Hans-Peter Zorn – Big Data Scientist und Head of AI

Staffel 2· 4. September 2020· 1434

Episoden-Cover: Hans-Peter Zorn – Big Data Scientist und Head of AI
0:001434
  • Host (The Erium Podcast)Moderator
  • Hans-Peter ZornHead of AI bei Inovex

Überblick

In dieser Folge des Erium Podcasts spricht der Host mit Hans-Peter Zorn, Head of AI bei Inovex. Das Gespräch dreht sich um die Herausforderungen von Data Scientists in der Praxis, den End-to-End-Ansatz von Inovex beim Thema 'Data Science to Production', die Digitalisierungswellen verschiedener Branchen sowie die Bedeutung eines strukturierten Studierendenprogramms für Innovation und Nachwuchsförderung.

Über den Gast

Hans-Peter Zorn war zunächst als Research Associate bei der European Media Laboratory GmbH tätig, danach an der TU Darmstadt und anschließend als Big Data Scientist bei Inovex. Heute leitet er dort als Head of AI ein Team von knapp 20 Personen und verantwortet die Balance zwischen Mitarbeiterführung, Kundenzufriedenheit, Wirtschaftlichkeit und technologischer Innovation. Inovex ist ein IT-Dienstleister mit Schwerpunkten in Softwareentwicklung, Data Science und IT-Operations.

Zusammenfassung

Vom Data Scientist zur Führungsrolle: Vier Säulen des Head of AI

Hans-Peter Zorn beschreibt seine aktuelle Rolle bei Inovex als Teamleiter mit vier zentralen Aufgabenbereichen: Mitarbeiterführung, Kundenkommunikation, Wirtschaftlichkeit und Innovation. Er betont, dass diese Rolle weit über klassisches Teamleiten hinausgeht und technisches Verständnis unabdingbar ist – sowohl um Herausforderungen der Kunden wirklich zu verstehen als auch um Vertrauen aufzubauen. Regelmäßige Einzelgespräche mit Teammitgliedern alle zwei Wochen gehören ebenso dazu wie der kontinuierliche Austausch mit Kunden über deren aktuelle Probleme und Ziele.

Data Science to Production: Mehr als nur ein Modell bauen

Inovex hat sich auf den Ansatz 'Data Science to Production' spezialisiert – also darauf, Data-Science-Lösungen so stabil und skalierbar zu entwickeln, dass sie dauerhaft in Businessprozesse integriert werden können. Anstatt lediglich Modelle zu liefern, liegt der Fokus auf echten Datenprodukten: Empfehlungssysteme mit Echtzeit-Anforderungen oder geschäftskritische Systeme im Retail-Bereich sind typische Beispiele. Der End-to-End-Ansatz umfasst neben dem Modellbau auch automatisierte Deployments, stabilen Betrieb und saubere Softwareentwicklung – in cross-funktionalen Teams aus Data Scientists, Softwareentwicklern und IT-Operations-Experten.

Digitalisierungswellen in deutschen Branchen: Von E-Commerce bis Industrie 4.0

Zorn beschreibt, wie verschiedene Branchen in Deutschland zu unterschiedlichen Zeiten mit Data Science in Berührung gekommen sind. E-Commerce und Telekommunikation waren früh dabei und brachten bereits eine hohe Datenaffinität mit. Der Handel investiert seit einigen Jahren stark in datengetriebene Lösungen. Automotive und Maschinenbau hinken noch hinterher, da viele ältere Maschinen schlicht keine Daten liefern – ein strukturelles Problem, das sich nur langsam auflöst. Zorn zeigt sich optimistischer als etwa Werner Vogels (Amazon) hinsichtlich des Potenzials von Industrie 4.0, sieht aber an, dass es noch Zeit braucht, bis neue, datenfähige Anlagen flächendeckend vorhanden sind.

Kommunikation über Branchengrenzen hinweg

Je weniger datenaffin eine Branche ist, desto früher muss man in der Kommunikation ansetzen: nicht auf technischer Ebene, sondern beim Businessmodell und den konkreten Use Cases des Kunden. Zorn empfiehlt, zunächst zu verstehen, welchen Mehrwert Daten und KI im jeweiligen Kontext schaffen können. Geförderte Forschungsprojekte – wie 'Kosmos' und 'Servicemeister', das beim KI-Innovationswettbewerb des BMWI ausgezeichnet wurde – bieten eine gute Möglichkeit, mit Industrieunternehmen in Kontakt zu kommen und konkrete Anwendungsfälle auf der grünen Wiese zu erproben.

