Fabian Witt – Head of Data Science bei Mathema

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Fabian WittHead of Data Science bei der Mathema GmbH, Nürnberg
Überblick
In dieser Folge spricht Host Dr. Theo Steininger mit Fabian Witt, Head of Data Science bei der Mathema GmbH in Nürnberg. Die beiden tauchen tief in Fabians Arbeitsalltag, seine Karriereentwicklung und zwei konkrete ML-Projekte ein – von Anomalieerkennung an Industriemaschinen bis zu Schwarmintelligenz-basierter Personalplanung. Dabei kommen auch Themen wie Datensensibilität im Medizinbereich, Wissensmanagement im Team und die Grenzen von KI-Projekten zur Sprache.
Über den Gast
Fabian Witt ist Head of Data Science bei der Mathema GmbH, einem Softwaredienstleister mit Sitz in Nürnberg, der Kunden aus verschiedensten Branchen bedient. Seinen Master in Data and Knowledge Engineering absolvierte er an der Otto von Guericke Universität Magdeburg mit Schwerpunkt auf Swarm Intelligence und Organic Computing. Als Senior Data Scientist unterstützte er Kunden aus der Medizin- und Energiebranche beim Einsatz von Machine Learning und war zudem als Cloud- und Data Architekt im Digitalisierungsumfeld tätig. Privat engagiert er sich ehrenamtlich bei der Freiwilligen Feuerwehr und im Rettungsdienst.
Zusammenfassung
Teamstruktur und Rolle als Head of Data Science
Die Mathema GmbH ist technologisch in Fachbereiche gegliedert – darunter Data Science, .NET-Entwicklung, Frontend und hardwarenahe Entwicklung. Fabians Data-Science-Team umfasst sieben Personen mit unterschiedlichen Spezialisierungen: Data Engineering, Visualisierung, Deep Learning und klassisches Machine Learning. Für einzelne Kundenprojekte werden bereichsübergreifende Teams zusammengestellt – ein klassisches Matrixprinzip.
Fabian selbst nimmt je nach Projekt unterschiedliche Rollen ein: mal zentrale Ansprechperson und Projektleiter mit täglichem Kundenkontakt, mal Einzelberater. Parallel verantwortet er den Kompetenzaufbau, Weiterbildung und die technologische Ausrichtung seines Teams.
Vom Studium in die Praxis: Lernkurve und Mentorship
Fabian beschreibt den Kontrast zwischen dem technologiefokussierten Studium und dem Berufsalltag als prägend – insbesondere der Schritt hin zu Managementaufgaben. Die Realität der Industrie unterscheidet sich stark vom Lehrbuch: Es gibt keine grüne Wiese, und Daten sind selten so sauber, wie Kunden behaupten.
Seine Lernstrategie bestand aus einer gesunden Mischung: Learning by Doing, bewusstes Fehler-machen, viel Paper lesen und Kurse belegen. Besonders hervorgehoben hat er den Wert von Mentorship – sowohl intern durch erfahrene Projektleiter und Architekten als auch indirekt über enge Kundenbeziehungen, die ehrliches Feedback ermöglichten. An Podcast-Hörer richtet Theo den expliziten Appell, sich aktiv Mentorinnen und Mentoren zu suchen – auch über Plattformen wie LinkedIn.
Highlight-Projekt: Maschinenzustandserkennung ohne Eingriff in die Anlage
Fabians persönliches Erfolgsprojekt war die Entwicklung eines ML-Systems zur Zustandserkennung von Industriemaschinen – ohne physischen Eingriff, da jede Änderung die Herstellergarantie gefährdet hätte. Die Lösung: Ableitung des Maschinenstatus ausschließlich aus Energiephasendaten mittels eines einfachen, robusten Clustering-Algorithmus (unsupervised, da keine gelabelten Daten verfügbar waren).
Ein zentraler Durchbruch war der Entschluss, für jede Maschine ein individuell trainiertes Modell zu erstellen statt zu generalisieren – eine Erkenntnis, die erst durch eine Woche direkter Präsenz im Maschinenpark und den Austausch mit Anlagenbedienern möglich wurde. Die fertige Lösung wurde auf einem Edge-Gateway an den Maschinen betrieben, das Training von Maschinenbedienern per visueller Oberfläche gesteuert und der Algorithmus befindet sich in Patentanmeldung.
Human-in-the-Loop: Mitarbeiter als aktiver Teil des ML-Systems
Ein wesentliches Designprinzip des Maschinenprojekts war die bewusste Einbindung des Anlagenpersonals. Vollautomatisches Retraining funktionierte nicht, weil zu viel implizites Wissen bei den Bedienern liegt. Stattdessen können diese die Modellausgaben visuell prüfen, Fehlklassifikationen korrigieren und ein Retraining manuell antriggern.
Theo hebt hervor, dass dieses Prinzip die Mitarbeitenden stärkt anstatt sie durch eine vermeintlich überlegene KI zu bevormunden. Gelabelte Korrekturdaten fließen zentral zurück und sollen in einer geplanten Folgeversion zur systematischen Qualitätskontrolle des gesamten Algorithmus genutzt werden.
Schwarmintelligenz für Personalplanung: Optimierung statt Black Box
Ein weiteres Projekt demonstriert Fabians Vorliebe für weniger bekannte, aber erklärbare Algorithmen: Für ein Personalplanungsproblem (optimales Matching von Projekten und Mitarbeitenden) setzte er Schwarm-basierte Optimierungsalgorithmen ein – konkret Particle Swarm Optimization und Ant Colony Optimization.
Der entscheidende Vorteil gegenüber Deep Learning: Entscheidungen lassen sich nachvollziehbar erklären, was beim Kunden explizit gefordert war. Das Problem ist NP-schwer und diskret, klassische Gradientenverfahren scheiden daher aus. Schwarmalgorithmen sampeln den Lösungsraum intelligent, indem sie sich – analog zu Vogelschwärmen oder Ameisenpfaden – an bereits gefundenen guten Lösungen orientieren.
Datensensibilität im Medizinbereich und die Kunst, Nein zu sagen
Im Medizinbereich erlebt Fabian einen verbreiteten Trugschluss: Trotz strenger Regulierung und Dokumentationspflichten ist die tatsächliche Datenqualität oft genauso schlecht wie in anderen Branchen – weil Abkürzungen genommen werden und Protokolle im Nachhinein angepasst werden. Anonymisierung bietet nur bedingt Schutz, vor allem bei kleinen Datensätzen.
Fabian beschreibt, wie er gelernt hat, klare Grenzen zu ziehen und auch gegenüber Kunden Nein zu sagen – etwa wenn Datenschutzrisiken entstehen oder ein Projekt technisch noch keine solide Grundlage hat. Red Flags sind für ihn: Kunden, die keine Daten sammeln, aber bereits große ML-Projekte planen, oder Auftraggeber, die die Expertise des Dienstleisters konsequent ignorieren.
Wissensmanagement, Toolstack und Teamkultur
Im Team setzt Fabian auf eine Kombination aus wöchentlichen Show-and-Tell-Meetings, Microsoft-Teams-Kanälen für aktuelle Neuigkeiten, einem JupyterHub für gemeinsam genutzte Notebooks sowie detaillierten internen Wiki-Projektdokumentationen – inklusive Fehleranalysen und Lessons Learned.
Sein persönlicher Tech-Stack ist primär Python mit dem klassischen ML-Ökosystem; für Kundenvisualisierungen setzt er auf Plotly, intern auf Seaborn. Über die Jahre hat er sich eine Bibliothek wiederverwendbarer Analyse-Notebooks aufgebaut, die bei neuen Datensätzen als schnelle Erstauswertung dienen. Die Unternehmenskultur der Mathema betont Weiterbildungszeit (sogenannte 'Team Time') und partnerschaftliche Kundenbeziehungen als wichtige Differenzierungsmerkmale.
Kernaussagen
- Vorort-Präsenz an Industrieanlagen ist oft unverzichtbar: Prozessdokumentation und Diagramme spiegeln nicht immer die Realität wider – nur direkte Beobachtung und Gespräche mit Bedienern liefern das nötige Domänenwissen.
- Einfache, robuste Algorithmen schlagen oft komplexere: Ein simpler Clustering-Ansatz ohne gelabelte Daten erwies sich als überlegen gegenüber aufwändigeren Methoden und ist mittlerweile in Patentanmeldung.
- Schwarmintelligenz-Algorithmen eignen sich für diskrete, erklärbare Optimierungsprobleme – ein unterschätztes Werkzeug, das besonders dort punktet, wo Black-Box-Modelle nicht akzeptiert werden.
- Human-in-the-Loop ist kein Rückschritt: Mitarbeitende mit Domänenwissen aktiv in ML-Systeme einzubinden erhöht Akzeptanz, Qualität und Robustheit der Lösung.
- Mentorship beschleunigt die Lernkurve erheblich – sowohl durch interne Vorbilder als auch durch ehrliche Rückmeldung aus partnerschaftlichen Kundenbeziehungen.
- Nein sagen ist eine Kernkompetenz: Ob bei Datenschutzfragen, unrealistischen Projekterwartungen oder fehlender Datenbasis – klare Grenzen zu kommunizieren schützt beide Seiten.
- Datensensibilität im Medizinbereich ist kein rein akademisches Problem: Auch stark regulierte Branchen kämpfen mit schlechter Datenqualität und Umgehung von Prozessen.
- Unvoreingenommenheit als Stärke: Fabian würde seinem jüngeren Ich keinen Rat geben – die Naivität, mit der er an Probleme heranging, ermöglichte ihm Lernsprünge, die Vorabwissen verhindert hätte.
