Julia Gottfriedsen – Environmental Data Scientist und Hackathon Gründerin

Staffel 2· 3. Juni 2020· 1989

Episoden-Cover: Julia Gottfriedsen – Environmental Data Scientist und Hackathon Gründerin
0:001989
  • Host (Erium Podcast)Moderator
  • Julia GottfriedsenEnvironmental Data Scientist, ehemalige AI-Researcherin bei Siemens, angehende Doktorandin an der LMU München

Überblick

In dieser Folge des Erium Podcasts ist Julia Gottfriedsen zu Gast – Environmental Data Scientist, ehemalige AI-Researcherin bei Siemens und Hackathon-Gründerin. Sie erzählt von ihrem ungewöhnlichen Karriereweg vom Geowissenschafts-Bachelor über die Industrie bis hin zur anstehenden Promotion an der LMU München. Im Mittelpunkt stehen ihre Erfahrungen als Environmental Data Scientist, der Wert von Praxiserfahrung und Hackathons sowie ihr Konzept des iterativen, lebenslangen Lernens.

Über den Gast

Julia Gottfriedsen hat einen Bachelor in Geowissenschaften und einen Master of Science in Environmental Engineering von der TU München, wo sie auch als Research Assistant tätig war. Zwischen ihren Studienabschlüssen sammelte sie Praxiserfahrung als Deputy Site Managerin bei der Bauer Group sowie als Data Scientist in der Artificial Intelligence Research Group bei Siemens – zuletzt in Berkeley, USA. Darüber hinaus gründete sie einen universitären Hackathon in Kooperation mit IBM und dem Zentrum für Digitalisierung in Bayern. Zum Zeitpunkt der Aufnahme befand sie sich im Übergang zu ihrer Promotion in Computer Science an der LMU München, mit Schwerpunkt auf der Schnittstelle aus Climate Science, KI und Deep Learning.

Zusammenfassung

Was steckt hinter dem Begriff 'Environmental Data Scientist'?

Julia erklärt, dass sie den Begriff 'Environmental Data Scientist' für sich selbst geprägt hat. Die verwendeten Methoden – Data Mining, Preprocessing, Modellauswahl, Evaluation – entsprechen dem klassischen Data-Science-Alltag. Der entscheidende Unterschied liegt in den Daten: Es handelt sich um Umweltdaten zu Ressourcen wie Wasser, Luft und Energie sowie zu natürlichen Phänomenen, etwa aus Satelliten, IoT-Sensoren oder Klimamodellen. Besonders ist, dass die zugrunde liegenden Systeme offen gegenüber der Außenwelt sind, sich also nicht vollständig kontrollieren oder messen lassen – was klassische Modellierung erschwert und Methoden aus dem Deep Learning besonders wertvoll macht.

Forschen innerhalb eines Konzerns: Julias Zeit bei Siemens

Bei Siemens arbeitete Julia in der Corporate Technology (CT), einer internen Forschungs- und Entwicklungseinheit, die operative Einheiten unterstützt, aber auch eigene Forschungsprojekte verfolgt. In ihrer letzten Station in Berkeley, USA, forschte sie relativ eigenständig an einem Thema über mehrere Monate, orientiert an klaren Meilensteinen und mit wöchentlichen Check-ins mit senioren Kollegen sowie der Business-Seite. Die enge Verzahnung von Forschung und Business ist dabei charakteristisch: Prototypen und Proof-of-Concepts werden früh mit den jeweiligen Geschäftsbereichen abgestimmt, um sicherzustellen, dass die Ergebnisse einen praktischen Weg ins Unternehmen finden.

Hackathons als Lernformat – für Einsteigerinnen und Fortgeschrittene

Julia ist eine überzeugte Verfechterin von Hackathons als Lernformat. Selbst ohne Programmierkenntnisse sind Hackathons wertvoll, da Teams immer Personen brauchen, die präsentieren, managen und das Team auf Kurs halten. Für Fortgeschrittene bieten Hackathons die Möglichkeit, neue Technologien auszuprobieren – Julia selbst nutzte einen Hackathon am CERN in Genf, um erstmals mit NLP zu arbeiten, obwohl sie bis dahin vor allem mit Time Series und Computer Vision beschäftigt war. Sie selbst gründete einen Hackathon an der TU München in Kooperation mit IBM und dem Zentrum für Digitalisierung in Bayern, um Kommilitoninnen für digitale Arbeitsweisen und Umweltdaten zu begeistern.

Iterativer Karriereweg: Ausprobieren statt starrem Plan

Julia beschreibt ihren Werdegang als bewusst iterativen Prozess ohne fixen Mehrjahresplan. Sie wechselte mehrfach zwischen Studium und Industrie, um ihre Vorstellungen mit der Realität abzugleichen – etwa durch Praktika, Werkstudentenjobs und Mentoring. So erkannte sie in der Bauindustrie schnell, dass ihr Innovation und Digitalisierung fehlen, und orientierte sich konsequent in Richtung KI. Dieses Modell des schrittweisen Aufbauens auf eigenen Erfahrungen empfiehlt sie ausdrücklich, auch wenn es nicht für jeden geeignet sei. Besonders das Verlassen der Komfortzone – geographisch wie fachlich – habe ihr dabei die stärksten Lernkurven beschert.

Der Quereinstieg in Data Science: Durchhaltevermögen ist gefragt

Julia betont, dass der Wechsel in ein neues Fachgebiet wie Data Science im Laufe eines Studiums oder danach machbar, aber nicht einfach ist. Ihr Tipp: Eine Abschlussarbeit so wählen, dass sie echte, komplexe Daten aus dem eigenen Fachbereich mit Data-Science-Methoden verbindet – auch wenn man am Ende vielleicht nur bis zum Preprocessing kommt. Wichtig sei dabei Realismus gegenüber sich selbst. Sie weist auch auf einen oft verschwiegenen Aspekt hin: Wer neu in einem Team anfängt, muss es aushalten können, zeitweise derjenige oder diejenige mit dem geringsten Wissen zu sein. Gute Führungskräfte, die diesen Lernraum ermöglichen, sind dabei entscheidend – wie Julia es selbst bei Siemens erleben durfte.