Studierendenprogramm: Nachwuchs fördern und Innovation sichern

Inovex betreibt ein umfangreiches Studierendenprogramm mit zwei zentralen Zielen: Recruiting und Innovation. Die meisten Berufseinsteiger bei Inovex kommen aus dem eigenen Werkstudenten- und Abschlussarbeitsprogramm. Studierende arbeiten in echten Scrum-Teams, lernen Clean Code, Testing, Continuous Integration und Kubernetes – also praxisnahe Fähigkeiten, die im Studium oft zu kurz kommen. Mitarbeiter übernehmen Betreuungsaufgaben und lernen dabei selbst, was wiederum die interne Wissenskultur stärkt.

Abschlusstipp: Neugier und Bastlermentalität als Erfolgsfaktoren

Als wichtigsten Ratschlag für Studierende und Young Professionals nennt Hans-Peter Zorn eine Kombination aus Unerschrockenheit gegenüber neuen Technologien und echter Neugier. Wer eine 'Bastlermentalität' mitbringt – also bereit ist, Dinge einfach auszuprobieren, Projekte herunterzuladen und selbst zu experimentieren –, wird in der Praxis einen entscheidenden Vorteil haben. Das theoretische Fundament aus dem Studium ist wichtig, aber erst die praktische Anwendung durch Praktika, Open-Source-Beiträge oder eigene Seitenprojekte macht den Unterschied.

Kernaussagen

  • Die Rolle eines Head of AI vereint Mitarbeiterführung, Kundenkommunikation, Wirtschaftlichkeit und Innovation – technisches Verständnis bleibt dabei unverzichtbar.
  • Inovex setzt auf einen End-to-End-Ansatz: Nicht nur Modelle bauen, sondern vollständige, stabil betreibbare Datenprodukte liefern.
  • Verschiedene Branchen in Deutschland befinden sich in unterschiedlichen Reifegraden der Digitalisierung – Industrie 4.0 hat großes Potenzial, braucht aber noch Zeit.
  • Die Kommunikation mit weniger datenaffinen Kunden gelingt am besten, wenn man beim Businessmodell und dem konkreten Mehrwert ansetzt, nicht bei der Technik.
  • Gefördertes Forschungsprojekte sind ein wirkungsvoller Weg, um mit neuen Branchen in Kontakt zu kommen und Use Cases zu entwickeln.
  • Praktische Skills wie CI/CD, Kubernetes und saubere Softwareentwicklung sind für Data Scientists ebenso wichtig wie Machine-Learning-Kenntnisse – und werden oft erst im Beruf gelernt.
  • Neugier, Unerschrockenheit und eine Bastlermentalität sind laut Zorn die entscheidenden Eigenschaften für den Einstieg in die Data-Science-Praxis.

Fazit

Das Gespräch mit Hans-Peter Zorn zeigt, dass moderner Data-Science-Einsatz weit über das Bauen von Modellen hinausgeht. Erfolgreiche Projekte entstehen, wenn technische Exzellenz mit einem tiefen Verständnis für Businessziele, cross-funktionaler Zusammenarbeit und solider Softwareentwicklungspraxis kombiniert wird. Für den Nachwuchs gilt: Wer Neugier mit Mut zum Ausprobieren verbindet und früh praktische Erfahrungen sammelt, ist bestens für die Anforderungen der Branche gerüstet.

Für Studierende und Young Professionals

Neben Machine Learning sind praxisnahe Skills wie Clean Code, CI/CD und Cloud-Orchestrierung entscheidend für den Berufseinstieg. Werkstudentenstellen und eigene Projekte helfen, diese Lücke zu schließen.

Für Führungskräfte in der Data Science

Eine technische Führungsrolle erfordert das Balancieren von Team, Kunde und Wirtschaftlichkeit – und funktioniert nur dann gut, wenn man die technischen Herausforderungen aus eigener Erfahrung kennt.