Fazit
Das Gespräch mit Fabian Witt zeigt eindrücklich, dass erfolgreiche Data-Science-Arbeit weit über Algorithmen und Code hinausgeht. Domänenwissen, Kommunikation auf Augenhöhe, der Mut zum klaren Nein und die Bereitschaft, aus Fehlern zu lernen, sind mindestens genauso entscheidend wie technische Exzellenz. Fabians Projekte belegen, dass pragmatische, erklärbare Lösungen oft nachhaltiger wirken als der Einsatz der neuesten Trendalgorithmen.
Für Studienabgänger und Young Professionals
Sucht euch aktiv Mentorinnen und Mentoren – firmenintern oder über LinkedIn. Unvoreingenommenheit und die Bereitschaft, Fehler zu machen, sind in der frühen Karriere ein Vorteil, kein Defizit. Echte Praxiserfahrung mit realen, unordentlichen Daten ist durch kein Studium vollständig ersetzbar.
Für Data Scientists und ML-Engineers
Besucht die Anlagen oder Prozesse, aus denen eure Daten stammen, bevor ihr modelliert. Einfache, robuste Algorithmen sind oft die bessere Wahl gegenüber komplexen Black-Box-Modellen – besonders wenn Erklärbarkeit und Skalierbarkeit gefragt sind.
Für Führungskräfte und Projektverantwortliche
Partnerschaftliche Kundenbeziehungen, in denen auch kritisches Feedback möglich ist, sind langfristig wertvoller als rein transaktionale Auftraggeber-Dienstleister-Verhältnisse. Eine Daten- und Prozessgrundlage muss existieren, bevor ML-Projekte gestartet werden – andernfalls ist das Scheitern vorprogrammiert.
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 Ihrem Podcast ist Fabian Witt. Er ist Head of Data Science bei der Mathema GmbH in Nürnberg. Seinen Master in Data and Knowledge Engineering hat er an der Otto von Guericke Universität Magdeburg gemacht. Dabei beschäftigte er sich speziell mit Themen wie Swam Intelligence und Organic Computing im Kontext von Machine Learning. Als Senior Data Scientist bei der Mathema GmbH hat er verschiedene Kunden aus der Medizin- und Energiebranche beim Thema Machine Learning unterstützt. In weiteren Projekten war er auch als Cloud- und Data Architekt im Bereich Digitalisierung tätig. Privat ist Fabian Wirt in diversen Hilfsorganisationen wie der Freiwilligen Feuerwehr und dem Rettungsdienst
Speaker2: tätig. Herzlich willkommen zu 1 neuen Folge von Deeream Podcast. Mein Name ist Theo Steining und heute zu Gast Fabian Witt. Hi Fabian, schön, dass Du da bist. Hallo. Du arbeitest bei der Mathema GmbH, wie wir grade im Intro gehört haben. Magst Du uns vielleicht noch mal ganz kurz abholen, was macht die Mathema Firma genau?
Speaker3: Also die Mathema ist 'n Softwaredienstleister am Standort Nürnberg. Wir haben verschiedenste Kunden aus verschiedensten Branchen, für die wir Software herstellen. Also wir haben beispielsweise einen Bereich, der sich eben den ganzen Tag kümmert von Frontend auf bis Backend. Wir haben einen Bereich, der eher Richtung hardwarenahe Entwicklung geht. Wir haben auch den Data Science Bereich, der der meiner Wenigkeit zugeordnet ist. Wir kümmern uns alles, was mit Daten zu tun hat. Wir haben aber auch Webteams, die sich nur mit Frontend beschäftigen et cetera. Genau.
Speaker2: Alright. Es ist jetzt 10 8 10 am Aufnahmetag. Vielleicht hab ich dich ja schon bei 1 Tätigkeit unterbrochen oder richtig los geht's im Anschluss an die Aufnahme. Gibt's bei Ihnen den klassischen Arbeitsalltag oder ist jeder Tag anders?
Speaker3: Also das ist, glaub ich, auch das, was so den den Job so interessant macht. Es ist definitiv so, dass jeder Tag anders ist. Es gibt zwar so so Routinen, man hat 'n Schuh fix früh beispielsweise irgendwelche Scrum Meetings. Jeden Früh melden sich irgendwelche Projektverantwortlichen, dass irgendwas nicht funktioniert oder dass sie Fragen haben, wo man mit E-Mails drauf antwortet. Aber sonst stellt einen so wegen das Thema Data Science jeden Tag vor neue Herausforderungen. Und ja, genau das ist, glaub ich, der Punkt, was mich an dem Ganzen so fasziniert, dass es irgendwie nie langweilig wird.
Speaker2: Und jetzt noch mal genauer reingeguckt in deine Rolle. Wie ist bei euch dein Team oder bist Du vielleicht auch in mehreren Teams drin, wie wie sind die strukturiert? Ist das eine homogene Mischung, gleicher Skill Set, aber halt verteilt auf mehrere Personen? Sind das heterogene Teams? Wie wie arbeitet ihr da?
Speaker3: Also bei uns ist es so, dass die Firma technologisch geschnitten ist. Wie kurz schon angesprochen, haben wir halt verschiedene Oberteams, wie zum Beispiel jetzt Data Science und dot net, wo die Mitarbeiter aufgeteilt sind, je nach dem Technologie Stack. Bei unserem Data Science Team, wir sind mit mir aktuell 7 Mitarbeiterinnen und Mitarbeiter, die sich wirklich im Kern Data Science kümmern. Und da ist es dann wiederum gemischt. Wir haben manche, die sich eher Data Engineering kümmern. Wir haben welche im Bereich Visualisierung, aber auch Deep Learning beispielsweise oder klassisches Machine Learning. Mhm. Und wenn da eine Kundenanfrage reinkommt, die sich ja meistens über mehrere Bereiche erstreckt, dann wird aus den verschiedenen Teams das Projektteam zusammengesetzt. Also klassisches Beispiel, wir haben aktuellen einen Kunden, für den machen wir eine Software mit KI Anteil. Da haben wir jetzt 2 Kollegen ausm Frontend Bereich, 3 Kollegen ausm Backend Bereich. Und je nachdem, wie weit die KI Entwicklung, nenn ich's jetzt einfach mal ist, auch 2 bis 3 Kolleginnen und Kollegen ausm Data Science Bereich plus dann
Speaker2: Projektmanagement et cetera. Genau. Okay. Das heißt, ihr geht's da sozusagen vor wie eine, ich glaub, Matrixorganisation heißt es ja, wo Du erst mal die verschiedenen Fachbereiche hast und dann schneidest Du für jedes Projekt noch mal quer durch, konkret was umzusetzen. Genau. Alright. Und wie ist da genau noch mal deine Rolle dann in dieser Konstellation? Angenommen von deiner deinem deinem Team mit mit 7 Personen, arbeiten jetzt 2 eben in einem Projekt. Bist Du dann in allen Projekten son bisschen mit drin oder ganz dediziert in quasi den härtesten Nüssen?
Speaker3: Also meine meine Aussage bei zu den meisten Themen bei uns ist Independence, je nach Kunde und Projekt. Das ist auch so der klassische Satz, den ich in Bewerbungsgesprächen sag. Es kommt immer darauf an, was der Kunde möchte und was das Projekt an Anforderungen stellt. Mhm. Also grundsätzlich bin ich erst mal fürs Data Science Team verantwortlich und zuständig. Das heißt, ich kümmer mich drum, dass wir Expertise aufbauen, dass wir Weiterbildung fürs Team machen, dass wir uns technologisch in eine gewisse Richtung aufstellen.
Speaker2: Mhm.
Speaker3: Aus- und Weiterbildung im Allgemeinen. Und dann kommt's eben drauf an, was die Projekte fordern. Also ich bin aktuell für 3 Projekte, mach ich so wegen die Projektleitung, wenn man das so nennen kann. Ist jetzt niemals 'n Vollzeitjob, das wär dann doch auch irgendwie viel. Aber meistens ist es sone zentrale Ansprechpartnerrolle, Mhm. Mit dem Kunden zu kommunizieren, was jetzt beispielsweise in den nächsten 3 Monaten passieren soll. Dann ist es bei manchen Projekten wirklich eine Projektleitungsrolle, wo dann auch jeden Tag Kundenkontakt und Teamkontakt da ist. Ich hab aber auch Projekte, wo ich mich dann einfach Beratungsaufgaben kümmere. Und da ist es dann wirklich auch, je nach Projekt entweder das Klassische, ich mach die Projektleitung oder ich bin in Anführungszeichen Einzelkämpfer und mach meine Beratungstätigkeit.
Speaker2: Alright und in der Beratungstätigkeit bist Du dann sozusagen noch hands on auch im Coding unterwegs beispielsweise bis hin zu der Spanne, Du bist der Coach, nenn ich's jetzt mal fürs Data Science Team, was ja schon 2, 3 Abstraktionsebenen weiter oben ist. Cool. Ja, das ist dann in der Tat wirklich eine sehr, sehr umfangreiche Rolle auch, in der Du drinsteckst. Wenn Du auch mit deinem, wie heißt Du auf Deutsch, Educational Background, ne, mit deinem Bildungshintergrund von Studium in Bachelor und Master zurückblickst, wo ist da für dich momentan die größte Herausforderung
Speaker3: beziehungsweise wo ist bei dir da momentan die die Lernkurve am steilsten nach wie vor im technologischen oder ist es vielleicht sind das Managementthemen, die dich da am meisten beschäftigen? Also es ist, glaube ich, einerseits immer noch der der krasse Unterschied zu dem, was man im Studium gedacht hat, was es mal wird und wie die Realität dann wirklich ist. So im Studium muss ich ehrlich zugeben, es war sehr viel Technologie dabei. Wir haben wirklich sehr viel mit Optimierung gearbeitet bei uns und auch sehr nah an an der Realität. Aber das, was ich jetzt mach, ist ja dann eher so wegen Managementaufgaben auch. Und da bekommt man eben Einblicke, die man sich hat nie vorstellen können, weil es läuft so gar nicht nach Lehrbuch, sondern das ist eigentlich genau anders, was man eigentlich niemandem wünscht, aber die die Realität ist einfach so. Das geht los bei, ich möchte eigentlich auf der grünen Wiese anfangen und werde 1 Besseren belehrt, weil in der Industrie gibt's nie eine grüne Wiese, so nach dem Motto. Gar nicht. Bis, genau, bis hin zu, es könnte alles so schön sein und jeder sagt, das ist alles optimal, bis man das 1. Mal in die Daten reinschaut und man merkt, oh Gott, da kommt aber ganz schön viel Arbeit auf einen zu. Und das ist eben so dieser dieser Unterschied zwischen, was hab ich mir früher gedacht? Wie naiv war ich vielleicht auch? Bis hin zu, wow, man ist aber trotzdem in der Realität trotzdem schon relativ weit, auch wenn man's manchmal gar nicht so denkt. Mhm.