KI-Ausbildung an deutschen Universitäten: Nachholbedarf gegenüber US-Modellen

Julia sieht deutlichen Aufholbedarf bei deutschen Hochschulen im Bereich KI-Lehre. Das Problem: Fachkundige Personen mit Praxiserfahrung werden von der Industrie finanziell abgeworben, sodass Universitäten Schwierigkeiten haben, qualifiziertes Lehrpersonal zu gewinnen. Als positives Gegenbeispiel nennt sie US-Universitäten wie Berkeley, wo Industrievertreter regelmäßig Vorlesungen halten und Research Internships in Unternehmen Standard sind. Sie wünscht sich flexiblere Lehrpläne und eine stärkere Industrie-Hochschul-Kooperation in Deutschland, da KI-Kenntnisse ihrer Einschätzung nach für die Jobs von morgen unverzichtbar sein werden.

Auf dem Weg zur Promotion: Themenfindung, Netzwerken und die richtige Betreuung

Zum Zeitpunkt der Aufnahme steht Julia zwischen zwei möglichen Promotionsthemen: der Beschleunigung physikalischer Modelle durch Deep-Learning-basierte Emulatoren sowie der Anomalieerkennung in Wetterdaten. Sie beschreibt die Lage auf dem Promotionsstellenmarkt als günstig für ihre Nische – die Schnittstelle aus Climate Science, Informatik und KI –, warnt aber, dass die Corona-Pandemie die Situation verschlechtern könnte. Ihr zentraler Tipp für die Promotionssuche: nicht irgendeine Stelle nehmen, sondern aktiv prüfen und einfordern, dass die gewünschte fachliche Betreuung – in ihrem Fall Deep Learning – tatsächlich gewährleistet ist.

Kernaussagen

  • Environmental Data Science verbindet klassische Data-Science-Methoden mit heterogenen, offenen Umweltsystemen, die sich nicht vollständig kontrollieren lassen – Deep Learning ist dabei besonders hilfreich.
  • Forschung im Unternehmensumfeld bedeutet eigenverantwortliches Arbeiten an Meilensteinen, aber immer mit Blick auf den Business-Nutzen und enger Abstimmung mit den Fachabteilungen.
  • Hackathons sind für alle Level geeignet: Einsteiger bringen wertvolle Soft Skills mit, Fortgeschrittene können gezielt neue Technologien ausprobieren.
  • Ein iterativer Karriereweg ohne starren Plan – mit Phasen in der Industrie zwischen Studienabschnitten – hilft dabei, realistische Vorstellungen von Berufsfeldern zu entwickeln.
  • Wer als Quereinsteiger in Data Science startet, muss bereit sein, temporär der oder die Unwissendste im Team zu sein – Durchhaltevermögen und unterstützende Führungskräfte sind entscheidend.
  • Deutsche Universitäten hinken beim KI-Lehrpersonal hinterher, weil die Industrie finanziell attraktiver ist – praxisorientierte Kooperationsmodelle wie in den USA wären wünschenswert.
  • Bei der Promotionssuche ist die Qualität der fachlichen Betreuung wichtiger als das Thema selbst – diesen Anspruch sollte man aktiv einfordern.

Fazit

Julias Geschichte zeigt, dass ein unkonventioneller, iterativer Karriereweg keine Schwäche, sondern eine Stärke sein kann. Wer bereit ist, Komfortzonen zu verlassen, Neues auszuprobieren und auch die unbequeme Phase des Anfängerseins auszuhalten, entwickelt ein breites und belastbares Fundament – sowohl fachlich als auch menschlich. Ihr Credo, das Leben nicht verlängern, sondern verdichten zu wollen, spiegelt sich in einer Haltung wider, die Chancen aktiv ergreift statt abzuwarten.

Für Studierende und Berufseinsteiger

Probiert Berufsfelder frühzeitig aus – durch Praktika, Werkstudentenjobs, Mentoring oder Hackathons – bevor ihr euren Lebensweg festlegt. Wer Data Science neu lernen will, sollte sich eine Abschlussarbeit mit echten Daten suchen und realistisch bleiben, was in der verfügbaren Zeit lernbar ist.

Für Quereinsteiger in Data Science

Der Einstieg ist machbar, erfordert aber Geduld: Es ist normal und in Ordnung, im neuen Fachgebiet zeitweise hinter den Kolleginnen und Kollegen zurückzuliegen. Entscheidend ist, sich ein Umfeld zu suchen, das diesen Lernprozess aktiv unterstützt.

Für Universitäten und Bildungseinrichtungen

Der Wettbewerb um KI-Fachkräfte mit der Industrie erfordert neue Kooperationsmodelle. Praxisorientierte Lehrformate und eine engere Zusammenarbeit mit Unternehmen – wie in den USA bereits etabliert – sind notwendig, um Studierende zukunftsfähig auszubilden.

Volltranskript anzeigen

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

Speaker1: Heute ist Environmental Data Scientist Julia Gottfriedzen zu Gast. Sie erzählt uns, wie ihre Arbeit genau aussieht, wie sich Forschung innerhalb 1 Firma gestaltet und was für sie Lifelong Learning eigentlich bedeutet. Seid gespannt. Master of Science in Environmental Engineering von der TU in München und dort auch Research Assistant gewesen, zwischendurch als Deputy Sidemanagerin bei der Bauer Group gearbeitet, bis vor Kurzem noch bei Siemens in der Artificial Intelligence Research Group gewesen und jetzt beginnt sie ihre Promotion an der LMU. Ich hab vermutlich noch 50 weitere Zwischenstationen vergessen, aber ich freu mich sehr, dass sie da ist. Julia Gottfriedsen. Toll, Casabas, Julia.