Für Unternehmen aus nicht-datenaffinen Branchen

Der Einstieg in Data Science gelingt am besten über klar definierte Use Cases und den Mehrwert fürs Geschäftsmodell – Forschungsprojekte können dabei als risikoarmer Einstiegspunkt dienen.

Volltranskript anzeigen

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

Speaker1: Heute spreche ich mit Hans Peter Zorn, dem Head of AI bei InnoBEX. Er erzählt uns, welche Herausforderungen Data Scientists meistern müssen, was Werkstudenten lernen sollten und wie Data Science ein breites Spektrum an Branchen erreichen kann. Seid gespannt. Research Associate bei der European Media Laboratory GmbH, anschließend an der TU in Darmstadt, danach Big Data Scientist bei Inovix, wo er nun mittlerweile als Head of AI arbeitet. Ich freu mich sehr, dass er heute da ist. Willkommen im Podcast, Hans Peter Zorn. Hallo. Hallo, freu mich. Freut mich, dass es klappt. Ja, gerne. Ich bin sehr gespannt. Wie geht's Ihnen denn so? Wo wo hab ich Sie denn heute dabei rausgerissen? Was haben Sie denn bis heute schon so gemacht?

Speaker2: Ja, heute direkt davor hatten wir das Glück, dass uns der Andreas Weiß von GAIA-X sonen kleinen Vortrag gehalten hat bei Innovex über GAIA-X und da komm ich quasi direkt raus aus diesem dieser diesem Event, genau.

Speaker1: Mhm. Ist es, sag ich mal, eine typischer typisch für Ihre aktuelle Arbeits, für Ihre aktuelle Arbeit, für Ihre Position? Also ist das 'n Teil Ihrer Arbeit?

Speaker2: Ich es ist nicht supertypisch, aber solche Austausch oder Events, das das kommt schon vor. Also mein meine Arbeitsteile sind aktuell sehr unterschiedlich. Ich arbeite bei Enomware aktuell als Teamleiter. Das heißt, ich hab vielfältige Aufgabenbereiche. Was uns ausmacht, ist, dass wir im Prinzip 3 oder 4 Säulen in Einklang bringen müssen bei in unserer Rolle. Und zwar ist das eben das die Mitarbeitersicht. Ich hab 'n Team von fast 20 Leuten, die alle in Projekten dann arbeiten bei Kunden und die ich mich kümmere. Und mit denen hab ich regelmäßig alle 2 Wochen 'n schon fixen, nennen wir das. Und ich kümmer mich da drum, wie läuft das in den Projekten? Kann ich was tun, dass das besser ist? Kann ich 'n bisschen technisch dann auch kurz hingeben aus aus meiner Erfahrung raus. Die 2. Säule ist dann im Prinzip die Kundensicht. Das heißt, ich spreche mit den Kunden, schaue, dass die glücklich sind, dass wir ihnen das ermöglichen, was sie sich von unserem Projekt erhoffen und was halt meistens klappt. Aber auch mit denen tausch ich mich regelmäßig als wo stehen die? Was bewegt die grade? Welche Herausforderungen haben die? Und das ist so die die 2. Sicht, die Kundensicht. Auf der dritten Seite muss ich mich auch die Wirtschaftlichkeit kümmern, dass es quasi die diese diese 3 Teile, darum geht's eigentlich, die in Balance zu behalten. Das ist son bisschen die Kunst. Und im im Herzen, was wir auch viel machen oder was wichtig für uns ist, ist Innovation und Exzellenz. Das heißt, wir haben schon den Anspruch, dass wir relativ weit vorne dabei sind, auch was die Technologien und die Methoden angeht und den Kunden nicht mehr Wert bieten können. Das heißt, wir müssen da fallen investieren. Und das tun wir verschiedenste Art und Weise, indem wir Mitarbeiter Zeit geben, sich mit Themen zu beschäftigen, bisschen tiefer, aber auch durch Forschungsprojekte, die wir haben und durch eine sehr intensive Arbeit mit Studierenden, die bei uns als Werkstudent arbeiten oder Masterarbeit machen, sodass Mitarbeiter von uns dann auch Masterarbeit betreuen können und dadurch auch was lernen. Aber da können wir später vielleicht auch noch drauf aber drüber sprechen. Und diese 3, 4 Themenfelder sind quasi in Form tatsächlich jetzt in meiner, seit seit 2 Jahren und jetzt in Coronazeit noch mehr in Form von Videokonferenzen. Nachher da da wird den Tag verteilt. Also das ist grade so der der aktuelle Zustand. Ich hoffe, dass ich dann ab und zu wirklich auch noch Zeit finde, 'n bisschen tiefer in Team reinzugehen, noch mal Paypal zu lesen und so. Aber das meiste ist tatsächlich, sprechen mit Menschen aktuell in diesen 3, 4 Themenbereichen. Mhm. Genau.

