Nikolaj Waller – Data Scientist bei MHP – A Porsche Company

Staffel 5· 4. Januar 2022· 2746

Episoden-Cover: Nikolaj Waller – Data Scientist bei MHP – A Porsche Company
0:002746
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Nikolaj WallerData Scientist bei MHP – A Porsche Company

Überblick

In dieser Folge spricht Host Theo Steininger mit Nikolaj Waller, Data Scientist bei MHP – A Porsche Company. Das Gespräch dreht sich um den Arbeitsalltag eines Data Scientists in einem Beratungsumfeld, die Operationalisierung und Skalierung von ML-Projekten sowie die oft unterschätzte Bedeutung von Soft Skills und empathischer Teamführung.

Über den Gast

Nikolaj Waller ist Data Scientist bei MHP – A Porsche Company, einem zu 80 Prozent zu Porsche gehörenden Beratungsunternehmen. Er begann seine akademische Laufbahn im Maschinenbau und absolvierte anschließend seinen Master an der TU Berlin, wo er seine Begeisterung für Computer Vision und Data Science entdeckte. Bei MHP hat er verschiedene Projekte in den Bereichen Chatbots, Recommendation Engines und NLP begleitet und beschäftigt sich heute verstärkt mit Skalierung, Data Science Projektmanagement sowie Business Development.

Zusammenfassung

Arbeitsalltag und Teamstruktur bei MHP

Nikolaj beschreibt seinen Arbeitsalltag als sehr dynamisch – der einzige feste Ankerpunkt ist das tägliche Scrum-Daily. Ansonsten wechseln sich Coding-Aufgaben mit Meetings, Kundengesprächen und Managementtätigkeiten ab. Das Team ist auf zwei Ebenen organisiert: Ein festes organisatorisches Team von rund neun Personen mit unterschiedlichsten akademischen Hintergründen (Physiker, Maschinenbauer, Informatiker, Statistiker) wird je nach Skills und Verfügbarkeit flexibel auf Projektteams verteilt.

Von der Problemidentifikation zum skalierten Produkt – ein Leuchtturmprojekt

Nikolaj schildert ein besonders erfolgreiches Projekt, das konzernintern auf mehrere hundert User ausgerollt wurde. Der Erfolg lag nicht nur im Business Impact – ein einzelner Nutzer berichtete von Einsparungen im fünfstelligen Euro-Bereich – sondern auch in der Erkenntnis, dass das ML-Modell nur ein kleines Rädchen in einem größeren System aus Frontend, Backend, APIs und Sicherheitsfreigaben ist.

Der Projektverlauf startete mit dem klassischen Design-Thinking-Prozess (Double Diamond), parallelen Paper Prototypes im Frontend und ersten Datenanalysen im Jupyter Notebook als Proof of Concept. Überraschenderweise dauerte die eigentliche ML-Modellentwicklung verhältnismäßig kurz – die zeitaufwendigere Arbeit steckte im Backend-Engineering, in der Datenpipeline-Optimierung, der Systemintegration und den Sicherheitsfreigaben. Als Projektmanagement-Methodik wurde Scrum mit einem Team von maximal sieben Personen eingesetzt.

ML nur wenn nötig: Problem- statt Technologiegetriebene Projektauswahl

Nikolaj betont, dass die beste Ausgangslage für ein Data-Science-Projekt dann entsteht, wenn ein konkretes Problem im Mittelpunkt steht und nicht der Wunsch nach 'irgendwas mit AI'. Er plädiert dafür, Machine Learning nur dann einzusetzen, wenn es keine pragmatischere, deterministischere Lösung gibt. MHP bietet dazu eine Workshopserie an, in der gemeinsam mit dem Kunden Datenquellen, Probleme und mögliche Lösungen erarbeitet werden. Auch die Qualität der verfügbaren Daten – ob sie maschinen- oder nur menschenlesbar sind – ist eine entscheidende Vorabprüfung.