Speaker2: Hi Jaguar, vielen Dank für die Einladung. Ich freu mich, hier zu sein. Wie geht's dir? Wobei stell ich grade? Mir geht's gut. Ich Ja, genau. Und die Zeiten sind ja etwas besonders. Ich arbeite derzeit von zu Hause aus. Ich war halt früh schon laufen und arbeite grad 'n bisschen daran, mein öffentliches GitHub Repo auf Vordermann zu bringen, da da doch 'n paar private Projekte in Vergessenheit rumliegen und genau, daran arbeite ich gerade, also mein öffentliches Profil wieder etwas herzustellen auf GitHub

Speaker1: Du hast mir im Vorhinein erzählt, dass ich dich quasi mit meiner Podcastanfrage grad so im Übergang von Siemens zu Promotion erwischt habe.

Speaker2: Ganz genau.

Speaker1: Bleiben wir mal kurz bei deiner Zeit bei Siemens. Was hast Du denn da alles so gemacht? Also Artificial Intelligence Research Group, kann man sich vielleicht grob was drunter vorstellen, aber wie sah denn da genauso dein dein Alltag aus?

Speaker2: Ja, vielleicht gehen wir da kurz auf meinen Arbeitsalltag vor Corona zurück. Mhm. Ich war bei Siemens in 3 verschiedenen Gruppen und die letzte Gruppe war in den USA, in Berkeley. Ich war immer in der Siemens CT, das ist eine etwas besondere Einheit. Siemens leistet sich noch eine eigene Forschungs- und Entwicklungsabteilung, die die operativen Einheiten unterstützt, aber auch eine eigene Forschung hat. Das heißt, da hab ich die letzten 2 Jahre neben meinem Studium und dann auch in 'nem eigenen Projekt gearbeitet. Der Alltag sieht so aus, jetzt in in Berkeley, in den USA ist, dass man 'n bestimmtes Thema hat, an dem man dann mehrere Monate forscht. Und da arbeitet man sich dann einfach von Milestone zu Milestone. Mein letztes Thema, da war ich relativ auf mich alleine gestellt, aber man hat immer 'n wöchentlichen Check in mit Kollegen. Das kann mit der Business Seite sein, aber auch mit der, von der technischen Seite her, mit etwas Seniorigeren Kollegen. Genau. Und so sah mein Arbeitsalltag aus. Also viel Ownership.

Speaker1: Also jetzt vielleicht ohne konkret auf da irgend 'n spezielles Projekt eingehen zu müssen, aber was hat man denn da so im Hinterkopf? Weil so wie ich mir das vorstelle, ist es ja immer noch, sag ich mal, die, korrigier mich, wenn ich da falschliege, die Research Abteilung von 1 gewissen Firma, in dem Fall von Siemens. Gibt's da gewisse Restriktionen oder sag ich mal, hat man da weniger Freiheit, was die Forschung angeht? Also doof gefragt, muss das krassen 'n Value haben für die Firma, sonst wird da nicht geforscht.

Speaker2: Das kommt natürlich auch 'n bisschen auf den Reifegrad vom Projekt an. Ich hatte ja jetzt das Glück, in Projekten zu sein, wo es vermehrt irgendwie die Prototypisierung geht. Das heißt wirklich, Brainstorming am Anfang und dann Proof of Concept zu machen. Da bezieht man allerdings auch schon meistens relativ früh die Business Units mit ein. Da am Ende muss sich das natürlich lohnen und den Weg ins Business auch finden. Es gibt auch zentrale, eine zentrale Forschungsfinanzierung. Aber bei mir in den Projekten war's jetzt so, dass wir doch immer relativ eng mit dem Business zusammengearbeitet haben und dann auch regelmäßig Calls hatten, wo wir noch abgefragt haben, macht

Speaker1: es für euch Sinn oder in welche Richtung sollen wir uns weiterentwickeln? Jetzt ist ja deine Bezeichnung auf LinkedIn zum Beispiel hab ich gesehen, Environmental Data Scientist. Mhm. Könntest Du kurz erklären, was man sich da drunter vorstellen kann? Also was für was steht da der Part?

Speaker2: Ja, supergern. Also die Bezeichnung hab ich mir 'n bisschen selber ausgedacht und bezieht sich für mich mehr auf Daten, mit denen ich arbeite. Also die Methoden, die ich benutze, entstanden im ganz normalen Data Science ist Alltag, also Data Mining, EP Processing, Modellauswahl, Evaluation, alles, worüber ihr auch in der ersten Staffel berichtet habt. Und bei den Daten handelt es sich eben Daten aus dem Umweltbereich. Das heißt, der Faktor wär tatsächlich auch austauschbar, aber ich hab mich eben son bisschen darauf spezialisiert, auch begründet durch meine Ausbildung. Und sehr breit gefasst sind es Daten, die Ressourcen betreffen, also Wasser, saubere Luft, aber auch Energie und unsere natürliche Umgebung, in der wir leben. Also man denke zum Beispiel an Satellitenbilder. Und das Besondere dabei ist vielleicht, dass sich mein Standardproblem in einem natürlichen System befindet, was gegenüber der Außenwelt nicht abgeschlossen ist. Das kommt mit sehr eigenen Komplexitäten daher und klassisch lässt sich das oft nur sehr schwer modellieren. Und da kann Data Science und speziell eben Methoden aus dem Deep Learning sehr hilfreich sein. Und was vielleicht auch noch besonders ist, ist, dass die Daten oft sehr heterogen ist. Das heißt, ich hab Daten von Sensoren, dass es Richtung IoT geht, aber auch Satellitendaten oder jetzt in meiner nächsten Stelle eine Klimamodelle Output. Das heißt eigentlich, ja, synthetisch generierte Daten.

Speaker1: Mhm. Gewöhnt man sich da an so eine spezielle Datenlage? Also also wenn Du sagst, das sind besonders heterogene Daten, ist würde man da, unterscheidet sich das fundamental, die Arbeit von 'nem Data Scientist, der jetzt, sag ich mal, ich weiß jetzt nicht, ob der Gegenpart dann, ob man die dann auch homogene Daten nennen kann, aber unterscheidet sich das da wirklich fundamental, was man da tut mit dieser 2, mit diesen 2 Datenlagen?