Speaker1: Genau. Also was Videochats angeht, da geht's uns tatsächlich ähnlich. Ich glaub, ungefähr bei jeder Tech Firma. Ich mein, man muss es aber als als Glück sehen, ne, dass wir so was machen können, ne. Viele können viele können das nicht. Aber wenn ich das richtig verstanden hab, dann haben Sie aktuell, sag ich mal, eine Art Draufsicht eingenommen, auch über diese 4 Säulen eben und sind quasi, haben quasi eine Wandlung durchgemacht von dem von vom Big Data Scientist eben zu dieser Draufsicht. Würden Sie sagen, dass das speziell im Hinblick auf Kommunikation mit Kunden und eben auch, was Sie angesprochen haben, mit den Studierenden, dass sie, weil sie eben natürlich auch vorher waren, sich vor allem auch mit den Herausforderungen 1 solchen gut auskennen und dementsprechend auch gut als Teamleiter überhaupt fungieren können, ne. Also kann so eine Position überhaupt nur jemand einnehmen, der auch schon mal vorher

Speaker2: war, weil sonst, also wenn man sich nicht mit den entsprechenden Herausforderungen auskennt, könnte es ja eventuell schwierig werden. Also bei uns ist das auf jeden Fall so. Wir sind alle sehr technisch noch unterwegs auch und das ist auch wichtig, die Herausforderung zu verstehen, die 'n Kunde jetzt aktuell hat. Ja, also glaube ich schon, dass das grade, also in anderen Unternehmen ist vielleicht sind das andere Schwerpunkte, aber bei uns würde ich sagen, ist das eben nicht eine reine Teamleiterrolle, sondern es ist wirklich was umfassender, das wo's eben auch starre technische Elemente hat. Das ist ja zum Teil sicher auch Sales, aber die Kunden sind sehr dankbar oder unsere Partner, wenn man eben dort wirklich eher auch offensichtlich 'n Level auch einsteigen kann. Das baut Vertrauen auf, dass das wir dann auch erfüllen können hoffentlich und erlaubt uns halt wirklich die Herausforderung gut zu verstehen, auch die Machbarkeit, ja, gleich am Anfang besser einschätzen zu können.

Speaker1: Es ist mir jetzt fast peinlich zu fragen, aber ist es denn, so wie ich das gesehen hatte, bei InnoVacs fokussiert sich das ja mehr auf die Produktionsseite, ne? Also ich, also so wie ich's zustande hab, sind dann Ihre Kunden auch hauptsächlich aus der produzierenden Industrie und wir hatten ja oder oder oder widersprechen Sie mir direkt. Okay, falsch.