Skalierung und Operationalisierung: Mehr als nur ein gutes Modell

Ein zentrales Thema des Gesprächs ist die Kluft zwischen einem gut trainierten Modell und einer tatsächlich produktiv einsetzbaren Lösung. Nikolaj stellt klar, dass in der Praxis Aspekte wie Geschwindigkeit, Stabilität und Systemintegration oft wichtiger sind als eine möglichst hohe Modellgenauigkeit. Der Tech-Stack bei MHP basiert auf Python und dem gängigen Data-Science-Ökosystem (Scikit-learn, TensorFlow/Keras), wobei die Cloud-Infrastruktur meist vom Kunden vorgegeben wird.

Die unterschätzte Rolle von Empathie und Stakeholder-Management

Nikolaj hebt hervor, dass der entscheidende 'Hidden Champion' in seinem Leuchtturmprojekt eine Person mit außergewöhnlich hoher Empathie war – jemand, der Teamdynamiken über Distanz erkennen und Kommunikation zwischen verschiedenen Erfahrungs- und Wissensebenen vermitteln konnte. Er ist überzeugt, dass diese empathische Komponente schwerer wiegt als rein technisches Übersetzungsvermögen, da Projektziele immer von Menschen abhängen und verhandelbar sind.

Als konkreten Mechanismus, um Business-Stakeholder dauerhaft einzubinden, empfiehlt er regelmäßige Sprint Demos. Diese ermöglichen einen Reality Check, ob die entwickelte Lösung noch dem entspricht, was ursprünglich gefragt wurde – und helfen, das häufige Problem zu vermeiden, dass der Business Case nach dem Projektstart nicht mehr aktiv validiert wird.

Lieblingsalgorithmus und Technologie-Philosophie

Auf die Frage nach seinem Lieblingsalgorithmus nennt Nikolaj Ensemble-Modelle, treffend zusammengefasst mit dem Motto 'Apes together strong': Viele schwache Klassifikatoren ergeben gemeinsam ein robustes Ergebnis. Diese Philosophie spiegelt seine generelle Herangehensweise wider – pragmatisch, ganzheitlich und stets mit Blick auf das Gesamtsystem statt nur auf das Modell selbst.

Kernaussagen

  • Ein ML-Modell ist in produktiven Systemen nur ein kleines Rädchen – Stabilität, Geschwindigkeit und Systemintegration sind oft wichtiger als maximale Modellgenauigkeit.
  • Data-Science-Projekte sollten immer problem- statt technologiegetrieben starten: Erst das Problem verstehen, dann prüfen, ob ML überhaupt die richtige Lösung ist.
  • Der Business Case muss iterativ validiert werden – wer nach dem Projektstart keine Stakeholder mehr einbindet, riskiert, technisch Gutes zu bauen, das niemand braucht.
  • Empathie und soziale Kompetenz sind im Team-Kontext oft wertvoller als technisches Übersetzungswissen, weil Projektziele letztlich von Menschen verhandelt werden.
  • Sprint Demos sind ein wirksames Mittel, um Business-Seite und Entwicklungsteam regelmäßig zu synchronisieren und Fehlentwicklungen früh zu erkennen.
  • Interdisziplinäre Teams mit Design-Thinking-Kompetenz führen zu nutzerzentrischen Lösungen, bei denen ML unsichtbar im Hintergrund arbeitet – was oft der Schlüssel zur Akzeptanz ist.
  • Offenheit für Neues und aktives Feedback-Einholen sind die wichtigsten persönlichen Ratschläge für den Karrierestart im Data-Science-Bereich.

Fazit

Das Gespräch mit Nikolaj Waller macht deutlich, dass erfolgreiche Data-Science-Projekte weit mehr erfordern als technische Exzellenz. Der Weg vom Proof of Concept zur skalierten Unternehmensanwendung verläuft über konsequentes Nutzerverständnis, kontinuierliches Stakeholder-Management und ein Team, das technische und menschliche Dynamiken gleichermaßen beherrscht. ML sollte immer Mittel zum Zweck bleiben – nicht Selbstzweck.

Für angehende Data Scientists und Berufseinsteiger

Technische Fähigkeiten sind eine notwendige, aber keine hinreichende Bedingung für Projekterfolg. Empathie, Kommunikationsstärke und das Verständnis für Business-Ziele sind mindestens ebenso wichtig – und lassen sich gezielt durch Mentoring und Erfahrungsaustausch entwickeln.