Speaker2: Bleiben wir noch mal ganz kurz auch zu deiner persönlichen, bei deiner persönlichen Lernkurve. Da denke ich absolut deine Meinung. Ich seh das an der Uni, wenn man die beiden Komponenten betrachtet, Dinge, die man von technologischer Seite her nicht lernt und Dinge, die man von nicht technologischer Seite an der Uni nicht lernt, erlebe ich genau auch die die beiden Komponenten, nämlich einmal, dass ja häufig noch nicht mal mit echten realen Daten gearbeitet wird an der Uni und dass teilweise alles, was dann noch on top an nicht technischen Themen kommt, auch komplett ausgeblendet wird. Und dann die die die Bewerber, die sich bei uns dann melden und und aufschlagen und ja, noch keine Prägtefahrung haben, das merkt man einfach sehr, sehr deutlich. Richtig. Ja. Und wie wie bist Du da persönlich vorgegangen? Hattest Du dann den Ansatz Learning by Doing verfolgt? Hast Du vielleicht dir in noch mal zusätzlichen Kursen was drauf geschafft? Wie lief das bei dir?
Speaker3: Also bei mir war's eine 1 gesunde Mischung, sag ich mal, aus viel Learning by Doing. Auch viele Fehler machen. Was ich sehr wichtig find, jetzt auch im Nachhinein, weil nur damit lernt man's wirklich. Ich hatte sehr gute Mentoren, auch bei uns in der Firma, die mich einfach in haben in viel reinschauen lassen. Grad Thema Projektmanagement zum Beispiel, was kann ich denn falsch machen? Einfach mal mitlaufen und sehen, wie so das Daily Business ist und was es da für Fallstricke gibt. Mhm. Und dann viel Paper lesen, bin ich immer noch 'n sehr großer Freund davon, sich einerseits aufm Laufenden zu halten und auch zu sehen, was denn vielleicht nicht so gut funktioniert, weil es gibt auch schlechte Paper. Und dann viel Kurse. Auch sich einfach eng on top zu halten. Was geht denn so? Wie macht man's denn? Wie machen's denn andere, ja, Youtube Videos, so das das Klassische in vielen Fällen. Genau. Aber auch da noch mal der der große Block bei mir ist, finde ich, so, wenn dieses einen Mentor haben, der ihm der einem was zeigen kann und eben auch schon aus eigener Erfahrung berichten kann, da nicht in den in jedes Fettnäpfchen zu treten vielleicht, sondern eher in jedes 3. Oder jedes 3..
Speaker2: Mhm. Mhm. Und hab ich Sie richtig verstanden, die Mentoren, die Du hattest, die waren firmenintern oder waren da auch Externe mit dabei?
Speaker3: Großteil intern, weil wir haben jetzt zum Beispiel halt auch viel Projektleiter bei uns oder Architekten, wo's dann drum geht, wie zieh ich das denn überhaupt auf? Aber bei uns bei der Mathema ist es so, wir haben 'n sehr, ja, ich würd schon sagen, freundschaftliches Verhältnis zu unseren Kunden. Mhm. Also wir treffen uns auch mit Kunden gern mal auf irgendwelchen Festen oder sonst irgendwas, einfach irgendwie nicht nur dieses Geschäftliche zu haben, sondern auch das Zwischenmenschliche muss passen. Und da kommt man halt auch sehr leicht ins Gespräch. Und da ist es auch so, dass man da sehr viel Feedback bekommt, wenn man dann auf soner Ebene ist, was sehr oft positiv ist, aber auch ganz negativ sein darf, sich einfach selbst zu verbessern. Und da ist es zwar nicht so oft, weil es eben auch je nach Kunde und Projekt unterschiedlich ist, aber wenn man mal solche Projektpartner dann hat, bekommt man da auch sehr viel Feedback, das da reinspielt.
Speaker2: Ja, das kann ich nur unterstreichen. Also auch bei mir persönlich war das extrem wichtig. Mir war das während Studium am Anfang gar nicht so bewusst, wie viel das auch bringt, sich aktiv Mentoren zu suchen. Und dann kam das über das ein oder andere Studienprogramm, in dem ich dann drin war, wurd mir erst mal einfach hier, hier ist 'n Mentor. Und ich so, okay. Ja. Ja, ja, ist zur Seite gestellt. Und ich muss sagen, das ist tatsächlich auch für mich beziehungsweise die Firma 'n sehr, sehr wertvoller Block gewesen in den Start up Programmen, bei denen wir mitgemacht haben. So jetzt nicht nur rein die die die Coachings und die Workshops, sondern tatsächlich diese One on One Mentorship Komponenten. Von daher und das betone ich deswegen so stark, weil wir ja auch recht gut wissen, wie die Altersstruktur unserer Zuhörer aufgebaut ist. Das ist ganz, ganz stark bei den Studienabgängern und 'n paar Jahre danach und da würde ich gerne eben jetzt den Appell absetzen, wer noch nicht sich aktiv Mentor ja, Mentorat gekümmert hat, der sollte das mal probieren. Und auch wenn man nicht in dem Programm drin ist, wo man das vielleicht kriegt, funktioniert das in dem, dass man sich auch Leute einfach raussucht und die beispielsweise per LinkedIn anschreibt. Und dann halt wär nur wichtig, einen kleinen Anreiz mitzuschicken, warum auch für den Mentor das Mentorrad cool ist. Und nicht zu sagen, okay, ich hätt hier jede Woche 3 Stunden 1 Zeit und Du kriegst nix im Austausch dafür, ja. Irgendwie irgendwie und sei es nur ja, intellektuelle Inspiration, wenn man die zurückgeben kann, dann dann ist es schon viel wert.
Speaker3: Stimmt.
Speaker2: Ja, cool, sehr, sehr cool. Jetzt noch mal mit Blick auf dein Team. Wenn Du sagst, Du liest Paper, am Laufenden zu bleiben, auch zu sehen, welche Entwicklungen gibt's, die vielleicht nicht so gut funktionieren. Habt ihr das dann auch im Team institutionalisiert? Habt ihr vielleicht so Journal Clubs in der Firma oder sind das dann eher auch wieder One on One Coachings, dich Du die die Du dich kümmerst?
Speaker3: Also wir machen relativ viel im Bereich Aus- und Weiterbildung nenn ich's mal. Mhm. Mhm. Wir haben bei uns im Team beziehungsweise das ist bei uns in der ganzen Firma so, wir haben Team Time, wo sich das komplette Team oder Einzelpersonen Themen rauspicken können, wo sich einfach weiterbilden wollen. Wir haben beispielsweise vor Kurzem einen einen Messestand gebaut, das ist der Allraiser. Da geht's drum, selbst fahren zu können und dann eben eben eine gegen eine KI fahren zu können. Da hat das Team jetzt den den Client geschrieben in C-Sharp, damit da dringend Know how aufgebaut wird. Wir haben aber auch andere, die haben dann die KI gebaut und trainiert et cetera. Da wird was gemacht. Wir haben Weiterbildungen generell, wo man sich mit Payment beschäftigen kann. Wir reden viel miteinander. Wir haben auch one on ones, wo man sich einfach austauschen kann, einfach, ja, der eine hat was gelesen, der andere hat's nicht gelesen. Man teilt bloß die Information mit, hey, pass auf, ich hab da was Cooles gefundener oder ich poste in irgend 'n Chat rein und mach kurz darauf aufmerksam. Und schon hab ich da sehr viel Erfahrungsaustausch beziehungsweise Informationsfluss, der einfach nicht viel Zeit frisst, sondern eigentlich nur Positives mit sich bringt.
Speaker2: Mhm. Cool. Sehr cool. Lass uns mal über die Projekte sprechen, in denen Du persönlich involviert warst. Du hattest es vorhin grad schon angeschnitten, vor allem bei den Mentoren, die dich mitlaufen haben lassen bei den Projekten oder die mal Einblick gegeben haben, was gut funktioniert hat, was nicht gut funktioniert hat. Was mich sehr, sehr interessiert ist, gibt's bei dir in deiner bisherigen Laufbahn und es muss auch gar nicht unbedingt beim Thema gewesen sein, ein Projekt, wo Du sagst, das war aus welchen Gründen auch immer, für dich persönlich das absolute Highlight, das erfolgreichste Machine Learning Projekt?