Speaker2: Ich hab das, weil ich hab das, da stehen das, wir nennen das Data Science to production. Damit ist aber gemeint, dass wir uns quasi drauf spezialisiert haben, Data Science in Produktion zu bekommen. Das heißt, so stabil und betreibbar, dass es in die Businessprozesse beim Kunden schon integriert wird. Und nicht einfach nur 'n Dashboard oder 'n Excel Sheet oder 'n Bericht ist, sondern 'n Datenprodukt. Zum Beispiel 'n Empfehlungssystem, was wirklich auf 'ner Webseite ist und mit gewissen Anforderungen alle paar Millisekunden eine neue Vorhersage geben muss oder ein System für Retail, wo was essenziell fürs Business ist ist und auch permanent läuft. Das meinen wir mit Data Science to production. Deswegen, wir sind auch die der Bereich Daten, wo auch KI und Data Science dazugehört, ist nur ein Teil bei uns. Der älteste und größte Bereich ist Softwareentwicklung und wir machen Operations, also IT Engineering im Prinzip. Das heißt, unsere Teams sind in der Regel oder hoffentlich in der Regel auch cross funktional. Das heißt, wir legen viel Wert auf son Ende to Ende Herangehensweise, dass man sagt, okay, wir wollen jetzt nicht nur das Modell bauen, was tatsächlich in der Regel nur so das Sahnehäubchen ist, sondern wir wollen das Produkt bauen. Das heißt, wir wollen gucken, wie kann man das betreiben? Wie kann man's stabil betreiben? Wie kann man die Deployments automatisieren? Wie kann man gute Software schreiben, dass das Ganze stabil läuft? Und dann steckt da natürlich Details und Karriere irgendwo auch noch mit drin. Das können wir auch sehr gut, aber ich glaub, unsere unser unser Herausstellungsmerkmal ist tatsächlich dieser Ende zu Ende Ansatz. Und das mein ich mit production. Das worauf Sie grade angesprochen haben, die Branchen tatsächlich das kommt. Ja, also ich würd sagen, das waren in Deutschland son bisschen Wellen, wie die Unternehmen sich digitalisiert haben oder auch Daten getrieben wurden oder oder Data Science gemacht haben. Das war zunächst ihr vielleicht der E-Commerce-Bereich-Bereich-Bereich-Bereich, die ja viele Weblocktaten hatten oder irgendwie sowieso übers Netz verkauft haben. Das war so, keine Ahnung, so 2013, 14 ging's dann so richtig los mit mit den Big Data Projekten. Und dann kam so nach und nach der Handel. Also alles, was in Deutschland irgendwo eine Katze rumstehen hat in in 'ner Filiale. Die sind, seit einigen Jahren investieren diese sehr, sehr viel und das ist auch 'n, also also wir wir haben keinen wirklichen Schwerpunkt, aber das ist 'n Bereich, der sehr stark gewachsen ist und wo wir sehr, sehr viel unterwegs sind aktuell. Und dann kommt so langsam Automotive und der Maschinenbau. Das dauert aber tatsächlich doch, bis da wirklich viel gemacht wird, weil, also Automotive sicher wird viel geforscht im Bereich selbstfahrende Autos und so und das ist ja rein datengetrieben. Das ist für uns jetzt aber kein besonderer Fokus aktuell. Im Bereich Industrie, da wird viel investiert jetzt oder da ist grad son Erwachen, glaub ich. Und da geht's drum eben auch die ganzen Angebote der Maschinenbauer zu erweitern mit neuen Funktionalitäten, Dienstleistungen basiert auf Daten. Das ist aber son Bild, das das geht langsam, was auch völlig natürlich ist, weil die Herangehensweise in diesen Branchen ist einfach völlig anders erst mal. Da muss man sich erst 'n bisschen kennenlernen und außerdem, das ist Hardware, das sind Maschinen, die sind einfach irgendwie auch hoffentlich so haltbar, dass sie über 20 Jahre stehen und bis die dann irgendwann alle so umgebaut sind, dass sie auch wirklich Daten liefern. Ich glaub, das braucht tatsächlich noch eine Weile. Ich bin da tatsächlich, glaub ich, optimistischer als der CDU von Amazon, der der Werner Vogels hat irgendwann neulich mal irgendwie. Ich hoff, ich geborene's richtig wieder, aber er frustriert also Industrie 4 0. Ja, also sieht das sehr kritisch, weil die die die haben alle doch nicht die Daten, weil die Maschinen die Daten doch nicht liefert statt heute. Aber da wird viel investiert. Also die neueren Anlagen werden das sicher alle haben. Die Geräte sind nur nicht besonders günstig und die werden da dadurch alle Lasäule ausgetauscht, sodass das einfach, glaub ich, schon nicht mehr taugt.