Speaker2: Das würde ich gar nicht sagen. Ich denk, dass auch bei, wenn man jetzt 'n industrielles Data Science Projekt nimmt, wo man vielleicht dann bei 'ner Anlage Anomalien betrachtet, dass dort mit Sicherheit auch Fälle auftreten können oder die man nicht vorher gesehen hat und wo das Problem dann doch noch deutlich komplexer ist, als man ursprünglich gedacht hat. Also, ich denk, das vereint alle Data Scienters. Also, ich würd sagen, besonders ist wirklich, glaube ich, eine Heter Souveränität und dann, dass man natürliche Phänomene eben oft nicht vollständig messen kann, wie jetzt in 'nem Messversuch, wo man vielleicht eine Anlage 1 zu 1 nachbilden kann und dann auch Randbedingungen hat, die man sehr gut darstellen kann. Das ist bei den Problemen, die ich bearbeite, oft nicht der Fall. Aber ich würde jetzt nicht sagen, dass es sehr viel schwerer ist als normale. Das würde ich mir jetzt gar nicht anmaßend, einfach nur speziell.

Speaker1: Ich hatte eingangs erwähnt, dass Du deinen Master of Data Science in Environmental Engineering gemacht hast. Ja. Was gab's denn da für Berührungpunkte mit Data Science während des Studiums? Beziehungsweise wie bist Du dann zu Data Science gekommen? Weil es,

Speaker2: also doof gesagt, da steht nicht Data Science drin. Ist da ist da überhaupt Data Science dabei? Ja? Ja, das ist eine gute Frage, weil ich würde sagen, im Master war das tatsächlich nicht so, darauf würd ich gleich noch mal zurückkommen. Wo es aber so war, war's im im Bachelor. Ich hab mal 'n Bachelor in Geowissenschaften an allem und an der TU in München gemacht Und in meiner Bachelorarbeit zum Beispiel habe ich mir meine Daten selber generiert mit geophysikalischen Messverfahren, bei denen man die Leitfähigkeit des Bodens misst. Also ich hab mir meinen eigenen Datensatz generiert und dann die Daten auch kalibriert und da Rückschlüsse auf damals die Bodenbeschaffenheit von 'nem Bergsturz zum Beispiel gezogen und da auch Datenvisualisierung gemacht. In dem Moment wusste ich noch gar nicht, dass das auch in Richtung Datenverarbeitung in Data Science geht. Aber ich würde sagen, da gab's auf jeden Fall Berührungspunkte. Und dann natürlich auch die mathematische oder naturwissenschaftliche Grundausbildung mit linearer Algebra et cetera. Das ist definitiv hilfreich. Im Master muss ich allerdings sagen, ich hab mich dann für Ingenieurwissenschaften entschieden, kam nicht so viel. Und da kann man sich natürlich im Nachhinein immer beschweren oder man verändert einfach was. Und ich hab mich dazu entschieden, da was zu verändern und hab letztes Jahr 'n Hackathon bei uns an der Uni gestartet zusammen mit IBM und dem Zentrum für Digitalisierung in Bayern und hab einfach meine Kommilitonen versucht, bisschen für das Thema zu begeistern. Also a für die Arbeitsweise in digitalen Projekten und b halt eben auch dafür, mit Umweltdaten einfach zu arbeiten und da kurz mal zu iterieren, genau. Ich weiß nicht, ob Du mit der Gastangst schon Erfahrung hast, aber ich 'n großer Fan des Konzepts.

Speaker1: Also ich kenn das Konzept tatsächlich. Selber bei einem mitgemacht hab ich noch nicht. Ja. Leider, leider. Aber mir war zum Beispiel noch nicht bewusst, dass man das tatsächlich so cool aus dem Boden stampfen kann. Und Ja. Wie lief das denn wie lief das denn genau ab? Beziehungsweise wenn Du sagst, Du bist großer Fan des Konzepts, ich wir hatten auch schon mal, ich hab mich auch schon mal mit jemandem unterhalten, der meinte, dass für jemanden wie mich, der jetzt quasi auch nicht superviele Berührpunkte mit Data Science im Studium hatte beziehungsweise noch nicht hat, dass sich auch so Open Source Projekte anbieten Mhm. Oder mal so eigene kleine Projekte. Meinst Du, ein Hackerson wär da auch auf jeden Fall eine Gelegenheit, da mal reinzusteigen? Oder oder ist das eher was für Leute, die son bisschen, sag ich mal, fortgeschrittener schon sind?

Speaker2: Ja, also vielleicht noch kurz zu meinem Hackathon. Das ging natürlich nicht so einfach. Ich hatte 'n tolles Team von Leuten, die das einfach neben dem Studium, die mir geholfen haben, es mitzumachen. Und alleine hätt ich das niemals geschafft. Also es war sehr viel Arbeit. Und ja, ich bin superhappy, dass wir das am Ende hinbekommen haben, das Konzept. Hackathon hat mich im Endeffekt auch zum Programmieren gebracht. Ich hab vor 2 Jahren bei 'nem Hackathon vom Bundesumweltministerium zum Beispiel teilgenommen, damals noch als reiner Project Lead oder Manager, Teammanager. Und hab aber dann gemerkt, dass ich supergern mehr in den technischen Bereich gehen würde. Das heißt, alle Leute, die auch nicht programmieren können, ihr könnt Ihr seid superhilfreich bei 'nem normalen Hackathon Team. Es braucht immer Leute, die präsentieren können, die das Team quasi managen und da auch 'n Auge für behalten, ob man noch aufm richtigen Weg ist. Also das kann ich total empfehlen. Für alle Leute, die schon 'n bisschen erfahrener sind, also auch ich zum Teil benutze das immer noch supergerne, mal neue Technologien auszuprobieren. Zum Beispiel war ich dann letztes Jahr aufm Macathon vom vom CERN in der Schweiz in Genf und hab da einfach mal was mit NLP gemacht. Das habe ich davor nicht gemacht. Ich habe immer eher Time Series gemacht oder Computervision jetzt am Schluss und hatte da einfach mal die Gelegenheit, für 'n Wochenende NLP auszuprobieren. Und das, finde ich, macht auch total Spaß. Das heißt, auch selbst, wenn man da schon 'n bisschen was kann, ist man, glaub ich, immer noch sinnvoll, sein Repertoire an Technologien zu erweitern.

