Jahren, als wir angefangen haben mit unserem Projekt, also KI basierte Buchhaltung, da haben wir selber alles programmiert. Da haben wir in Wordow weggenommen, das heißt, wir haben unsere Wörter selber in Vektoren umgerechnet und mittlerweile hast Du Huggingface, hast Du einfach eine library, wo Du dir alles nehmen kannst und das macht alles im Hintergrund. Das ist richtig beeindruckend und da werden wir auch noch in Zukunft sehr viele tolle Sachen von Huggingface ist crazy, oder?

Speaker0: Hab ich mir vor Kurzem auch im Detail angeguckt. Das ist wirklich krass. 2. Frage, was war dein bisher größter Aha Moment?

Speaker2: Es gibt bei Youtube eine Person, die macht Data Analytics Sachen, Data Science Sachen und es ist ganz spannend, wie er die gleichen Daten in unterschiedlichen Graphen darstellt und sie einfach unterschiedliche Aussagen dadurch hat. Also als Physiker*in, weißt du, wie sehr du Daten manipulieren kannst oder Daten durch Darstellung manipulieren kannst, sozusagen anderes Ergebnis rauszukriegen, ohne in dem Sinne die Datenpunkte zu verändern. Einfach durch die Skalierung kriegst Du in dem Sinne ein ganz anderes Ergebnis, denn Du kannst entweder sagen, okay, das ist total ganz viel Neues drinne. Das funktioniert nicht. Wenn Du die Skalierung anders wählst, ist es auf einmal eine gerade. Einfach nur so und das war der größte in dem Sinne Aha Moment für mich auch noch mal zu sehen, wie sehr man Daten nutzen kann, andere Leute zu beeinflussen, in welche Richtung sie gehen kann können. Auch gerade im statistischen Bereich, also bei Statistiken muss man immer hinterfragen, wo ist die Statistik, wo hat da stattgefunden, wie viel, wer, wann, wie und ich finde, da muss auch noch mehr Aufklärung stattfinden, sowohl in der Schule als auch bei älteren Menschen, die noch nicht so viel Statistik hatten, so aufzuklären, okay, hinterfrage, was Du da siehst.

Speaker0: Definitiv. Da hatte ich gerade noch einen kurzen Flashback Moment Und zwar auf 'ner Konferenz war mal ein Professor aus Texas, der Technologie vorgestellt hatte, drei-d volometrische Daten zu visualisieren, also Medizinbereich, ne. Und jetzt hast Du sozusagen 'n drei-d-Scan von von dem Körper. Und wie navigierst Du jetzt durch diesen Körper? Welche Schichten interessieren dich und das Ganze performant, damit Du hier keinen Cluster brauchst, das Ganze zu machen. Also war wirklich spannend. Und ich bin da 'n bisschen mit dem ins Gespräch gekommen. Und genau wie Du's beschrieben hast, das Thema hat mich interessiert, Datenvisualisierung, einen ansatz dazu finden und er hat mir empfohlen tamara mannsner auch professoren in den usa glaube ich ich hab gerade mal gegoogelt an an UBC Ich pack mir den Link zu ihrem Wikipedia Profil in die Shownotes nachher. Und die hat 'n Buch veröffentlicht, das wirklich, wirklich gut einen noch mal abholt, weil das sozusagen gemeine ja an Datenvisualisierung ist, es gibt jetzt nicht so diesen Standard Approach und der führt immer zum Erfolg, sondern es kommt hier wirklich drauf an. Aber was nicht bedeutet, dass der Weg zu 'ner guten Visualisierung unstrukturiert sein muss, ja? Und und und Tamara Manzner, die die hat da 'n echt cooles Buchdesigner durchleitet, Kann ich kann ich nur bestätigen. Ist auch eine große Faszination von mir, muss ich sagen.