Für Projektverantwortliche und Führungskräfte

Wer Data-Science-Projekte aufsetzen will, sollte von Anfang an interdisziplinäre Teams mit klarer Nutzerorientierung zusammenstellen, regelmäßige Sprint Demos einplanen und den Business Case über die gesamte Projektlaufzeit aktiv weiterverfolgen – nicht nur zu Beginn.

Für Unternehmen, die KI-Initiativen starten

Der erste Schritt sollte immer die Problemidentifikation sein, nicht die Suche nach einem Use Case für vorhandene Daten oder Technologie. Eine vorgelagerte Workshop-Phase, die Datenqualität, Geschäftsproblem und mögliche Lösungsräume gemeinsam beleuchtet, erhöht die Erfolgswahrscheinlichkeit erheblich.

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 Nikolai Waller. Er ist Data Scientist bei MHP und befasst sich mit den Themen rund Operationalisierung von Data Science Projekten wie auch Scalable AI. Er begann seine Karriere mit 1 Ausbildung im Maschinenbau im Master an der TU Berlin, entdeckte dort seine Begeisterung für Computervision und ist so zum Thema Data Science gekommen. Während seiner Arbeit bei MHP hat er verschiedene Data Science Projekte begleitet, beispielsweise mit Fokus auf Chat Bots, Recommendation Engines oder NLP. Aktuell beschäftigt er sich vermehrt mit den Themen rund Skalierung und Data Science Projektmanagement. Außerhalb seiner Arbeit ist Nikolai Waller ein Bücherwurm und begeisterter Rennradfahrer während der warmen Monate im Jahr.

Speaker2: Herzlich willkommen zu 1 neuen Folge von die Eriam Podcast. Mein Name ist Theo Steininger und heute zu Gast Nikolai Walla. Nikolai, schön, dass Du da bist. Danke Theo. Wir haben es gerade in der Intro schon gehört. Du hast sowohl akademische als auch wirkliche Hands on praktische Erfahrungen im Bereich Machine Learning. Fänds voll cool, dass wir heute ins Gespräch kommen. Zunächst noch kurze Rückfrage, die Vita, die passt zu weit oder gibt's einen Punkt, wo Du sagst, ja, das müsste noch ergänzt werden, das das fehlt jetzt noch?

Speaker3: Nee, ich wollte mit meinem Vita auch nicht alle Nerd Stereotype gleich zum Anfang preisgeben, da müssen wir noch ein bisschen miteinander reden.

Speaker2: Alles klar, super, dann bin ich gespannt, was da noch so kommt. Cool. Es ist heute jetzt uhrzeitmäßig 13 Uhr 7, also kurz nach Mittag. Wobei unterbreche ich dich gerade?

Speaker3: Na ja, das Mittagessen habe ich schon hinter mir. So tatsächlich ein bisschen den Arbeitsalltag musste ich mir freischaufeln für heute, aber ich freue mich auf jeden Fall.

Speaker2: Cool. Wollen wir da vielleicht auch direkt einsteigen. Wie sieht denn ein typischer Arbeitsalltag bei dir bei MHP aus? Gibt's den überhaupt? Gibt's da immer einen wiederkehrenden Ablauf oder ist es jeden Tag komplett neu, dynamisch? Wie sieht's aus?

Speaker3: Na, ich glaub, der einzige Ankerpunkt, den man tatsächlich hat am Tag ist ganz 'n alter Scrum Manier, das Daily. Mhm. Da gibt's mir tatsächlich ein paar, die immer morgens stattfinden. Ansonsten ist es total unterschiedlich, je nachdem, was halt eben anfällt. Das kann wirklich losgehen beim Coding. Da darf ich auch noch mal ran. Aber auch eher für solche, ja, wie würde man's freundlicherweise sagen, Managementaufgaben, zum Beispiel Meetings mit Kunden, Kollegen oder Ähnliches.

Speaker4: Mhm. Mhm.

Speaker2: Vielleicht magst Du dazu auch noch mal ganz kurz erklären, und zwar MHP ist ja eine Porsche sehr nahe Consultingfirma oder Kurt MHP noch wirklich auch faktisch zu Porsche?

Speaker3: Zu 80 Prozent oder 82, wenn ich jetzt richtig bin.