Speaker3: Kurz nachdenken. Ja, das ist jetzt schon 'n paar Jahre her. Da ging's drum, so Richtung MVP, mal ausprobieren, ob das Konzept funktioniert. Ist für eine Firma gewesen, die auch aus der Region Nürnberg kommt oder da sitzt, die haben eine Software, die Maschinen analysiert. Also wie viel Energie verbrauchen diese Maschinen? Kann ich da was einsparen? Gibt's überhaupt Potenzial, da was zu tun? Diese Software funktioniert sehr gut. Problem dabei ist, ältere Maschinenparks und solche Maschinenparks werden ja nicht für 5 Jahre bestellt, sondern die laufen halt mal locker 20 Jahre. Diese älteren Maschinenparks, denen fehlen gewisse, ja Vorrichtungen, so Ampelsystem et cetera, wo raus kommt, in welchem Zustand der die Maschine aktuell ist. Also habe ich eine Störung, läuft sie grad et cetera. Und diesen Status sollten wir ermitteln anhand von mit Machine Learning. Problem dabei war, dass wir nichts tun dürften. Heißt, wir dürften nirgendwo eingreifen oder nirgendwo Daten abgreifen, weil der Hersteller von den Maschinen natürlich sagt, okay, egal was ihr tut, wenn ihr irgendwo nur den die kleinste Veränderung einbringt, erlischt die Garantie, weil wir arbeiten in Takten, die sind so kurzzeitig,
Speaker2: dass jede Veränderung irgendwelche Auswirkungen haben könnte. Er möchte keine Garantie dafür übernehmen. Okay, das genau zu verstehen, das heißt, es es wär auch nicht erlaubt gewesen, was aufm außen aufzukleben oder so? Genau. War krass.
Speaker3: Und daher wurde sich dann entschieden, das Ganze rein über die Energiedaten zu machen. Mhm. Also wir haben uns die Phasen der der Maschine an oder der Maschinen angeschaut und haben versucht aus diesen Phasen abzuleiten, in welchem Zustand das Ganze die ganze Maschine ist. Hat sehr gut funktioniert und das eigentlich Schöne und Interessante dabei war, wie das Projekt abgelaufen ist. Also ich bin als externer Data Scientist zu der Firma gekommen. Sehr nettes Team gewesen, haben mich gleich nett aufgenommen und haben mich gleich mal eine Woche neben eine Maschine gesetzt. Also das muss man sich so vorstellen, zwischen Büro und Maschinenpark waren 300 Meter. Ich habe einen Tag ungefähr den das Büro gesehen, danach nur noch den Maschinenpark eine Woche lang und war dort einfach neben der Maschine gesessen und hab mir angeschaut, was da passiert. Hab mir Prozesse angeschaut, hab mit den Leuten vor Ort geredet, einfach den Eindruck zu bekommen. Und das hat mir das 1. Mal wirklich gezeigt, was der Unterschied zwischen, ich sitz am Computer und schau mir Daten an und das passiert wirklich vor Ort, was da der Unterschied ist. Und das hat mir sehr viel gebracht, im Nachhinein dann diesen Algorithmus zu entwickeln, weil dabei auch rausgekommen ist zum Beispiel, wir möchten das natürlich nicht nur für eine Maschine, sondern wir möchten das am besten für alle Maschinen. Mhm. Problem ist, jede Maschine ist anders. Also nicht nur, es ist die gleiche Maschine und sie tut etwas anderes, sondern keine Ahnung, das eine ist eine Maschine, die macht eine Tätigkeit, die setzt irgendwas zusammen und das andere ist 'n Laser. So, schwer vergleichbar jetzt erst mal. Und durch die Tätigkeit direkt an den Maschinen im Maschinenpark und auch mit der Kommunikation von den Maschinenverantwortlichen, bin ich dann zum Beispiel an die auf die Idee gekommen, okay, wir brauchen hier einen Edge Case. Das bedeutet, wir lernen den Algorithmus speziell für diese eine Maschine an. Und das war, glaub ich, so der Durchbruch für das ganze Thema, weil es hat sich schon vorher jemand dran versucht, das irgendwie zu generalisieren. Und man hat gemerkt, das funktioniert einfach nicht, weil die Maschinen wirklich so unterschiedlich sind. Und das war für mich so das Projekt, wo mir wieder gezeigt hat, Büroarbeit ja, Daten analysieren auch sehr wichtig, auch gerade dann danach, zu sehen, ob das wirklich so funktioniert, wie ich mir das vorgestellt hab. Aber grad wenn's Industrieanwendungen geht, ist es oft nicht möglich, das ohne eine Besichtigung oder ohne Kontakt zu den Personen vor Ort zu machen. Und das war für mich so dieser Aha Effekt, wo ich wieder gemerkt hab, ja, das ist 'n Punkt, der muss da mit rein, weil ohne funktioniert's nicht. Und das ist auch was, was ich jetzt Kollegen und auch in Projekten immer wieder anbring. Ihr müsst das irgendwie gewährleisten, dass wir uns das anschauen können, weil mir kann jemand Blaupausen zeigen, mir kann jemand Diagramme zeigen, Ablaufdiagramme et cetera, aber wenn ich das nicht vor Ort gesehen hab, dann ist es echt schwer nachzuvollziehen.
Speaker2: Ja, man muss den Prozess verstehen, wo die Daten herkommen. Ja klar. Genau. Klar, klar. Und auch die Einflussfaktoren. Einflussfaktoren und auch am eigenen Leib erlebt, die Abflussdiagramme und die die die, ja, die ganzen Skizzen, die man kriegt, entsprechen halt unter Umständen nicht der Realität. Richtig.
Speaker3: Guter Punkt. Also das ist das ist das Nächste. Papier ist geduldig, ja. Wenn dann doch mal was umgebaut wurde und keiner benachrichtigt wurde, dann ist es halt doch anders. Das kann dir aber keiner auf Papier zeigen, das stimmt.
Speaker2: Absolut. Okay und Du hattest vorhin erwähnt, es war ein MVP, richtig? Das bedeutet, was war letztlich der finale Stand, der zum Ende des Projekts dann vorlag?
Speaker3: Also ich hab den den Algorithmus entwickelt, hab auch die die grundlegende Infrastruktur mit aufgebaut, damit das Ganze dann zur Maschine kommt et cetera. Dabei rausgekommen ist dann eben dieser Algorithmus, nenn ich's mal, in Python. Und das Ganze ist dann an 'n Team beim Kunden gegeben worden, die das Ganze ja, in gewissen Formen gebracht hat, also 'n 'n Backend dafür gebaut haben, das auch dann anzubinden an diesem an diesem Edge Gateway. Und dann ist es noch in meiner Phase getestet worden, also an 'nem größeren Maschinenpark. Und nachdem wir dann gewusst haben, es funktioniert für diesen Maschinenpark, war die Arbeit für mich erst mal getan. Dann kam eine längere Testphase bei 'nem wiederum Kunden vom Kunden und ich weiß dann nur, dass das ganze System auch ausgerollt wurde. Der Algorithmus ist auch aktuell in Patentanmeldung. Von daher
Speaker2: war das schon ein 1 kleines Erfolgsprojekt, würd ich jetzt mal behaupten. Cool. Okay. Ja, ich verstehe, verstehe. Das heißt, das war sozusagen in der Hinsicht 'n Erfolg, weil es erstens von der Konzeption oder von der ursprünglichen Ideenphase dann erstens schon mal funktioniert hat, den Prototypen zu bauen und weil's dann auch wirklich eine deployte Lösung am Ende wurde. Genau. Ja, krass. Das ist natürlich schon beachtlich, da den kompletten Zyklus wirklich erfolgreich zu durchlaufen. Kurze Frage, das heißt, die Applikationen des Backends, des Run Time Environments, das hat dann der Kunde selbst gebaut?
Speaker3: Ja, in Zusammenarbeit oder in Absprache mit mir im Prinzip, da auch sone Minimallösung auf die Beine zu stellen. Das ist 'n bloß 'n kleiner Restservice im Prinzip gewesen. Nichts Großartiges, das Ganze in 'nem Docker System, was dann eben auf dem auf dieser Edge Plattform an der an der Maschine gelaufen ist, genau. Ja, aber nichtsdestotrotz, also als Maschinenparkbetreiber muss ich das auch erst mal können. Definitiv, genau. Also das ist die waren da sehr fit und auch schon sehr weit, was da Automatisierung angeht. Und von daher ist da mir etwas Arbeit erspart geblieben. Mhm. Mhm.
Speaker2: Okay. Und noch mal kurz kurze Rückfrage zum Modell. Du hattest ja vorhin erklärt, der Schlüssel zum Erfolg war es, für diese eine Maschine zunächst mal spezifisch zu trainieren und die Generalisierung erst mal auszuklammern. War das auch dann der Endzustand der Lösung, dass für jede Maschine erst mal 'n individuelles Training gemacht werden muss oder musste? Oder habt ihr das dann doch noch mal abstrahiert? Weil Du gesagt hast, das wurde ja dann auf den ganzen Maschinenpark ausgerollt.
Speaker3: Richtig. Nee, es ist wirklich so, dass dass eine Modell für oder ein Modell für eine Maschine zuständig ist. Mhm. Bei dem ganzen ja Konstrukt ist es so, wir haben in Anführungszeichen eine zentrale Stelle, die das aussteuert. Mhm. Und die das Training an der Maschine triggert. Dort wird es dann trainiert und dann hab ich eine Mensch Maschine Kommunikation, nenn ich's mal, wo der Anwender oder der der Verantwortliche über diese Maschine auf diese dieses Training schaut. Es wird visualisiert, was hat das System für die letzten 24, 48 Stunden beispielsweise erkannt. Er kann dann noch nachjustieren und kann sagen, okay, das ist zum Beispiel falsch, das ist richtig. Ich muss vielleicht auch noch mal komplett lernen, weil keine Ahnung, es war 'n Systemausfall dabei. Mhm. Und dann ist dieses dieser Algorithmus oder dieses Modell für diese Maschine fertig und läuft erst mal. Es werden dann Daten gesammelt und im Hintergrund ausgewertet, wie gut das Ganze funktioniert. Das wird wieder zentral gemacht, aber das Modell läuft auch wirklich spezialisiert für diese eine Maschine dann. Alright, okay. Das heißt, man kann ja auf verschiedenen Eskalationsstufen
Speaker2: unterwegs sein. So das Extremste wär individuelle Trainingsdaten für individuell gebaute Modelle auch. Dann die Zwischenstufe, wenn ich's richtig verstehe, wo ihr dann letztlich gelandet seid bei ein von der Topologie her konstantes Modell, aber die Trainingsdaten sind individuell und dann quasi das generischste wär ein mit einem allgemeinen Datensatz trainiertes allgemeines Modell. Okay, jetzt interessiert mich natürlich an der Stelle, je nachdem wie viel Du dazu verraten darfst, was war das genau für 'n Modell oder zumindest nur welche Algorithmenklasse habt ihr da benutzt? Kannst Du dazu was sagen oder fällt das unter die Geheimhaltung?