Speaker1: Mhm. Jetzt hatten wir's ja vorhin schon angesprochen, dass Du jetzt dann deine Promotion anfängst an der LMU in Computer Science, richtig? Richtig, ja. Genau. Jetzt ist da aber ja 'n Zwischenraum gewesen zwischen Master und Promotion, ne. Ist jetzt ja vielleicht auch nicht so das Gewöhnlichste. Dabei ist eben auch deine Zeit bei Siemens dabei und insbesondere auch das dann arbeitet als Deputy Side Managerin. Wie kam es dazu? Also hast Du dich erst später dazu entschieden zu sagen, jetzt erst Promotion oder war's nach dem Master so, nee, jetzt will ich erst mal was was ich in Anführungszeichen Handfesteres machen? Mhm. Kam es dazu?

Speaker2: Okay, vielleicht ganz kurz zu dem der Beauty Side Manager. Also es ist einfach Bauleitung gewesen, das habe ich zwischen Bachelor und Master gemacht. Also ich hab zwischen Bachelor und Master gearbeitet und dann noch mal jetzt zwischen Master- und Promotionsanfang, war ich auch noch mal in der Arbeitswelt. Und die Zeit habe ich für mich einfach gebraucht, meine Entscheidungen zu treffen. Ich fand es auch nicht so ganz einfach, wo es danach hingeht, ob ich in die Industrie gehe oder nicht, weil ich muss auch sagen, Arbeit in der Industrie hat mir großen Spaß gemacht und ich würde jetzt da auch eine Promotion nicht unbedingt komplett Abstand von nehmen und könnte mir auch gut vorstellen, da im Consulting oder wie auch immer weiter den Industriekontakt zu halten. Aber für mich war es einfach so, ich hab nach dem letzten, nach meinem Abschluss und noch kurz vor meinem Abschluss viel interviewt, sowohl in Deutschland als auch dann in den USA, auch bei großen Technologiekonzernen und hab das dazu benutzt, meine eigenen Vorstellungen von dem, was ich vielleicht machen möchte, mit der Realität abzugleichen. Dann auch eben zu gucken, wie arbeiten Topkonzerne wirklich? In welchen Teams würde ich landen? Welche Aufgaben würde ich bekommen? Und nach 'nem längeren Entscheidungsprozess habe ich dann gemerkt, dass es jetzt doch erst mal die Forschung sein soll aus verschiedenen Gründen.

Speaker1: Also wenn's für dich in Ordnung ist, könntest Du da vielleicht mal deine, zum Beispiel jetzt zwischen Bachelor und Master, deine Gefühlslage damals darstellen. Weil ich weiß bei mir, ich ich bin jetzt vom Bachelor in Master und ich ich dachte zumindest zu dem Zeitpunkt zu diesem Übergang, das ist eine gute Idee irgendwie. Ich bin jetzt hier ganz gut akklimatisiert und ich bin da relativ, ich sag mal, gedankenlos, das ist jetzt nicht negativ gemeint, ich bin froh, dass ich jetzt den Master mache, reingerutscht, sag ich mal. Und ich kann mir gut vorstellen, dass wenn man eben jetzt sagt, nee, ich geh jetzt erst in die Industrie, dass man sich da dann schon eher, dass das schon noch sone gewisse Unsicherheit mitbringt. Weil ich kann mir gut vorstellen, dass Du da eher eine der Wenigen warst, die das so gemacht hat und nicht direkt einfach einen Master drangehängt hat.

Speaker2: Ja, also bei für mich war nicht ganz klar, welchen Master ich machen möchte. Ich mein, da mittlerweile auch eine 1 große Auswahl und für mich war es schon immer so, dass ich immer eine bestimmte Vorstellung von meiner Karriere hatte und ich dann eigentlich immer relativ schnell versucht hab, in diese Berufe auch reinzustupern. Also ob das jetzt mit 'nem Praktikum war, Werkstudentenjob oder was ich auch jedem empfehlen kann, Mentoring. Man muss ja nicht jeden Fehler selber machen, sondern viele Unis haben ja auch Mentoringangebote, wo ihr mit den Leuten, die in dem Berufsbild arbeiten, in das ihr vielleicht rein wollt, euch treffen könnt und diejenigen, die euch Erfahrungen und oder ihr Wissen eben weiter. Das hab ich gemacht oder eben, ich hab's immer gleich ausprobiert. Und das war für mich schon oft so, dass ich gemerkt hab, oh, das Berufsbild sieht doch 'n bisschen anders aus oder es ist vielleicht nicht ganz das Richtige für mich. Also in der Bauindustrie, viele nach 'nem geowissenschaftlichen Studium gehen in die Bauindustrie und ich dachte damals immer, ja, 'n Tunnelbauprojekt leiten ist doch spitze. Ich hab mir dann das Ganze angeschaut auf 'n Lastensanierungsprojekt und dann gemerkt, ich für mich brauche Innovation und Digitalisierung. Ich bin 'n absoluter Technologiefanatiker und wenn ich das nicht habe im Beruf, dann bin ich unglücklich. Und das hat mich dann dazu bewogen, in meinem nächsten Schritt einen Werkstudentenjob zu suchen, indem ich mit künstlicher Intelligenz zu tun hab und dann auch programmieren lernen kann. Also es war immer son Step by Step son, als Mensch ist man ja in Summe seiner Entscheidung und ich hab das immer so aufeinander aufgebaut. Ich hatte jetzt also quasi, als ich studiert hab, nie diesen Sechsjahresplan, den manche haben, wo ganz klar ist, wo ich am Ende landen werde, sondern ich hab das immer eher son bisschen iterativer gemacht und auf jeden neuen Schritt, also auf, ja genau, immer auf auf meine Learnings aus der Vergangenheit quasi aufgebaut und dann neu entschieden und bin damit sehr zufrieden jetzt im Endergebnis. Ist aber sicherlich nicht für jeden was.