Speaker2: Okay, okay, okay. Und die Kontakte, die ich bisher auch inhaltlich mit MHP hatte war, dass ich da gemerkt hab, okay, das geht über total viele Ebenen auch, ja? Also einerseits absolute Hands On Entwicklungsarbeit bis hin hoch, wir arbeiten strategisch daran, dass ja Topmanagement und Geschäftsführung von ja auch Porsche, die nötigen Infos und vielleicht auch Entscheidungsvorlagen kriegt, halt sich optimal für die Zukunft aufzustellen. Wie ist es bei dir noch mal genau? Hast Du 'n Team dich rum, das konstant ist, das Fest ist? Gibt's da verschiedene Rollen oder seid ihr 'n homogenes Team mit mit mit Mitarbeiterinnen, Mitarbeitern, die die alle ähnlich arbeiten? Genau, vielleicht magst Du das noch mal darstellen, wie ist dein Team genau aufgebaut?

Speaker3: Gerne, gerne. Also das Team könnte man tatsächlich auf 2 Ebenen einteilen. Einmal die organisatorische Ebene. Das sind da sind wir konstant, das sind wir, glaub ich, jetzt so. Nächsten Monat werden's 9 Leute sein. Homogen ist immer so relativ die unterschiedlichen Hintergründe, die zu Data Science gekommen sind. Das sind Physiker bei uns, Maschinenbauer. Ich glaube auch Informatiker, Statistiker, alles Mögliche. Mhm. Und diese Leute werden dann wiederum auf der zweiten Ebene für die ganzen Projekte entsprechend ihrer Skills und Verfügbarkeiten eingesetzt. Das heißt, organisatorisches Team ist fix, Projektteam ist unterschiedlich.

Speaker2: Ah, okay, verstehe. So und so können Sie dann auf die unterschiedlichen Anforderungen der technischen Komponenten in dem Projekt reagieren, oder? Dass ihr halt die Meinung mit reinnimmst, ah, okay, wie's bei dir auch schon erwähnt wurde mit mit NLP, okay, wunderbar. Wir haben eine NLP Anforderung, dann nehmen wir Nikolai mit rein. Wenn's irgendwie ja, was was Spezielleres aus 'ner anderen Richtung wär, dann baut man's anders zusammen. Genau, ja. Okay, okay. Und jetzt mit deinem mit deinem Background auch vom Studium. Was fasziniert dich da am meisten? Ist das nach wie vor, sind das technische Themen? Sind da vielleicht auch Themen, Du hast grad schon angesprochen, es gibt ja auch die die Organisation und das Management. Wo wo steckt bei dir da am meisten Herzblut drin?

Speaker3: Vielleicht son bisschen historisch begründet. Ich hab im Maschinenbau tatsächlich angefangen, weil ich son bisschen wissen wollte, wie die Welt funktioniert auf 'ner technischen Ebene. Das Data Science für mich einfach noch der nächste Schritt, weil die Plattitüde Daten sind das neue Rohöl stimmen ja auch irgendwo und dann halt einfach diese ganzen Infos rauszuziehen. Es macht Spaß Rein vom Arbeits- oder auch ja, Lerntyp bin ich eher so technische Sachen kann ich alleine in meiner Höhle machen, so bildlich gesprochen. Und ich find eher so die Zusammenarbeit mit Menschen. Also diese ganze menschliche Komponente.

Speaker2: Tatsächlich auch herausfordernder und auch viel spannender. Mhm, mhm. Und ist es auch, wenn Du sagst, es spannend liegt daran für dich auch eine der größten Herausforderungen oder sind es tatsächlich immer noch harte technische Probleme, die im Arbeitsalltag für dich am meisten ja auch ja Gehirnleistung oder oder Kreativität erfordern?

Speaker3: Ist beides tatsächlich. Also kann nicht sagen, dass das eine schwerer wiegt als das andere. Das sind halt einfach 2 verschiedene Aspekte. Mhm. Ich mein, technische Sachen, die die Technologie ist im Wandel, aber irgendwann hat man seine Routine, dann kann man ja eigentlich wirklich Copy und paste und 'n paar Variablen austauschen jetzt mal so. Wirklich plakativ gesprochen, Menschen sind immer anders. Und dieselben Menschen sind in unterschiedlichen Zeitpunkten oder Kontexten auch immer anders. Daher sind es, glaube ich, ganz ganz verschiedene Aspekte, die da jeweils behandelt werden. Oh ja, die Magic der Gruppendynamik.