Speaker3: Also ich versuch's mal abstrakt zu beschreiben. Ich bin da natürlich relativ klassisch hingegangen, so wie man's mal gelernt hat, zumindest war's bei mir noch so. Man hat einen gewissen Tool Stack, den man so im Kopf hat, wenn man an son Problem geht und versucht einfach verschiedene Dinge. Mir sind die ersten gleich weggebrochen, weil wir keine gelabelt Daten hatten und es sich keiner, es hat sich keiner gefunden, der jetzt irgendwie 200 Stunden Maschinendaten labeln wollte. Deswegen ist das superweiß schon mal weggefallen. Mhm. Und dann bin ich durch eine klassische Suche im Prinzip durch, hab mir das Selbstring automatisiert, hab verschiedene Clustering Algorithmen da getestet und dabei bin ich dann auch ehrlich gesagt hängen geblieben. Am Schluss war's 'n Clustering Algorithmus sehr, sehr simpel, muss ich aufzugeben, aber es ist genau das, was auch wirklich den Erfolg gebracht hat und der Rest war einfach schlechter wie dieses Clustering.
Speaker2: Mhm. Mhm. Okay. Das heißt, ihr geht's übers Clustering oder ihr es gingt über das Clustering und alles, was außerhalb der gewohnten Cluster ist, wird als Anomalie wahrscheinlich detektiert oder und dementsprechend 'n Alarm erzeugt. Okay, ja, ja, ja, ja, klingt sinnvoll, insbesondere wenn man natürlich einerseits keine gelabelten Daten hat und auf der anderen Seite nicht auf irgendwelche Anlagenspezifika zurückgreifen kann, die mir sozusagen auch noch ins Modell reinpackt. Richtig. Ja, aber kann ich auch nur unterschreiben, einfacher Algorithmus, dafür robust und generisch, damit skalierbar und skaliert ausrollbar, besser als etwas, das unter Umständen sehr, sehr custom und mega haarscharf zugeschnitten ist, dann bei nächster Gelegenheit nicht mehr anwendbar zu sein. Und dazu eben auch eine Frage bezüglich der Operationalisierung. Du hast ja grad schon beschrieben, dass das Management, wenn ich's richtig verstanden hab, des Trainings von den Mitarbeitern an der Maschine übernommen wird. Richtig, ja, also wirklich die, die es am Ende benutzen, die kümmern sich auch den Betrieb des Machine Learning Modells. Noch eine einen Zyklus weiter in die Zukunft gedacht, hattet ihr eine Strategie aufgesetzt für den Fall, dass das Modell an sich auch angepasst werden muss? Oder noch mal eine Stufe zurück, triggern diese Mitarbeiter auch ein Retraining, wenn Sie merken, das Anlagenverhalten Anlagenverhalten hat sich vielleicht graduell verändert?
Speaker3: Also wir haben in der ersten oder aller ersten Version, der Version 0 fast schon, das Ganze ohne menschliches, ohne menschliche Interaktion versucht, sind aber recht schnell zu dem Punkt gekommen, funktioniert definitiv nicht, weil auch da wieder bei dem Anlagenführer viel zu viel Wissen hängt, das sonst keiner hat. Der steht da seit, keine Ahnung, 2 Jahren an der Maschine und weiß genau, was passiert, also muss der damit einbezogen werden. Wichtiger Punkt dabei war, dass wir das Ganze visuell aufgearbeitet haben für den für den Mitarbeiter. Das heißt, er versteht auch ohne tiefere Kenntnisse von Data Science und Algorithmik, was denn da passiert. Also grad auf das Thema, wir zeigen, was der Algorithmus getan hat und er kann nachbearbeiten, was falsch ist beziehungsweise kann gewisse Parameter ändern und dann eben auch das Retraining antriggern. Und er kann auch melden, wie Du beschrieben hast, wenn sich was geändert hat, weil die Maschinen haben natürlich jetzt einen gewisses Set-up. Die bauen, keine Ahnung, die Kiste x 13 zusammen und da kommen 25 Teile hin. Und das, wenn das genauso funktioniert, dann ist auch alles gut, dann funktioniert der Algorithmus auch so, wie er trainiert ist. Aber wenn das dann nur noch ein Teil weniger ist, dann hab ich natürlich auch, wie man sich vorstellen kann, eine signifikante Änderung in den Energiedaten. Damit funktioniert das Ganze schon dann vielleicht auch nicht mehr. Also da ist es auch so, der Maschinenführer weiß, was er tun muss. Das heißt, die Maschine wird umgerüstet. Das Modell muss gegebenenfalls angepasst werden. Hat natürlich auch seine Nachteile. Hätte ich jetzt irgendwelche Maschinen, die täglich umgerüstet werden, hätte ich 'n Problem. Aber in dem Fall ist es wirklich so, wir haben Laufzeiten von Jahren bei der Maschine. Okay. Und wenn, dann werden Kleinigkeiten geändert. Heißt, da werden mal irgendwas ausgetauscht, weil was defekt war.
Speaker2: Da war's auch so, dass das nicht ins Gewicht fällt. Mhm. Mhm. Na ja, wobei sich das für mich ja nach dem Ansatz anhört, so User. Wenn ich einen Assistenten vor mir hab, der versucht schlauer zu sein als ich selbst und er ist es dann nicht, dann ist es einfach mega frustrierend. Ich denke, wenn ihr den Mitarbeiter da einfach dann das Heft in die Hand gebt und sagt, nein, wir versuchen nicht selbst zu entscheiden, wann das Retraining stattfindet, sondern Du machst es einfach, wenn Du aufgrund deiner Expertise denkst und weißt, dass es nötig ist, dann ist es ja genau auch eine, na ja, ein 1 Empowerment des Mitarbeiters, anstatt ihn zu versuchen, mit 'ner KI Lösung zu bevormunden. Ist, denke ich, 'n ganz, ganz wichtiges Element in der Geschichte. Richtig. Und wenn ich's richtig verstanden hab auch, habt ihr die Möglichkeit oder gebt ihr den Mitarbeitern die Möglichkeit, letztlich durch dieses Feedback oder wenn wenn eine Falschklassifikation stattfand, auch gelabelte Daten noch mal zurückzuführen,
Speaker3: oder? Genau, richtig. Okay, okay. Und da ist es auch so, ich hab ja vorhin angesprochen, es gibt sone kleine zentrale Einheit. Von dort werden die die oder die Modell, die initiale Modellgenerierung wird von dort getriggert. In der Version 2 ist da dann auch vorgesehen beziehungsweise in Planung, dass man eben auch dort diese gelabelten Daten zurückspielt, zentral so was noch mal betrachten zu können. Was ist denn falsch gelaufen? Kann ich irgendwas verbessern? Gibt's generelle Probleme am Ansatz et cetera? Genau. Mhm. Mhm.
Speaker2: Ah, cool. Quasi für die noch mal 1 abstrakter arbeitenden Mitarbeiter, die vielleicht die insgesamte Prozessqualität im Blick haben, dass die sich zumindest die Daten auch angucken können. Genau. Ja, Wahnsinn. Cool, cool. Vielen Dank. Also ich fand das sehr, sehr spannend, da noch mal genauer in das Projekt reinzutauchen. Noch mal kurz zurück zu deiner Person. Da würd mich interessieren, ob Du einen Lieblingsalgorithmus hast und wenn ja, warum? Ist das vielleicht jetzt aufgrund dieser Geschichte 'n Clustering Algorithmus oder was total Exotisches?
Speaker3: Also grundsätzlich liebe ich Algorithmen, die nicht so, ja, im Hype sind, muss ich ehrlich zugeben. Okay. Dazu gehört für mich auch ein Clustering, weil man hört aktuell halt viel oder generell im Data Science viel von Deep Learning und den fancy Algorithmen. Clustering ist jetzt irgendwie so was, das hab ich mal im Studium gehört und danach nie mehr. Was ich aktuell Fan davon bin, ist alles, was im Bereich Schwarmintelligenz geht und Optimierungsalgorithmen. Darauf war auch mein Masterstudium ausgelegt. Also in Magdeburg hab ich fast nichts anderes gemacht außer Organic Computing und Optimierung. Warum ich's so cool find, auch das ist definitiv nicht ein Halbthema. Man hört's sehr selten. Es gibt zwar viele Paper dazu, es wird viel dafür veröffentlicht, aber es ist noch nicht so in der Industrie angekommen, zumindest das was ich sehe. Warum ich's aktuell cool find, wir haben das jetzt beim Kunden eingesetzt in 'nem größeren Projekt, wo's eben auch Optimierung ging, wo die Anforderung war, wir möchten was mit Machine Learning machen, ohne die Risiken des Machine Learnings zu haben. Da ging's Personenstuffing und da ist natürlich immer 'n großes Ding, wie erkläre ich das? Und da fällt relativ schnell für mich zumindest als erster Ansatz so was wie Deep Learning weg, weil ich halt trotzdem relativ schwer so was erklären kann, wie da eine Entscheidung zustande gekommen ist. Und für mich ist da eigentlich relativ spontan am Anfang die Idee gekommen, hey, Du hast viel mit Optimierung gemacht, schlag das doch mal vor. Und das ist es dann auch gewesen, weil wir bei der Optimierung halt sehr gut erklären können, an welche Faktoren es wirklich hängt und wie wir zu dieser Lösung gekommen sind. Und es ist ja trotzdem irgendwie 'n Bereich, der Richtung KI geht, Optimierung, in dem Fall halt mit mit Schwarm Algorithmen.