Speaker1: Was mir vielleicht auch noch in, was mir grad noch in Kopf kommt, es es könnt ja auch eine Art, speziell, wenn viele verschiedene Branchen von Data Science auch Gebrauch machen könnten und verschiedene generell von dem, was Sie bei Ihnen nur weg machen, dass auch ein kommunikatives Problem entstehen könnte. Natürlich möchte man das irgendwie überwinden, aber ich meine, kann, hier gibt ja auch viele Branchen, die haben erst mal überhaupt nichts mit Data Science zu tun. Und die sind natürlich auch überrascht erst mal von dem von dem, ich nenn's jetzt mal plötzlichen plötzlichen Wandel hin zu zu einem Standpunkt, wo man sich selber auch damit auseinandersetzen muss. Und dann kann es ja sein, dass man als Data Scientist plötzlich, ich denk mir jetzt irgend 'n Beispiel aus, mit jemandem spricht, der irgendeinen irgendein irgendein Kleidungsgeschäft von mir aus, ja. Und die möchten auch irgendwie datenbasiert ihr irgendwie Microtargeting machen auf auf irgendwelchen Social Media Plattformen. Und diese Person hat dann oft vielleicht nicht so viel Ahnung von Data Science. Wie sieht da dann die Kommunikation aus oder ist das überhaupt eine Herausforderung?

Speaker2: Ich glaub schon, ja. Aber man muss einfach auf 'ner anderen Ebene dann in die Kommunikation einsteigen. Also bisher einsteigen. Also bisher am Anfang war's für uns, glaub ich, eher einfach, weil wie gesagt, in den Bereichen E-Commerce, Telco und so, die waren Datenaffin. Da hat man auch den denselben Wortschatz und kam da relativ schnell ins Gespräch rein und in die in die Kooperation. Ich glaub, bei den Branchen, die jetzt 'n bisschen weiter davon weg sind, muss man muss man einfach 'n bisschen weiter vorne anfangen und erklären vom Use Case her, was wollt ihr? Worum geht's euch eigentlich beim Kunden? Halt nicht nur die rein technische Ebene, sondern sowohl die Seite vom Businessmodell her zu verstehen, okay, wo sind eigentlich die Ansatzpunkte, wo ihr durch Ergänzung zu einem Produkt, die jetzt zum Beispiel auf Daten und dann auf Machine Learning Modellen oder auf KI, was auch immer das dann bedeutet. Genau, wie wie kann man da Mehrwert erschaffen? Und in der im Bereich Industrie 4 0 ist es tatsächlich 'n guter Ansatzpunkt, dort über Forschungsprojekte auch reinzugehen. Das ist auch eine Sache, die wir machen. Wir haben aktuell 2 geförderte Projekte, das ist Kosmos und Servicemeister. Servicemeister war letztes Jahr eine der KI Innovationswettbewerb vom BMWI. Und das ist 'n schönes Umwelt, wo sich eben auch Industrieunternehmen dann beteiligen. Die sind in den Konsortien mit drin. Das heißt, man kommt da in den Austausch und kann auch mal konkrete Use Cases auf der grünen Wiese umsetzen, wo man eben einfach im Bereich der Forschung schon mal das umsetzen kann, ohne die Notwendigkeit zu haben, dass die Maschinen bei den Kunden wirklich Taschen können. Und dadurch kann man dann auch besser erklären, was die Herausforderungen sind oder worum's worauf's dann ankommt. Also diese beiden Wege seh ich da, da in den ins Gespräch zu kommen.

Speaker1: Mhm. Jetzt hatten Sie's ja auch schon vorhin kurz angeschnitten, Ihre Arbeit mit Studierenden und wie Sie quasi mit Werkstudenten arbeiten. Könnten Sie uns da vielleicht 'n kurzen Einblick noch in die Strategie geben, auf was Sie da besonders Wert legen oder wo Sie sagen, das muss auf jeden Fall gemacht werden, weil vielleicht wurd es früher nicht so gemacht oder vielleicht wird das in Zukunft richtig, vielleicht mit 'ner gewissen Perspektive?