Speaker2: Und wie wie wie macht sie das? Also oder vielleicht zweigeteilt die Frage. Einmal, wie Du's persönlich machst und vielleicht auch, ob's da bei MHP was instrumental ist oder institutionalisiert, so, ob's da was institutionalisiertes gibt. Wie bist Du zu den Fähigkeiten jetzt konkret eben Stakeholdermanagement, würd ich's jetzt mal bezeichnen oder oder oder auch Projektmanagement, Produktmanagement, wenn's dann von den Prototypen vielleicht eher in was Skaliertes und Skalierbares geht. Wie hast Du dir die Fähigkeiten angeeignet?

Speaker3: Auf der institutionellen Ebene haben wir wirklich sehr viele Schulungen bei uns, die auch tatsächlich hauptsächlich auf die Soft Skills gehen. Da ist halt auch das Wichtige von mir, was ich dann für mich persönlich mitnehmen kann, ist eher so die Best Practices, die die Kollegen mitbringen. Weil Theorie ist das eine, wie man dann tatsächlich mit den Menschen umgeht, ist da dann noch mal das andere. Und so versuche ich das dann auch tatsächlich zu lernen, immer die anderen Fragen, passive Tipps oder halt auch für Cups haben, damit man da nicht in dieselben Fettnäpfchen noch mal reintritt.

Speaker2: Ah, sehr cool. Okay. Das heißt, Du Du kümmerst dich sozusagen jetzt vielleicht 'n bisschen über übertrieben formuliert, aber Mentorat

Speaker3: anderer, dass Du dir da die die die die Tipps abholst. Okay. Genau. Aber auch persönlich, also quasi ist immer ein Geben und Nehmen.

Speaker2: Ja, definitiv. Aber das fällt mir auch auf, vor allem, wenn ich die unterschiedlichen Bewerber vergleiche, die bei uns sich bei der Firma melden. Das ist gerade bei den frischen Uni- und Hochschulabsolventen so, dass die technisch teilweise perfekt sind. Und gleichzeitig merk ich, okay, da müssen wir jetzt noch viel machen, bis da eine Kundenpräsentation zum Beispiel läuft oder dass sich zum Beispiel auch nicht verzettelt wird in der Hyperparameteroptimierung und gleichzeitig geht aber vielleicht das Modell, das dann am Ende super getunt ist, am eigentlichen an der eigentlichen Fragestellung vorbei. Ja. Was was was für viele dann muss ich auch dazu sagen total überraschend ist so wie? Ist es nicht okay oder ist es quasi nicht hinreichend, wenn mein Modell 99.99 Prozent acquiracy hat? Ja, nein, ist ist notwendig, aber oder nicht mal oft notwendig, aber definitiv nicht hinreichend. Mhm. Ja, spannend, okay. Das heißt aber, dass ich schließe da jetzt indirekt raus, dass bei euch auch eine 1 Arbeitskultur herrscht, die das befördert, oder? Ist ja auch eine Zeitfrage.

Speaker3: Genau. Also auch da organisatorisch haben wir auf das Back-up, dass wir quasi, ich sag's mal feste Checkpoints haben, wo wir einmal in diesem Projektkontext reden sollten, dürfen, das auch gewollt ist quasi durch Prozesse, aber auch natürlich auf diesem auf dieser organisatorischen Ebene. Also wenn man mit seinem Lead da quatscht, welche Positionen man möchte, welche Schulungen man haben möchte, welche Projekte man haben möchte und Ähnliches, das ist alles dabei. Mhm. Mhm. Cool.

Speaker2: Gesehen jetzt auf die Projekte, die Du persönlich, aber gerne auch mit mit Fokus auf MAP in der Vergangenheit gemacht habt. Unter der Berücksichtigung, dass man natürlich nicht immer alles sagen darf. Stichwort NDAs Geheimhaltungen, aber kannst Du gerne direkt, aber aber vielleicht auch, wir finden es nicht anders geht in der Umschreibung, kurz drauf eingehen, was bisher so die das erfolgreichste, wenn es denn das eine große erfolgreiche Projekt gibt, das erfolgreichste ML Projekt war, mit dem Du bisher zu tun hattest oder dem Du beteiligt warst?