Speaker2: Ja, mein Professor oder ein im Praktikum hat immer gesagt, wenn wir zu ihm gesagt haben, Ströme gemessen haben, elektrische Ströme und wir ihm gesagt haben, das ist gar nicht richtig genau und dann hat er immer die Hand bei den letzten Nachkommastellen hingehalten und jetzt. Das zeigt ganz gut, dass es am Ende kannst Du es lesen, ja wie Du es also brauchst oder wie man's halt Also man muss immer darüber nachdenken, wie Du was machst. Mhm. Mhm. Ja, ganz genau. Ganz genau.

Speaker0: Sehr sehr spannend. Ich ich würd gern mal noch 'n bisschen den Blick in die Berliner Data Science Community richten und auch auf so, wie Du dich vorhast, weiterhin zu entwickeln. Du bist da engagiert in der Gruppe der in Berlin, was ich erst mal sehr, sehr cool und respektabel finde, weil es ja eine Non Profit Organisation ist, wo alle ehrenamtlich mitarbeiten. Was ist das genau? Was ist das für 'n Netzwerk?

Speaker2: Genau, das ist eine Netzwerk für Personen, die sich für KI und Robotics interessieren oder auch Experten sind, sowohl für Frauen als auch für Männer. Wir legen unseren Fokus darauf, wirklich Frauen mehr Sichtbarkeit im KI Bereich und Robotics zu geben und dafür zu sorgen, dass auch in Zukunft mehr Frauen sichtbar sind in diesem Bereich und wir haben in diesem Bereich im KI Bereich, im Robotics Bereichen einen Mangel an Mitarbeitern. Also wir brauchen mehr Leute und aber im Endeffekt ist es so, es sind Leute da. Wir haben auch ganz viele Frauen, die da sind, aber die sind nicht, werden nicht gesehen und wir möchten das ändern. Wir möchten ändern, dass endlich auch Frauen mehr in Panels da sind. Panels sind heute immer noch meistens zu 80 Prozent mit Männern besetzt und am Ende gibt es eventuell eine Frau, die man noch gefunden hat oder wenn überhaupt und ansonsten sind ganz viele Männer. Und das ergibt den Anschein, dass es gar keine Frauen gibt, die eine bestimmte Expertise in bestimmten Bereichen haben, aber es ist nicht so. Wir mit unserem Netzwerk, Expertise in bestimmten Bereichen haben, aber es ist nicht so. Wir mit unserem Netzwerk zeigen, es gibt für unterschiedliche Themen im KI und Robotics Bereich, also Tech Bereich, gibt es auch Frauen, die da forschen, Expertise drin haben, die gut darin sind und die wir euch empfehlen können auch als Speakerin und für euer Panel einzuladen und dort auch sichtbar zu machen und natürlich auch Dinge sichtbar zu machen wie Vereinbarkeit, Familie und Beruf, solche Sachen auch sichtbar zu machen, denn es ist leider immer noch so, dass Frauen größtenteils den Care Arbeit übernehmen und da auch zu zeigen, okay, Du musst dich nicht entscheiden, ob Du Karriere oder Beruf haben möchtest, sondern Du kannst auch beides haben. Es gibt Vorbilder in unserem Netzwerk, die haben Familie und die haben einen Beruf und man schafft das und es gibt halt nur bestimmte Dinge in dem Sinne, die man berücksichtigen muss beim Arbeitgeber und selber sich organisieren muss. Und es gibt zu allen Themen und es gibt zu allen Sachen gibt es dieses Netzwerk und das Netzwerk organisiert sich halt so, dass wir ein 1 großer Verband sind, sage ich mal, mit der Präsidentin Scheler. Und dann haben wir in verschiedensten Städten City Leads, zum Beispiel in Bremen, Stuttgart oder Berlin oder jetzt auch in Kanada. Also wir sind international unterwegs und arbeiten auch mit internationalen Firmen zusammen, auch zum Beispiel mit der UN Organisation. Wir arbeiten mit dem DFKI zusammen und gucken einfach, welche Kooperationen machen wir, mit wem arbeiten wir zusammen und dass wir alle 'n Profit dadurch haben. Das heißt, in den Firmen wird werden Frauen mehr sichtbarer und wir können auch davon profitieren, dass sie uns mit unterstützen.