Speaker1: Das heißt, Du hast sehr, hast dich sehr, sag ich mal, gefühlsmäßig orientiert und Dinge ausprobiert. Super.

Speaker2: Ja, vielleicht, was ich noch dazu sagen würde, ist, dass unsere Generation natürlich extrem privilegiert ist und wir diese Fülle an Möglichkeiten haben, also jetzt sowohl, was die Ausrichtung angeht, als auch, was die Länder angeht. Bei Corona jetzt natürlich nicht der Fall, aber davor, man kann überall arbeiten als Deutsche. Und ich glaube, was mir immer geholfen hat, ist schon sehr oft aus meiner Komfortzone auch rauszugehen und mich 1 neuen Umgebung auszusetzen und dann diese Lernkurve eben zu haben. Und ich glaub, daraus habe ich wahnsinnig viel mitnehmen können.

Speaker1: Mhm. Jetzt war's ja schon bei vielen verschiedenen Stationen Und Du hast ja auch gemeint, Du gehst mich so aus der Comfort Zone raus und es lohnt sich auch, das öfter mal zu machen. Aber im Wesentlichen bildet sich ja dann oft an dem neuen Ort, wo man ist, vielleicht eine neue Comfort Zone. Ja. Wie würdest wie würdest Du denn sagen, akklimatisiert man sich da am besten? Also vielleicht als kleines Beispiel, als Du dann zu Siemens in die USA gegangen bist, kanntest Du da schon Leute, weil Du mit denen schon geskypt hast oder wie wie war das genau oder war das vielleicht alles neu?

Speaker2: Ich kannte tatsächlich schon ein, 2 aus 'nem kurzen Gespräch. Das war auch innerhalb von 'nem Konzern. Es ist ja oft so, dass die neuen Stellung die neuen Stellen über Empfehlungen laufen. Das heißt, man wirft sich dann quasi nur noch formell, aber eigentlich lief es dann über eine Empfehlung. Das heißt, ich kannte schon welche. Und wie man sich akklimatisiert, würde ich sagen, in den neuen Team Team ist es ganz wichtig, jedem mit Respekt zu begegnen. Egal, ob die Leute über, unter dir arbeiten oder es gibt ja auch immer mal wieder so als schwierig, ja, schwierige Kollegen. Und ich glaube, es ist ganz wichtig, dass man allen Leute gleich behandelt und wirklich respektvoll. Ich selber behalte mich am Anfang eigentlich relativ ruhig und beobachte viel und versuch dann am Anfang relativ Also die Kompetenzen im Team zu erkennen. Also a technisch, wen kann ich fragen, wenn ich 'n bestimmtes Problem hab? Aber auch sozial, mit wem kann ich reden? Wo bekomme ich Anerkennung her? Ich brauch Anerkennung zum Beispiel, das weiß ich. Wer gibt mir die? Wo wo kann ich hingehen, Missstände zu adressieren? Wer kann mir vielleicht Glaubwürdigkeit im Team verleihen? Immer, wenn man 'n neues Team kommt, man zwar seinen Lebenslauf mit, aber die Leute wissen natürlich nicht, ob Du das, was Du kannst, auch wirklich kannst. Und da lohnt es sich oft, mit jemandem zu Partnern, der einem dann die Glaubwürdigkeit quasi mit verleiht. Und dann geht's, glaube ich, noch darum, Gemeinsamkeiten mit anderen zu finden, weil das natürlich hilft, sich mit Leuten zu verstehen und ja, das würd ich sagen, so akklimatizier ich mich im Team. Jetzt meintest Du ja, dass es zumindest während dem Bachelor

Speaker1: ein paar Berührpunkte mit Data Science gab, aber Du halt eher son bisschen die, sag ich mal, vereinzelte Tools kennengelernt hast, die man da benutzt. Aber jetzt machst Du ja deine Promotion in Computer Science. Wie war denn, sag ich mal, der Übergang dazu, dass Du dann doch jetzt zu 1 Data Science Spezialistin geworden bist und vor allem war der easy. Ging das so leicht? Gab's da genügend Lernmaterialien? Also so was wie Datacamp vielleicht, aber ja.

Speaker2: Ja, im Nachhinein ist natürlich immer alles leicht, weil man hat's schon geschafft. Aber ich muss sagen, es es ist wirklich nicht einfach. Und was ich allen Studenten als Tipp geben kann, ist, dass ihr euch eine Bachelorarbeit sucht, auch grad wenn ihr jetzt in 'nem anderen Fach seid oder in 'nem Ingenieurstudium, sucht euch eine Bachelorarbeit oder eine Masterarbeit, bei der ihr wirklich das halbe Jahr dann die Zeit habt und nutzt, euch Wissen beizubringen. Und das Wissen ist online verfügbar, ihr müsst nur den richtigen Fokus finden. Ich hab's in der Masterarbeit so gemacht, dass ich mir 'n Datensatz aus dem echten Leben geholt hab mit seinen eigenen Schwierigkeiten. Das wurde hier im Podcast, glaub ich, auch schon öfter besprochen. Dadurch lernt man's sehr gut. Es ist natürlich auch eine große Herausforderung. Aber ja, ich Das würde ich euch definitiv als Tipp geben, sucht euch was, was eure eure Domain Expertise mit dem Thema Data Science und KI verbindet. Und dann kann's sein, dass ihr nur die Datenanalyse und das Preprocessing schafft und vielleicht das Modell nicht mehr. Aber das ist dann auch okay, also seid da dann auch realistisch, was die Vorstellung angeht, wenn ihr es neu lernt. Und ansonsten, es ist absolut machbar, es braucht nur Zeit. Und was, glaube ich, oft nicht erwähnt wird, wenn ihr in die Industrie geht und von 0 anfangt oder wirklich nur mit sehr wenig Vorwissen, seid ihr unter Umständen für eine längere Zeit mal der oder diejenige im Team, die am wenigsten weiß. Und ich glaube, dass das viele Leute abschreckt und man das unter Umständen auch mal durchhalten muss. Weil es ist natürlich immer einfacher, mit den Fähigkeiten, die man schon kann, irgendwo reinzugehen. Und quasi als Neuling, gerade Master dann, wenn man eigentlich schon eine fast abgeschlossene Ausbildung hat, irgendwas anzufangen, verlangt auch viel oder ja, man braucht viel Durchhaltevermögen dafür und auch den Willen, das dann am Ende durchzuziehen.