Speaker3: Ich glaub vorher muss man tatsächlich erst mal für sich selber festlegen, was denn die Definition von erfolgreich war. Ich glaub, da gibt's sehr viele Aspekte, die man berücksichtigen kann. Ich glaub Exzellenz, ja. Ja, ja, ja, ja. Immer so die Consultant Antwort kommt drauf an. Genau in diesem Fall würde ich da sagen, war das eine im Endeffekt, die auch über 'n ganzen Konzern ausgerollt wurde mit mehreren 100 Usern insgesamt, genau. Das fand ich ganz cool, weil das war auch das 1. Mal, wo halt diese ganzen Skalierungsaspekte wichtig waren. Da war das Machine Learning Modell son kleines Rädchen, 'nem Gesamtkonstrukt zwischen Frontend, Backend, irgendwelchen APIs und den ganzen Sicherheitsfreigaben und ähnlichem Spaß, der mit 'ner produktiven Software einhergeht. Und da hat man erst mal gemerkt, ja, die Welt ist groß. Und da auch alles miteinander zu vereinen und zu schauen, dass man, ja, das Modell halt weniger auf die Genauigkeit beispielsweise als mehr auf Geschwindigkeit und Stabilität aufbaut, dass das halt auch noch mal wichtige Aspekte sind.

Speaker2: Alright. Und Du hast was Wichtiges angesprochen, die Metrik, ja. Wie ist wie ist Erfolg definiert. In dem konkreten Fall, wie kann ich mir das genau vorstellen? War das Projekt für dich persönlich deswegen son großer Erfolg, weil euch das geglückt ist, son großgeiliges Projekt auszurollen oder weil, muss sich ja nicht ausschließen, ne? Und oder ist der Business Impact für die Firma einfach so massiv gut?

Speaker3: Na ja, die persönliche Ebene sowieso. Also ich fand's cool, endlich so was auf die Straße zu bringen. Das ist ja generell son Anspruch, den man auch an sich selber stellt, glaube ich. Aber auch der Business Impact. Also wir hatten ganz oft mit Test Usern gearbeitet und da hat jemand gemeint, das Tool, was wir da im Grunde genommen implementiert haben, hat ihn 'n paar 10000 Euro bereits gespart, einfach nur, weil er das verwendet hat. Es ist schon ziemlich gute Nachricht, würd ich sagen.

Speaker2: Und vielleicht kannst Du uns da noch mal 'n bissel retrospektiv mitnehmen. Wie war denn dann der Weg hin zu dieser Aussage, krass, ja, mit diesem Tool spar ich mir 'n fünfstelligen Eurobetrag innerhalb kürzester Zeit. War das ein ganz gezielt gesteuerter Prozess oder kommt ja auch mal vor, ja, dass man sozusagen über eine Lösung drüber stolpert und dann immerhin aber erkennt, hey, wow, das das ist 'n total wertvoller Ansatz. Wie seid's 'n ihr da vorgegangen?

Speaker3: Also ich hatte das riesen Glück, in einem interdisziplinären Team unterwegs zu sein und die Kollegen kamen sehr von der UIUX Seite beziehungsweise aus dem Design Thinking. Also dieses ganze Mindset von wegen, wir müssen den User einbeziehen. Wir müssen schauen, welche Bedürfnisse er hat. Das war in dem Projekt extrem prägend. Und die technische Seite, die war halt dann einfach nur zweitrangig. Also es geht halt darum, Look and feel, wie ist das ganze Tool aufgebaut? Was kann man damit machen? Und die Benutzer, die das im Endeffekt verwendet haben, ich glaub, die wussten gar nicht, dass irgendwie Machine Learning oder Ähnliches dahinter steckt. Für die war das echt was ganz anderes und daher fand ich das auch so spannend.