Speaker2: Und es ist naturbasiert, was immer irgendwie cool ist. Mhm. Mhm. Das heißt, noch mal ganz kurz zum Use Case, ist ist letztlich das Problem zu entscheiden, welche Person arbeitet wann an welcher Aufgabe oder an welchem Projekt oder was heißt Staffing in die Genau.
Speaker3: Also es geht drum, ich suche im Prinzip das beste Match zwischen Projekt und Personen, die das Projekt durchführen. Ah, okay. Wunderbar. Und da ist da ist die Lösungsmenge halt riesig, weil ich natürlich auch irgendwie alles miteinbeziehen möchte und wirklich den perfekten Match suche. Und da ist 'n Optimierungsalgorithmus natürlich oft das Mittel der Wahl. Und wir haben's nicht klassisch gemacht mit Mathematik in Anführungszeichen, sondern haben da deswegen die fancy Algorithmen, für mich zumindest, mit reingebracht. Okay, ja, da habt ihr die Komplexitätsklasse
Speaker2: der Königsdisziplin dann angepackt, ja? Was ist das NP vollständig, oder? Ja. Die die die, ja, ja, ja, genau, die Matching Matching Probleme. Und was heißt, lass uns dann noch mal ganz kurz tiefer gehen, was heißt Schwarmintelligenzansätze? Was ich recht gut auch kenne, das sind evolutionäre Algorithmen. Geht es in eine ähnliche Richtung oder meinst Du damit noch mal eine komplett eigene Klasse von Algorithmen?
Speaker3: Geht in die Richtung. Also Schwarmalgorithmen orientieren sich an der Natur. Da gibt's beispielsweise die partical Sworm Optimization, die orientiert sich wegen an Vogelschwärmen. Mhm. Oder die Antkolony Optimization, die orientiert sich an Ameisen, weil es da liegend, ja. Und da geht's drum, sich wirklich wegen aus der Natur abzuschauen, was macht die Natur und wie kann ich das selbst nutzen? Bei Vogelschwärmen ist ja beispielsweise so, wenn man sich einen Vogelschwarm anschaut, der fliegt, dann hab ich meistens 'n 'n Lighttier, das die Richtung vorgibt. Und da ist es so, wenn ich das jetzt auf 'n Optimierungsproblem übertrage, dann ist das meine Lösung, die aktuell am besten ist. Und der Vogelschwarmm außen rum kennt diese Lösung und sucht aber selbstständig in der Region, wo diese perfekte oder beste Lösung gefunden wurde, nach noch besseren Lösungen. Und damit komme ich in eine Situation, dass ich nicht alles anschauen muss, sondern ich finde Regionen, die schon mal gut sind und nach und nach noch bessere Lösungen in diesem Bereich. Und bei den Ameisenalgorithmen ist es ähnlich. Ameisen verspüren so Pheromone in der Realität. Auch das machen wir. Mhm. Das heißt, wir haben hier eine 1 Graphverbindung zwischen verschiedenen Lösungen und unsere Lösungskandidaten versprühen in dem Fall auch Pheromone auf den Graphen. Und der Rest des Schwarms weiß, okay, da war schon einmal jemand, der hat es für gut befunden, weil er dort Pheromone versprüht hat. Also kann ich in dieser Region beispielsweise auch suchen.
Speaker2: Ah, okay. Das heißt, letztlich geht's in beiden Fällen ein intelligentes Aussampeln vom Konfigurationsraum, richtig? Richtig. Und die die die Steffing Problematik, die hattet ihr dazu aber erst mal runtergebrochen in einen Zustand, in einem hochdimensionalen Parameterraum, richtig?
Speaker3: Genau und also wir haben, es gibt sone Optimierungsfunktion, die ich ja eben optimieren möchte. Ja. Und da steckt im Prinzip das ganze Wissen für dieses Steffing drin, wie sich Sachen zusammensetzen. Was ist gut, was ist schlecht? Und das muss eben optimiert werden. Genau. Okay. Okay. Und dementsprechend,
Speaker2: da es ein diskretes Optimierungsproblem ist, ist mein Parameterraum beziehungsweise die Kostenfunktion wahrscheinlich nicht kontinuierlich oder und und nicht differenzierbar. Okay, und jetzt kapiere ich, warum man nicht einfach einen Adam Optimizer zum Beispiel draufwirft oder Graduant Dissen, okay, weil weil ich nicht ableiten kann, zumindest nicht so einfach, okay. Genau, beziehungsweise würde ich halt ganz oft Lösungen finden, die einfach nicht existieren. Ja, genau, richtig, richtig, richtig. Cool, alright, megaspannend. Tatsächlich so noch nicht da gewesen im Podcast, ja, aber wär vielleicht auch 'n superspannendes Thema fürs Meet-up. Da müssen wir im Anschluss jetzt gleich noch mal sprechen. Sehr gern. Wunderbar. Du, 2. Frage hätte ich noch auf Lager, nämlich Du hast schon 'n bissel durchklingen lassen. Du hast zumindest in diesem vorher erwähnten Anomalieerkennungsprojekt mit Python auch gearbeitet. Die andere Abteilung bei euch beim Thema arbeitet mit dot net CeShard Technologien. Sind wir ganz konkret auf deinen persönlichen Technologie Stack geguckt. Wie sieht ihr aus? Hast Du da 'n Standard für dich entwickelt?
Speaker3: Also Standard ist bei mir eigentlich Python, so dieses klassische Machine Learning Stack in Python. Mhm. Ich persönlich arbeite sehr wenig mit anderen Tools, wie zum Beispiel, was hat man in der in der im Studium? Cut Rabbit Miner zum Beispiel, war so was, was wir im im Studium hatten, arbeite ich gerne damit. Ich bau mir solche Sachen meistens dann irgendwie in Python. Auch Visualisierungen mache ich halt einfach gerne in Python, im trubeler Notebook beispielsweise, weil ich da einfach flexibler bin wie mit anderen Tools und vielleicht bin ich auch mal bloß langsam mit anderen Tools, aber für mich bin ich schneller im Python. Und sonst ist es wirklich quer gemischt. Das liegt auch wenn an an den Anforderungen. Wir haben halt viel Kunden ausm Dot Net Bereich, die dann schon da Industrie Software haben und wir müssen in diese Richtung gehen. Aber sonst ist es oft und viel Python einfach und da quer durch. Also wirklich von kleinen Tools, die bloß kleine Automatisierungsdinge tun, bis hin zu großen Visualisierungen, Dashboards et cetera, von allem etwas eigentlich. Okay. Un gemischt.
Speaker2: Team, Team oder noch mal komplett neues Team für die Visualisierungen?
Speaker3: Für mich persönlich Team. Für 'n Kunden eher plotly und wenn's fürs interne Management, dann ist es seeborn.
Speaker2: Alles klar. Alright. Nachvollziehbar, ja. Wer das nicht nachvollziehbar findet, der sollte es jeweils mal googeln und sich die jeweiligen Schlots angucken. Du, aber kann ich auch insofern nachvollziehen, dass Du sagst, Du kaudest es im Zweifel einfach noch mal persönlich nach, weil klar, eine Programmiersprache ist die vollständige Touringmächtigkeit an den angeklebt an die Fingerspitzen, ja. Das ist einfach maximal flexibel und jede GUI, egal welcher Art, eng dich zwangsläufig ab 'nem gewissen Punkt ein, wenn Du auf der anderen Seite sowas wie mattplot Lip halt genug ausm Effeff beherrscht.
Speaker3: Und man muss natürlich auch dazu sagen, mit den den Jahren der der Erfahrung beziehungsweise einfach der Tätigkeit im Data Science Bereich hat man natürlich auch gewisse Notebooks in dem Fall, die schon gewisse Sachen einfach auswerten, wenn ich irgendwelche Daten reinschmeiße. Es hört sich meistens so so ineffizient an, wenn man sagt, okay, ich mach dann da mal wieder ein neues Notebook auf und fang von vorne an. Das ist natürlich nicht so. Also ich hab, glaube ich, 40, 50 Notebooks, die irgendwelche Auswertungen machen auf gewissen Daten. Also meistens schmeiß ich da irgendwelche CSV Dateien rein oder so und die geben einfach mal ganz individuell irgendwelche Standardwerte aus, damit ich schon mal 'n Überblick hab. Das kann 'n Tool auch, das hab ich halt einmal selbst gebaut. Das hat vielleicht eine Stunde länger gedauert, wie wenn ich's jetzt in einen Tool reinschmeißen würde. Aber dann ist es wenigstens genauso, wie ich's haben möchte und wenn mal was nicht funktioniert, dann weiß ich ganz genau, wo ich nachstellen muss, dann gibt's eine Kopie und ich passe für das Projekt an. Na ja, und Du verstehst halt auch besser, wie eine gewisse Metrik zustande kommt, oder? So verstehe ich das gerade. Das sind Notebooks, das sind abstrahierte,
Speaker2: standardisierte Auswertungsdurchgänge, die Du auf einen x-beliebigen Datensatz anwenden kannst und die dir helfen, erst mal den Datensatz besser zu verstehen, korrekt? Alright, alright. Teilt ihr die auch untereinander im Team? Ja. Oder ja, schon, cool. Genau. Also
Speaker3: entweder auf auf Nachfrage, wenn's was Aktuelleres ist. Wir versuchen da Plattformen zu schaffen, damit man das generell sharen kann. Wir haben jetzt auch einen, wie nennt sich's, Jupiter Hub bei uns eingerichtet, damit's dann gleich über Jupiter sowieso geteilt ist. Von daher, ja. Weil auch wenn jemand mal krank ist, ist Anrufen meistens eher ungünstig. Und so ist es einfach der einfachere Weg.