Speaker1: Also aushalten und aufmerksam mitlernen.

Speaker2: Ja, Learning heißt eben auch, dass man sehr oft Anfänger in irgendwas ist. Und ja, ich glaub, das ist 'n Aspekt, den ich oft vermiss in der Diskussion, weil man natürlich das auch gegenüber 'nem Team dann vertreten kann, dass man da gerade nicht so viel Ahnung hat und noch im im progress quasi ist. Oder eben auch den Manager braucht, der einem den Raum ermöglicht. Und das hatte ich zum Beispiel, weil Siemens, ich hatte irrsinnig tolle Manager, die mich auch für mein Leben mit Sicherheit meinen, also, sinnlos haben und mich dazu oder mir sehr geholfen haben, das zu werden, was ich jetzt bin und werden werde.

Speaker1: Ja. Jetzt hast Du ja auch bezüglich deiner Promotion gemeint, dass viele quasi diese Beratung dann im Bereich KI und Machine Learning dir dann nicht bieten konnte. Also bei bei deinem Pool an Leuten oder beziehungsweise an Orten, wo Du hingehen hättest können für deine Promotion, gab's dann oft diese Beratung nicht. Was glaubst Du, woran liegt das? Beziehungsweise gibt's, sag ich mal, irgendwelche Problempunkte an an Universitäten im Bereich KI und Machine Learning, wo Du sagst, da müsste man auf jeden Fall auch noch was machen?

Speaker2: Ja, also ist ganz konkret eben die Betreuung und Ausbildung von Studenten. Und es ist natürlich so, dass die Industrie finanziell wirklich 'n großen Anreiz bietet. Weiß ich auch. Ich hab tatsächlich auch relativ oder sehr gute Angebote auch abgelehnt, mich jetzt für die Kommission zu entscheiden. Das tut dann auch weh und ist natürlich dann auch schwer für die Universität, die Leute zu gewinnen, die dann die Studenten auch ausbilden können, die Praxiserfahrung mitbringen. Und das seh ich eben noch nicht derzeit, dass es quasi noch nicht in die Lehre übergegangen ist. Und das ist natürlich schade, weil die die Jobs von morgen werden das beinhalten, ob man das jetzt selber macht oder jemanden im Team hat als Data Scientist. Das wird für uns alle, denk ich, Alltag werden.

Speaker1: Also dass die Universität sozusagen da einfach sich noch nicht klargemacht hat, dass sie einfach mithalten muss, Genau. Wenn wenn andere, sag ich mal, vor allem finanziell verlockendere Angebote plötzlich auftauchen.

Speaker2: Ja. Ja, und ich weiß es auch konkret, weil bei uns im Master wurde auch versucht, was zu verändern, aber das Personal ist hart umkämpft und man verdient in der Forschung eben doch wirklich deutlich weniger und es ist auch schwer, die Leute zu bekommen. Und glaube, in Amerika wird das ja zum Teil schon ganz anders gemacht. Ich hab auch 'n paar Vorlesungen in Berkeley besucht. Da kommen dann auch Leute aus der Industrie, also mehr als das Hochschulkonzept und ja, kooperieren dann eben mit den Universitäten und die Vorlesungen sind deutlich praxisorientierter. Oder man macht eben Research Internips bei den Unternehmen und lernt so noch mehr. Und da würde ich mir von den deutschen Universitäten doch wünschen, sich da auch 'n bisschen flexibler aufzustellen und ja, die Lehrpläne vielleicht auch 'n bisschen praxisorientierter zu gestalten. Ja.

Speaker1: Dan, vielleicht noch als kleinen Ausblick. Weißt Du denn schon, was dich jetzt in der Promotion vielleicht so die 1. Zeit erwartet? Du hast ja von kleinen privaten Projekten gesprochen. Möchtest Du jetzt quasi auf die Forschungsebene da noch, ich weiß jetzt nicht, ob hochheben da das richtige Wort ist? Oder wie genau werden jetzt wird jetzt halt die nächste Zeit für dich aussehen?

Speaker2: Ja, es geht erst mal konkret die Themenfindung. Ich hab 2 Ideen. Beim einen geht's ein bisschen, wie man physikalische Modelle schneller rechnen kann, also Emulatoren über Deep Learning. Das ist 'n aktuelles Paper aus Stanford, das find ich superinteressant. Und das andere wär, in Betten Anomalien in in Wetterdaten zu erkennen. Das heißt, da stehe ich auch noch zwischen 2 Themen und da geht's jetzt wirklich darum, rauszufinden, wie starte ich? Dann natürlich auch Netzwerken, zu gucken, wer kann mir wobei helfen? Also ich fang jetzt wieder genauso von 0 an wie auch in den USA. Und ansonsten ist es natürlich das längste Projekt, was ich jemals angefangen hab. Und ich denk, da werde ich mich jetzt am Anfang versuchen, einigermaßen gut zu organisieren, dass ich mir wirklich Mindestones setze und die dann auch wirklich auch immer ganz realistisch abfragen kann in 'nem halben Jahr. Bin ich da, wo ich sein wollte oder ja, wo muss ich nachbessern?

Speaker1: Hattest Du da große Schwierigkeiten, so eine Promotionsstelle zu finden, speziell auch, was sag ich mal, das angeht oder weiß ich nicht, ob Du da drüber reden darfst oder möchtest? Weil das ist ja auch noch, also ich sag mal so, sobald, ich ich war auch eine Zeit lang in der Research Group und aber plötzlich, wo man von wenn's von dem Wechsel von Master zu zu Ph d geht, da war plötzlich die Geldfrage auch da, ja. Und die die halt vorher bei der Masterarbeit, mal teilweise eine Masterarbeit bei 'nem oder bei 'ner Firma, wie je nachdem. Ist das war das bei dir auch 'n Thema?