Speaker2: Genau. Also wir wir haben tatsächlich 'n großes Studierendenprogramm. Das hat bei uns verschiedene Motivationen, die dahintersteht, also verschiedene Gründe, die dahinterstehen. Das eine ist natürlich das Recruiting, die Nachwuchsförderung, sozusagen, okay, Studierende, die bei uns schon als Werkstudent waren und als Mustarand fahren, die kennen wir ganz gut. Die haben vielleicht auch schon das gelernt, was für uns wichtig ist. Die stellen wir dann auch gerne ein. Und tatsächlich ist es so, dass wir von den Berufseinsteigern eigentlich die meisten aus unserem eigenen Studierendenprogramm rekrutieren. Und und das 2. Ist natürlich die die Frage Innovation. Also die meisten unserer Studierenden arbeiten entweder auf internen Projekten, die entweder interne Prozesse bei uns verbessern oder die eher irgendwie in den Bereich Forschung gehen oder tatsächlich aufn richtigen Forschungsprojekt wie zum Beispiel Kosmos. Genau und dadurch lernen wir halt auch viel, weil die Studierenden dann wieder von Mitarbeitern betreut werden, die dafür Zeit bekommen. Und was denn zu Studierenden lernen sollen, ist tatsächlich dieser Ende zu Ende Ansatz auch. Also alles, was wir da machen, auch in den Forschungsprojekten, hat schon den Anspruch, 'n gutes Stück Software zu sein. Das ist sicher auch Forschung. Aber die Studierenden arbeiten in Scrum Teams und es gibt Retrospektiven und wir achten auf Clean Code und Tests und so weiter und auch die Data Science Test oder die Alle interessieren sich natürlich für Machine Learning. Das das lernen Sie auch, aber es ist auch wichtig, sich mit Dingen auseinanderzusetzen wie Continuous Integration oder Kubernetes oder Dingen, die eher mit der Produktivität, also mit der tatsächlichen skalierbaren Umsetzung von Data Science zusammenhängen. Und das sind, glaub ich, Sachen, die man auch an der Uni vielleicht gar nicht so unbedingt lernt. Und das da ist ein Grund, warum wir das auch so intensiv tun, ja. Also weil dadurch die Absolventen einfach Skills bei uns dann lernen, die sie, die komplementär sind zu dem, was sie an der Uni lernen. Alles klar. Dann vielleicht jetzt noch zum Abschluss.

Speaker1: Hätten Sie denn noch einen handlichen kleinen Tipp für unsere Hörer für die Complexity Masters, wo Sie sagen oder vielleicht einen kleinen Leitsatz, der der Ihnen vielleicht auch im Leben weitergeholfen hat. Haben Sie da was für unsere Hörer vielleicht?

Speaker2: Ja, was was was denke ich wichtig ist son bisschen die Unerschrockenheit gegenüber, also gegenüber Dingen, die jetzt sehr advanced aussehen, aber vielleicht kann ich so gar nicht so schwer beherrschbar sind, also sone gewisse Unerschrittenheit, 'n bisschen diese Bastlermentalität. Auch ich probier das einfach mal aus, ich lad mir das runter und und und kurz selber 'n bisschen und eine starke Neugierde. Also tatsächlich beides, 'n gutes theoretisches Fundament ist schon schon wichtig, aber gleichzeitig, denk ich, ist diese Mentalität einfach extrem wichtig, wenn man dann in die Praxis gehen will. Und das werdende Studiums oder so auch schon irgendwie zu üben in in Praktikaseitenbeschäftigung oder einfach nur, indem man irgendwie in der Open Source Community aktiv ist oder einfach mal selber Seitenprojekte hat, wo man sich austoppt. Das ist, glaube ich, schon wichtig oder find find ich sehr gefreut.

Speaker1: Alles klar. Vielen Dank, Herr Zorn. Hat mich sehr gefreut und ich wünsch Ihnen noch weiterhin viel Erfolg bei Inowx.

Speaker2: Dankeschön.

Speaker1: Das war mein Gespräch mit Hans Peter Zorn. Besonders interessant fand ich zu hören, welche Herausforderungen zwischenmenschlicher Natur auf Data Scientists zukommt. Was meint ihr? Wie sehr sollten Data Scientists auch kommunikative Skills entwickeln? Schreibt uns auf unseren Social Media Kanälen. Wenn ihr wissen wollt, welche Skills noch wichtig sind für Data Scientists, dann hört euch unsere Folge mit Julia Gottfreaks an. Sie ist verlinkt in der Beschreibung. Master the Complexity.

Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, 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 Erium Podcast.

Mehr Folgen aus Staffel 2 →