Speaker0: Und in welchen Städten seid ihr da vertreten? Ich hab sie so verstanden, Du bist jetzt quasi Lead in Berlin, was ja impliziert und Du hast ja gerade schon gemeint, Scheler koordiniert quasi das Netzwerk, dass es noch andere Deponancen gibt. Wo wo seid ihr da überall vertreten?

Speaker2: Genau, in in Montreal ist jetzt auch 'n ganz neues 'n neues City Lied entstanden sozusagen. Das ist jetzt neu aufgemacht worden mehr oder weniger. Genau ansonsten, also viel noch in Deutschland halt, wie gesagt, Bremen ist noch sehr groß und Stuttgart ist auch noch sehr groß und Berlin und wir gucken halt immer noch, dass wir noch mehr dazu bekommen. Ich glaub, wir gucken auch jetzt noch in Hamburg, dass wir da und München, dass wir da auch noch 'n paar City Leads generieren können und die da mitarbeiten, ist natürlich immer auch gerade für die City Leads für Arbeit und wie Du schon gesagt hast, ist alles Non Profit, ist alles ehrenamtlich. Das heißt, wir müssen alle neben der Arbeit zusehen, dass wir diese Sachen schaffen und machen, weil wir organisieren halt selber auch viel Meetups und viele Hackathons und solche Sachen und manchmal halt auch in Person, also wo wir uns dann wirklich, wo wir uns treffen. In Berlin unter anderem haben wir eine Kooperation mit dem AR Campus zusammen, dass wir da zum Beispiel Meetups abhalten. Genau, aber also das ist sehr divers alles und ansonsten haben wir 'n Netzwerk oder auch besonders Frauen aus Indonesien, aus Kanada, Spanien, Deutschland, Indien, Tunesien. Also da sind wir sehr international und die meisten Meetups finden auch online statt. Corona sei Dank mehr oder weniger. Also das heißt, jeder kann mitmachen und nur weil es eventuell in deiner Stadt kein City Lead gibt, heißt es nicht, dass Du nicht trotzdem mitmachen kannst, sondern es ist alles online. Wir sind sehr viel auf LinkedIn unterwegs.

Speaker0: Man kann es also sehr viel verfolgen. Mega, mega. Ich muss da bissel kurz aus meinem Familienleben auch das ein bisschen spiegeln. Ich hab 2 Töchtern, 'n Sohn und noch eine ganz kleine Tochter, aber die die ist quasi noch zu jung. Aber ich merk's total, klar gibt's Unterschiede zwischen Mädchen und Jungs. Und die Default Präferenz liegt bei zumindest meinen Mädels jetzt eher bei Pferden und bei meinem Sohn bei Lego Technik, ja. Okay, fair enough. Aber nichtsdestotrotz, also vor allem die Älteste, die die ist jetzt supergut in Mathe und ist erst mal mit ihrer Neugierde auch total offen. Und was ich halt von meiner ehemaligen Bürokollegin am Max Planck Institut mitgekriegt hab, die wurd halt wirklich von ihrem Verwandtschaftskreis aktiv negativ angesprochen, warum sie als Mädchen jetzt Physik studiert. Und das find ich halt echt crazy, ja? Und dann dann find ich's klasse, dass es so was gibt wie eben Non Profit Organisationen wie in der, wo Du dich engagierst und dann mit AI und Robotics eine Domäne anpackt, die halt eher eher von Männern besetzt ist. Weil na ja, es hängt ja ganz viel an. Und man kann jetzt sagen, okay, die Kinder, die sehen ja, die gucken ja nicht bei den Panels zu. Aber Du hast ja quasi einen zweiten Ordnungseffekt über die Eltern, weil keine Ahnung. Ich weiß nicht, ob das alle so machen, dass Also bei uns liegt hier Physikjournal und Spektrum mit der Wissenschaft bei meiner Tochter am Nachttisch, ja? Die versteht zwar kein Wort, aber keine Ahnung, ja? Es ist jetzt nicht so, wie wenn wenn da irgendwie das die Bestätigung kommt, ja, nee, das ist nix für dich oder so. Und Ja. Das kommt halt vielleicht auch daher, weil wir bei uns, bei Ihrem, mal kurz Blick hinter die Kulissen, wir haben mit Halerium, unserer Plattform ja, 'n absolut Multi Stakeholder User, eine Usergruppe, ja? Also Du hast Management mit drin, Du hast IT ups drin, Du hast die Domänexpertin, Data Science. Und bei uns ist die die Data Science Persona weiblich. Weil wir gesehen haben, die besten muss ich jetzt mal erteilen, ja? Weil wir wir haben natürlich immer den repliziert in unseren Personas und die Projekte, wo's am besten funktioniert hat, da waren die Data Scientist weiblich. So. Ja. Und das ist, finde ich, was, das das das das muss einfach graduell passieren und von daher, wenn ich darf, würde ich auch gern noch ein bisschen dann im Nachgang mehr über die die Women in Europe und Robotics in Berlin erfahren.