Speaker2: Allright. Jetzt hast Du Chouperther Hub schon genannt. Gibt's darüber hinaus bei euch einen, ja, das ist ja dann schon mehr eine Lösung, einen Lösungsdeck, den ihr einsetzt? Ich denk da ganz speziell auch ans Knowledge Management. Also wie teilt ihr Erkenntnisse bei euch im Team?
Speaker3: Also bei uns ist es so, wir haben jede Woche Showfix, wo einfach aktuelle Themen angesprochen werden. Bei uns wird viel über Teams gemacht. Also ist halt einfach die Plattform bei uns im in der Firma. Microsoft Teams, ja. Genau. Wir haben dort verschiedene Kanäle, wo wir auch so Neuigkeiten von verschiedenen Diensten, Tools, keine Ahnung, vor Kurzem ist Pytourge 1 10 Release one. Das pack ich dann in irgend 'n Kanal rein. Wir haben aber auch Wiki Seiten, wo dann dediziert wirklich dokumentiert wird, was jemand gemacht hat. Wir versuchen auch für die Projekte immer Projektbeschreibungen zu dokumentieren am Schluss, damit die auch für Kolleginnen und Kollegen, die neu dazukommen bei uns in der Firma, sie eine Grundlage haben, okay, es ist da steht jetzt nicht nur, ich hab m l gemacht und ich hab Python benutzt. Das ist zwar ganz schön, das bringt aber meistens relativ wenig, sondern auch da, weil's ja wirklich intern ist, eine detaillierte Beschreibung. Was hab ich gemacht? Was sind meine Aufgabengebiete gewesen? Was waren auch meine Probleme? Also was ist wirklich Was ist schiefgelaufen auch? Ist natürlich auch immer wichtig. Was ist gut gelaufen, was hoffentlich mehr ist, da einfach wenn so klassische Projekterfahrung über den Schriftweg zu teilen.
Speaker2: Alright. Geht so was dann auch an den Kunden in Form von der Dokumentation? Ein Wiki System oder 'n Wiki Export oder wollen die dann noch mal was ganz anderes? 'N Word Dokument, linearer Text?
Speaker3: Also die Beschreibung ist speziell für uns, weil da wenn eher das auf der technischen Ebene beschrieben wird. Mhm. Klassische Dokumentation fürn Kunden ist bei uns meistens mit dabei. Also wir arbeiten ja wie im im Intro kurz gesagt, viel in dem Medizinbereich. Da ist Dokumentation 'n Riesenthema. Ich schreib oft mehr Dokumentation als Code. Ist zwar ab und zu wenig traurig, aber wahr. Von daher, da wird er auf jeden Fall viel gemacht, hat aber wegen den anderen Hintergrund. Also das ist wirklich so Qualität, es muss abgenommen werden et cetera. Die Dokumentation für uns ist wirklich eher, Wissen zu transformieren auf 'ner noch technischer Ebene, wie wir's mit dem Kunden machen. Mhm. Alright. Verstanden. Verstanden.
Speaker2: Jetzt hast Du grad schon im Medizinbereich angesprochen. Wenn wir noch mal kurz zurückschwenken eben auf eure Projekte. Gibt's da Einschränkungen, die euch konkret bei der Umsetzung dann der Use Cases betreffen, eben aufgrund zum Beispiel höchst sensibler Daten im Medizinbereich? Welche Use Cases, in welche Kategorie geht das? Oder sind es Use Cases, die vielleicht im Medizinbereich sich abspielen, aber dann so technisch getrieben sind, sprich, man hat dann wieder nur mit den Anlagen zu tun, dass es euch gar nicht so betrifft?
Speaker3: Klassische Aussage, Independen. Es kommt wirklich sehr drauf an, was was die Voraussetzungen sind. Also grade im medizinischen Umfeld sind schon sehr viele ja Vorschriften, Regeln da, die ich beachten muss, die uns auch einschränken. Erst einmal überhaupt an Daten ranzukommen. Das ist schon mal das 1.. Und da überhaupt mal 'n Blick drauf werfen zu dürfen. Wir haben aber auch Kunden im Medizinbereich, bei denen ist das gar nicht so schlimm, weil die vorher schon eine Art Anonymisierung drüber laufen lassen und uns bloß dann Daten da bereitstellen, die wir auch sehen dürfen. Die sind da wegen in Anführungszeichen etwas weiter. Von daher ist es sehr unterschiedlich. Das größere Problem, was ich aktuell sehe, ist das Selbstmanagement in diesen Bereichen, weil eigentlich ist das Medizinumfeld sehr reguliert, also auch wirklich mit wirklich viel Dokumentation. Auch 'n naiver Ansatz von mir da war, dass ich gedacht hab, das ist alles dann auch total gut mit den Daten. Leider ist genau das Gegenteil der Fall, es ist, die Daten sind genauso schlecht wie überall anders. Das heißt, da bringen auch Abnahmen und Regeln nichts, weil es wird einfach manchmal umgangen, dass es schneller gehen muss et cetera. Also da ist das eher das größere Problem, dass man in großen Industrien, glaube ich, öfter mal was schnell machen muss, weil das ist jetzt wichtig. Und dann eine Abnahme herum vielleicht was tut und das dann nachzieht. Und ich les das Ding, das Protokoll und denk mir, oh, das ist aber schön. Das ist richtig guter Datenqualität und guck in die Daten rein und denk mir so, nein.
Speaker2: Ach, das heißt, mit dem Blick auf die Daten siehst Du, da wird das Protokoll mal geschwind zurückdatiert
Speaker3: beispielsweise. Das ist so so nach dem Motto, ja genau. Das ist Oh je. Also das ist, man denkt wirklich immer, Medizinbereich ist sehr strikt und alles muss definitiv nach 100 Prozent der Regeln stattfinden. Definitiv nicht. Das ist ein Trugschluss. Es ist oft genau andersrum, dass es halt dann doch schnell gehen muss und dann leidet die Datenqualität leider drunter.
Speaker2: Okay, aber bezüglich der Use Cases, Du hattest gerade erwähnt, man kann durch Datenanonymisierung auch in den Schritt eher Richtung offene Datenverfügbarkeit kommen, funktioniert es in allen Fällen. Ich kenne halt Beispiele, wo Du auch beim besten Willen die Daten nicht anonymisieren kannst, wenn sich's halt kleine Datensätze beispielsweise handelt. Und wenn Du dir dann ja, bei den Krankheitsgeschichten die Namen und Adressen der Person wegnimmst, aber es in dem Dorf nur genau einen mit, was weiß ich, was den Kehlkopfkrebs gibt, ja, dann ist es halt klar, wen sich's handelt. Weißt Du, wie ich meine? Ja, da stößt dann Anonymisierung irgendwo an an ihre Grenzen. Ist die sind diese Grenzen, von denen man liest, sind die real, betreffen die euer Tagesgeschäft oder sind das akademische theoretische Grenzen?
Speaker3: Ich würde sagen, es ist von allem etwas. Es gibt diese Grenzen definitiv und es kommt immer eng drauf an, ob ich eine Möglichkeit hab, das zu umgehen. Wenn ich natürlich sehr viel Expertise habe, die mir genau diese Daten in ja, synthetischer Form anonymisiert bereitstellen können als Trainingsdaten, was jetzt nicht einfach möglich ist, weil das sehr viel Aufwand ist, dann habe ich eine Möglichkeit, das zu umgehen. Wenn's aber wirklich bloß 'n kleiner Datensatz ist, der einfach nur da ist und ich muss irgendwie damit zurechtkommen, dann habe ich natürlich 'n Problem. Oft ist es aber auch so, dass das erst uns bewusst wird, wenn wir dasitzen und dem Kunden das oft gar nicht erst bewusst ist. Weil wir haben das auch schon gehabt, dass man dann dasitzt und sagt, okay, wir brauchen diese Daten jetzt irgendwie ohne diese heiklen Daten mit drinnen und in Hatt's geheißen, ja, geht nicht. Und dann sag ich, ja, dann haben wir jetzt aber ein Problem, weil die Daten möchte ich jetzt eigentlich nicht quer durch die Welt schicken. Ja, das ist hier. Und dann wird's halt wirklich schwierig, gerade wenn's kleine Datensätze sind, ja. Mhm. Also man hat viel Möglichkeiten, aber irgendwo gibt's diese Grenzen definitiv. Und ich glaube, es ist eher die Herausforderung zu erkennen, wann man diese Grenze erreicht hat. Und nicht dann abzurutschen und zu sagen, ja okay, dann machen wir's halt doch ohne Anonymisierung oder so. Mhm. Sondern dann so ehrlich vielleicht auch zum Kunden in dem Fall zu sein und zu sagen, das ist ein Risiko, das sollte man vielleicht noch mal überdenken.
Speaker2: Mhm. Mhm. Mhm. Ja gut, wobei da gehört natürlich auch eine ordentliche Portion Selbstbewusstsein dazu. Dann ich interpretier das jetzt so, auch mal nein zu sagen zu einem Kunden so, hey, Moment mal, wenn wir hier jetzt weitermachen, dann begeben wir uns beide beide Parteien in echt 'n gefährliches Pflaster.