Speaker2: Tatsächlich bin ich in 'ner glücklichen Situation, dass mir meine Interdisziplinarität jetzt zugutekommen. Also diese Schnittstelle aus Climate Science und Informatik und KI quasi, die wird grad relativ gut gefahndet. Es gibt da jetzt grad 'n großen großes Forschungsinteresse, viele große Institute auf der Welt, zum Beispiel Mila in Kanada, Joshua Benjo oder andere widmen sich jetzt gerade dem Thema. Das bedeutet, dass Funding dauert, dann wird auf der auf der NIPS, auf 1 der größten Konferenzen gibt's jetzt auch 'n Climamechchangerack. Das heißt, da passiert gerade was und deswegen hatte ich das Glück, dass die Stellen, auf die ich mich beworben hab, gefahndet waren und ich jetzt sogar zwischen mehreren Angeboten auswählen durfte. Das war allerdings vor Corona und ich helf grad auch 'nem Freund dabei, eine Stelle zu finden. Und momentan gibt es kaum Stellen und ich hoff, dass sich nach Corona das nicht sich nicht so negativ aufs Funding auswirkt, dass es jetzt erst mal sehr schwer sein wird, eine Promotionsstelle zu finden. Aber ich fand's Also für mich, ich war noch an der in der glücklichen Position, dass es relativ einfach war. Und wie ich's gemacht hab, ist, ich hab einfach mir Institute angeschaut in ganz Europa, dann einfach geschrieben, was ich gerne machen möchte und vor allem, was ich brauche. Weil mir war besonders wichtig, die Informatikbetreuung noch zu bekommen. Weil ein Grund, warum ich in die die Promotion mache, ist auch, ich hab bin sehr breit ausgebildet. Ich weiß sehr viel, aber auch, diese Tiefe noch einmal zu bekommen, bei mir jetzt in in KI oder in in Deep Learning. Und von daher konnte ich das ganz klar verbalisieren und sagen, könnt ihr mir eine Betreuung in Deep Learning, oder wie im Machine Learning, könnt ihr mir das stellen? Und das war dann ganz oft bei den Stellen so, dass sie das zum Beispiel nicht konnten und dann konnte ich wieder aussortieren. Also ich glaub, mein Tipp wär dann wirklich nicht einfach irgendwas zu nehmen, sondern die Betreuung ist extrem wichtig, sich das dann auch oder das auch einzufordern, zu gucken, ob das ob in der Stelle, auf die ihr euch dann bewirbt, wirklich der Fall ist, dass es gewährleistet ist.

Speaker1: Alles klar. Dann jetzt zum Abschluss, Julia, hast Du noch mal die Chance, unseren Hörern was mitzugeben? Also wenn Du sagst, Du hast ein Credo, was dich dann in deinem universitären und beruflichen Leben begleitet hat oder auch einfach so ein Credo. Hast Du da was, was Du vielleicht unseren Hörer und Hörerinnen mitgeben möchtest?

Speaker2: Ja, also es gibt ein Zitat, was ich sehr gern mag von Burger Willemson. Das heißt, man kann das Leben nicht verlängern, nur verdichten. Und danach lebe ich, glaube ich, son bisschen. Also ich denk, wir haben so viele Chancen, wie ich vorhin schon gesagt hab, unsere Generation. Probiert was aus. Das halbe Jahr oder die paar Monate, in denen ihr was macht, was vielleicht am Ende eurem CV jetzt nicht aufm ersten Blick dient, wird euch weiterhelfen. Dann würde ich sagen, nicht zu verkopft an die Sachen rangehen und Soft Skills wirklich lernen und den 'n Stellenwert einräumen. Zum Beispiel werden wir kaum in Entrepreneurship ausgebildet als Ingenieure oder als Naturwissenschaftler. Holt euch das woanders. Dann interdisziplinäres Arbeiten lernen. Das heißt, nicht nur andere Fächer akzeptieren, sondern auch ein Grundverständnis für andere Fächer mitbringen. Und wenn ihr später in als Software darüber ein Team geht, dann arbeitet ihr wahrscheinlich mit Product Managern zusammen und UX lernen und das bedeutet, ja, da vielleicht in einem Werkstudentenjob einfach 'n Grundverständnis lernen. Und was mir unheimlich geholfen hat, waren war eben ab und zu wirklich, die Uni zu verlassen und wieder ins Arbeitsleben zu gehen, weil ich danach wieder wusste, wofür ich eigentlich studiere. Und es hat mir wieder Motivation gegeben und wusste wieder, warum ich eigentlich in dieser Vorlesung sitze. Weil oft ist es ja wirklich sehr, also sehr, sehr theoretisch. Und ich fand's eigentlich immer super, wieder zurück in die Praxis zu gehen und das dann wirklich anzuwenden. Und das hat mir Kraft und Energie gegeben, das alles durchzuziehen, ja.

Speaker1: Glaub, ein besseres Schlusswort hätt's nicht geben können. Vielen Dank Julia Gottfriedzen. Toll, dass Du da warst. Ja, sehr gerne, ja. Das war mein Gespräch mit Julia Gottfriedzen. Ihr Werdegang ist wirklich sehr beeindruckend und man merkt, dass sie die Dinge schnell anpacken will und ein Herz für junge Menschen hat, die neu im Bereich Data Science sind. Besonders spannend fand ich ihre Aussage, dass man es oft aushalten muss, der oder die Neue zu sein. Wie akklimatisiert ihr euch in 1 neuen Umgebung? Seid ihr schon mal an ersten Hürden innerhalb 1 Projekts gescheitert und habt daraufhin aufgegeben? Erzählt mir davon auf unseren Social Media Kanälen unseres Podcasts. Denen von euch, die wissen wollen, was beim Interpretieren von Daten alles schiefgehen kann, kann ich nur die Folge aus unserer ersten Staffel ans Herz legen. Master the Complexity.

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

Mehr Folgen aus Staffel 2 →