Speaker2: Ja, sehr gerne, sehr gerne. Genau. Also was ich da auch gerne noch dazu sagen möchte ist, das ist super wichtig auch das zu schaffen, dass auch junge Mädchen sehen, Du kannst in Mathe und Physik genauso gut sein, weil natürlich ist auch in meinem Kopf immer als Kind gewesen, die Jungs sind ja immer gut in Physik. Nicht die also die Mädchen, also ich kann das vielleicht son bisschen, aber eigentlich sind ja die Jungs die Guten, bis ich irgendwann mal gecheckt hab, die sind da halt auch nicht wesentlich besser drin oder schlechter, ne. Also es ist ja einfach eine Leidenschaft, die entsteht und genau ich finde es ganz wichtig, dass unsere Generation den Kindern beibringt, Mädchen können alles, genauso können Jungs alles, ne. Es ist ja, wir reden nicht nur über die Stärkung von Mädchen, sondern wir reden auch darüber, Jungs zu zeigen, Du kannst auch 'n Rock tragen. Mein Sohn mittlerweile kommt jetzt in die 2. Klasse, hat mich gestern wieder gefragt, ob er wieder Nagellack haben kann. Und ja natürlich kannst Du das haben. Also es ist es geht in beide Richtungen. Gleichberechtigung geht in beide Richtungen. Gleichberechtigung geht in beide Richtungen. Wir müssen Mädchen und Frauen mehr stärken, in diese Tech Bereiche zu gehen und wir müssen Jungs mehr stärken, auch in die in diese Care Arbeit, in die sozialen Berufe zu gehen und zu sagen, Du kannst einfach alles machen, was Du möchtest und die Zeit ist jetzt. Wann, wenn nicht jetzt? Also wir haben jetzt son son son Klima, wo wir über Weltoffenheit reden, über Diversität und das, was Du auch sagst, es ist so enorm wichtig in Gruppen, in Firmen, Frauen und Männer zu haben und auch diverse, also auch nicht nur aus Deutschland, sondern halt auch mit verschiedensten Hintergründen zu haben, denn das treibt am Ende Innovationen an. Bis heute ist es so, dass KI ja immer noch 'n Bias drin hat, weil wir häufig mit zum Beispiel Bilderdaten von westeuropäischen Leuten trainieren. Das heißt, da entsteht automatisch 'n Bias. Den sehen wir gar nicht, weil wir das ja in uns täglich Wir sehen ja nur westeuropäische Leute. Das heißt, wir realisieren das gar nicht und deswegen ist es umso wichtiger, diverse Leute bei uns in den Gruppen zu haben, die eine andere Sicht darauf haben und sagen, Du, pass mal auf, ich sehe hier aber gar kein Bild von Leuten aus Südamerika oder aus Asien. Das haben wir, wir sind da einfach so sehr in unserem Fokus, dass wir das nicht sehen und das ist superwichtig. Das treibt Innovation voran.