Speaker3: Also das ist auch 1 der Dinge, die ich ich schmerzlich lernen musste, sagen wir's mal so. Dass Nein sagen, was sehr Wichtiges ist. Mhm. Weil wer kann viel machen? Es geht sehr viel. Machine Learning oder der ganze Bereich Data Science ist sehr, sehr weit meiner Meinung nach. Wenn man sich jetzt mal die Entwicklung von den letzten Jahren anschaut, aber alles hat Grenzen. Und nicht nur technische Grenzen, sondern eben auch solche Grenzen, dass ich sag, das ist ein Thema, grad Daten ist ja überhaupt immer wenn schwierig, wo ich diese Grenzen nicht überschreiten möchte. Weil auch wenn ich das technisch könnte, ich wenn ich in der Lage oder in der Situation des Patienten wäre, würde ich das auch nicht wollen, dass da einfach mein Name beispielsweise drinsteht. Absolut, ja, klar. Damit damit kann vielleicht keiner erst mal was anfangen, weil wenn der von Hinterdupfingen
Speaker2: kommt, dann kenne ich den nicht, ändert aber nichts an der Tatsache, dass das einfach private Daten sind. Mhm. Ja, und am Ende, die Welt ist klein, ja? Richtig. Ein besonderer Name, der jetzt nicht unbedingt vielleicht Thomas Müller lautet, einmal bei LinkedIn eingegeben und unter Umständen ist da schon eine 1 zu 1 Zuordnung möglich. Genau. Von daher absolut nachvollziehbar. Wie ist das dann auch bei euren Kunden, ich nehme an, als Dienstleister wird wird wird das Projekt vor allem über den den Kunden definiert, ja, dass dass die letztlich dann die Auswahl treffen und Du hattest ja auch grad schon angesprochen, es gibt verschiedene Arten, die der Kriterien, die reinspielen. Es müssen nicht nur technologische oder Datenverfügbarkeitsthemen sein, sondern vielleicht auch was firmenpolitisches. Nach welchen Gesichtspunkten werden da die Projekte, Stand heute, ausgesucht? Damit meine ich, sind das vielleicht nach wie vor Projekte, die gar nicht am Ende profitabel sein müssen? Geht's da nur darum, Erfahrungen zu sammeln oder seid ihr vielleicht bei dem ein oder anderen Kunden schon so weit, dass sie sagt, so, nee, Leuchtturmprojekte haben wir jetzt genug. Ab jetzt setzen wir nur noch Dinge die auch wirklich dann am Ende einen Business Mehrwert bringen. Kannst Du uns vielleicht da noch mal 'n kurzen Einblick geben?
Speaker3: Ich möcht's eigentlich gerne wiederholen, aber Ad
Speaker2: als 1. Antwort. Aber das heißt, es gibt halt solche und solche Kunden wahrscheinlich, oder? Genau.
Speaker3: Also grad bei uns ist es grad so, dass wir einige Kunden haben, mit denen arbeiten wir jetzt schon seit Jahren zusammen. Und da ist es so, wie vorhin schon angesprochen, das ist eine echte Partnerschaft. Wir arbeiten da auf Augenhöhe, fast schon wie wenn man selbst Teil der Firma wäre. Und dann ist es auch so, dass man da sehr direkt sagen kann, was die Meinung zu was ist und auch gefragt wird bei so was. Also da ist es dann so, man hat zwar so so klassische Leuchtturmprojekte, wo einfach mal was ausprobiert wird, wir sind aber auch so frei, zu sagen, okay, passt auf, das macht in dem Fall keinen Sinn, was anderes hat Prio oder wir sollten uns erst mal was anderes kümmern, weil das so auch zum aktuellen Stand der Daten vielleicht keinen Sinn macht. Und dann gibt's eben auch Kunden, wo's genau andersrum ist. Dann heißt's, wir wollen das jetzt und wenn wir das wollen, dann wollen wir das und dann wird das am Wochenende gesetzt.
Speaker2: Okay.
Speaker3: So. So. Wie jetzt? Ja. Genau, da lässt sich dann aber auch keiner abbringen, weil ja, böse gesagt, das Management gelesen hat, dass jetzt Deep Learning cool ist. Mhm. Und dann muss was damit getan werden, jeden Preis und was danach ist, ist erst mal danach. Das da darf sich dann das Zukunfts Ich drum kümmern.
Speaker2: Wie wie ist es dann konkret in deiner Rolle, wenn Du sagst, Du hast ja erstens selbst Projektmanagementerfahrung, auf der anderen Seite bist Du als Mentor unterwegs bei dir in der Firma und hast Du 'n Blick auch in die anderen Projekte mit rein. Wir hatten jetzt grad schon das Thema der Daten oder Datensensibilität, dass keine vertraulichen Daten irgendwie auch nicht aus Versehen irgendwo hin wandern, wo sie nicht hinwandern sollen. Das ist natürlich eine dicke red flag. Gibt's da noch weitere rote Fahne, nach denen du Ausschau, hältst, die eventuell gerade in dem Umfeld, wo mein Thema unterwegs ist, unter Umständen 'n Projekt oder vielleicht sogar eine Zusammenarbeit mit 'nem Kunden gefährden könnten?
Speaker3: Jede Frage. Also es es es geht, glaube ich, schon dann los, wenn man in in die ersten Gespräche mitm Kunden reingeht. Das hat, glaube ich, viel mit mit Bauchgefühl zu tun. Ob man da einen einen gewissen Draht hat und das gewisse Verständnis schon da ist. Oft ist es so, dass man halt relativ schnell merkt, ob 'n 'n Use Case von von unten kommt, also von Leuten, die da täglich arbeiten oder ob's von oben kommt. Das heißt, man merkt, okay, muss ich jetzt eher was Technisches beisteuern oder muss ich jetzt eher Überzeugungsarbeit leisten oder auch sagen, lasst da die Finger davon, soweit seid ihr noch nicht? Mhm. Also da ist es eher so, okay, ich muss jemanden einbremsen beispielsweise, weil's ist, okay, wir wollen ja jetzt gleich 2 Jahresprojekt machen, das Ding aufstellen. Wir sammeln aber noch gar keine Daten. Darin einzubremsen, das ist für mich sone sone Red Flag, zu sagen, okay, macht langsam. Wir müssen erst mal die Basis schaffen. Das andere ist eher, wenn's so Technologieauswahl geht. So wirklich klassisch, der Kunde denkt sich was. Wir sagen, was es was Möglichkeiten sind und man man findet dann den Mittelweg. Wenn dann aber da gar nicht auf die Expertise von uns eingegangen wird, dann sehe ich das persönlich halt immer wenn kritisch. Mhm. Wir haben halt schon relativ viel gesehen. Wir haben viel Gutes gesehen, aber auch einiges Schlechtes. Deswegen ist da definitiv Platz, auch uns zuzuhören, zumindest immer die Hoffnung. Und wenn da so gar nichts ja stattfindet, was eher Austausch ist und sich auch Ideen auszutauschen, was denn Möglichkeiten wären, dann sehe ich das auch immer wenn kritisch.
Speaker0: Mhm.
Speaker2: Mhm. Na ja, letztlich, Du hast es ja vorhin Austausch auf Augenhöhe genannt, ja, wenn wenn wenn der gefährdet ist, ja, absolut, absolut. Fabian, letzte Frage, welchen Rat würdest Du deinem zwanzigjährigen Ich geben?
Speaker3: Welchen Rat würde ich meinem zwanzigjährigen Ich geben? Ich glaube, gar keinen. Mir ist dies diese Frage so ähnlich mal von 'nem vor 'nem halben Jahr gestellt worden. So, wenn Du dein zwanzigjähriges Ich treffen würdest, was würdest Du tun? Da habe ich geantwortet, ich würde einen Schritt nach rechts machen und das laufen lassen. Warum? Ich hab's vorhin, glaub ich, schon angesprochen. Ich hab sehr viel durch das gelernt, was ich eben getan habe. Durch Fehler, durch Gutes, durch Leute, die ich getroffen hab und ich möchte diese Erfahrung nicht mehr missen, ehrlich gesagt. Und wenn mir da jetzt jemand reinsprechen würde, hätte ich in manchen Sachen einfach mehr Angst, irgendwas anzugehen. Wenn mir jemand zum Beispiel gesagt hätte, wie die Situation bei manchen Kunden ist und was wie da die Datenqualität aussieht, ich wär, glaube ich, weggelaufen, weil weil es einfach so nicht das ist, was man in der Zeit im Studium hat. Von daher ist es, glaube ich, eher die Unvoreingenommenheit, die ich da hatte, die mir viel gebracht hat, an manche Themen ranzugehen und nicht die Angst zu haben, irgendwas anzufassen.
Speaker2: Sehr, sehr coole Antwort. Nehme ich auch für mich was mit. Schön. Fabian, ich danke dir sehr. Vielen, vielen Dank für den Einblick in euer Projektgeschäft, wie das bei euch läuft, auch auf deinen oder in deinen Weg hinein, wie wie der ablief. Sehr, sehr spannend. Ich sage noch mal herzlichen Dank, schön, dass Du da warst.
Speaker3: Sehr gern, danke, dass ich da sein durfte.
Speaker2: Sehr, sehr gern. Wie gesagt, ich spreche mit dir jetzt gleich noch mal bezüglich des E-Mail-ups, die Complexity Merces, die den Podcast anhören und auch im E-Mail-Up sind. Seid gespannt, was da kommt. Vielleicht vielleicht kommt ja noch was. Ich hoffe, ihr konntet was mitnehmen. Master wie Complexity.
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.