Speaker0: Gibt's vor dem Hintergrund, also kann auch aus 'nem komplett anderen Feld sein, aber einen spezifischen Rat, den Du deinem zwanzigjährigen Ich geben möchtest?

Speaker2: Ich würd meinen zwanzigjährigen Ich immer sagen, sei selbstbewusster. Ich glaube, das ist halt auch sone Sache, die auch oft in der Erziehung noch liegt, dass man als Mädchen immer auch erzogen wird im Sinne von Du musst zuvorkommen sein, Du musst nett, Du musst freundlich sein und die Jungs, die müssen seit also Indianer kennt kein Schmerz auf wieder aufstehen und so. Das ist schon so und ich glaube, ich würde meinem jüngeren Ich auf jeden Fall noch mal sagen, sei selbstbewusster, aber nimm dir auch mal die Zeiten. Also wenn man meinen Lebenslauf sieht, sieht man, dass der sehr durchgetaktet ist. Immer Anstellung nach Anstellung, einfach auch mal eine Zeit für sich zu nehmen und mal zu sagen, nimm dir die Zeit und Du bist genauso wichtig. Im

Speaker0: Eigeninteresse ein Kommentar, ja. Ich mach bei Erim ja auch Recruiting. So Und es gibt scheinbar einen Effekt, wobei nicht scheinbar, sondern es gibt ja den den den des Peters Peters Prinzip, dass jeder bis zur Erreichen seiner maximalen Unfähigkeit befördert wird. Das gilt vor allem für Männer. Es gibt da das Paula, den Paula Effekt, was dazu führt, dass Männer eher in Rollen sind, wo sie unterqualifiziert sind und Frauen in Rollen, wo sie überqualifiziert sind. Und das hängt scheinbar auch wirklich damit zusammen, wie Du wie Du sagst mit selbstbewusster zu sein, dass die diese Skrupellosigkeit bei 'ner Stellenausschreibung, sich einfach mal zu bewerben, bei Männern einfach größer ist, warum auch immer, ja. Aber wie gesagt, ich mach bei uns Recruiting. Und bitte bewerbt's euch, auch wenn ihr nicht alle aufgeführten Bullet Points 'n Häkchen sitzen könnt, ja, weil's scheinbar wirklich in die Richtung geht. Ich übertreib jetzt 'n bisschen. Mann sagt, okay, ich kenn mich bei einem der 5 Bullet Points aus, ich bewerb mich jetzt. Und bei den Frauen ist es tendenziell eher andersrum, oh, okay, ich kenn mich bei einem der 5 Bulletpoints nicht aus, ich bewerb mich lieber nicht. Also da kann ich wirklich allen Zuhörern nur den Rücken stärken. Und wenn's 'n vertanendes 30 Minuten Gespräch ist in dem ersten Kennenlernen, egal, ja. Aber ich freu mich immer, wenn ich wenn ich mit Leuten, die sich initiativ bewerben, auch sprechen kann, wo ich merk, okay, ist vielleicht jetzt nicht der 100 Prozent Match, aber man hat sich vielleicht da trotzdem Gedanken gemacht, warum's doch passen könnte. Von daher keine Angst, sehr cooles Statement von deiner Seite. Echt mega. Maria, wir haben jetzt fast eine Stunde gequatscht. Vielen, vielen Dank für den sehr interessanten Austausch. Wir haben jede Menge Stuff für die Shownotes heute und ich rufe alle dazu auf, sich mal die genau anzugucken. Auch da packen wir den Link in die Shownotes. Alles Gute für den weiteren Weg und ich hoffe, wir treffen uns deine Person aus. Macht's gut. Vielen Dank. Bis denn. Tschüs. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, 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 Iram Podcast.

Mehr Folgen aus Staffel 5 →