Speaker2: Alright. Das heißt, es war 1 der Beispiele, wo es wirklich damit losging, hey, wir haben hier einen eine 1 Idee für 'n mehrwertstiftendes Tool oder wir haben ein Problem erkannt, das wir lösen wollen und dann, hey, okay, da könnten wir oder da brauchen wir Machine Learning dafür. Die Kompetenz haben wir holen wir mit ins Boot. Im Gegensatz zu, was ja häufig passiert so, hey cool, wir haben Daten. Let's do smething with it.

Speaker3: Nee, nee, meistens kommt's ja noch mal ein extremer Fall ist, wir brauchen ein AI Projekt.

Speaker2: Ah ja. Und okay, wir haben und dabei haben wir noch nicht mal Daten. Alles klar, ja. Krass, krass. Und wie seid ihr aber dann damit umgegangen? War das so, dass dieses interdisziplinäre Team von vornherein da war und ihr quasi an einem Schreibtisch sitzend die verschiedenen Aspekte der der Projektidee abklopfen konntet, weil es geht ja nur, wenn alles an an an Vorbedingungen erfüllt ist, ja. Also es hilft ja nix 'n tolles Problem erkannt zu haben und eine Lösungsidee, wenn ja eben keine Daten vorliegen, aber andersrum hilft's ja auch nichts, wenn wenn man Daten da hat, aber damit kein Problem lösen kann, ja? Wie wie wie war das bei euch? Weil ich einfach beobachte, dass sich gerade in diesem ersten Identifikationsschritt viele Firmen schwertun, weil's wie son Henne Ei Problem irgendwo ist. Ja.

Speaker3: In dem konkreten Fall hatten wir tatsächlich auch die Leute, die 'n bisschen datenaffin waren beziehungsweise auch wussten, was beispielsweise unsere Abteilung war und was wir quasi können. Generell, dieses Problem umzugehen, haben wir auch sozusagen, bieten wir eine Workshopserie an, quasi, wo auch geschaut wird, ja, was was sind denn quasi die Daten überhaupt im Unternehmen? Was sind die Probleme? Was wären mögliche Lösungen? Und da bin ich sowieso immer ein Fan davon, dass nicht gleich mit der Machine Learning Keule angekommen wird. So so traurig das auch klingen mag, weil wenn's 1 1 1 pragmatischere Lösung gibt, gerne.

Speaker2: Ja, ich weiß nicht mehr, wer das gesagt hat. Ich kann sein, dass es Maxime, mein Co Founder war oder oder ob's 'n anderer Gast im Podcast war, aber wenn man's vermeiden kann, lieber die Finger von Machine Learning lassen, weil's immer nur eine approximative beziehungsweise mit Unsicherheit behaftete Lösung ist. Und wenn Du einen deterministischen Mechanismus findest, der dir die Antworten liefern kann, und zwar die 100 Prozent richtigen Antworten, go for it. Ja. Ja, definitiv. Ja, oh, sehr spannend, sehr spannend. Eine Frage dann nur noch kurz noch mal zu dem Team. Die die die die Kolleginnen und Kollegen in dem Team, die nicht diese Hardcore Data Science Expertise haben, sondern eher von der ja zum Beispiel Design Thinking, aber auch von der konkreten Domain Nuddageecke herkamen. Hatten die vorher schon mal bei 'nem Data Science Projekt mitgemacht oder oder oder war das das 1. Für die?

Speaker3: Ich glaub hauptsächlich das 1. Mal für alle. Tatsächlich?

Speaker2: Wow, okay. Das ist krass. Ich ich habe nämlich schon gesehen, dass wenn man sozusagen mal ein-, zweimal mitgespielt hat bei auch sonem hochitarativen Prozess, dass es dann irgendwann so Klick macht, Ja und man verstand halt, ah okay, das ist möglich, das ist nicht möglich. Aber das ist echt crazy gut, wenn wenn ihr das geschafft habt, sie auch beim ersten Mal abzuholen. Wow.

Speaker3: Na ja, es ging ja auch nicht von jetzt auf gleich, das muss man sagen. Das war locker ein Jahr, wo wir da rumgewerkelt haben zusammen.

Speaker2: Okay, ja. Und magst Du uns vielleicht durch diese durch dieses Jahr noch mal ganz kurz durchführen? Was waren so die Steps, weil ich sehr, sehr, sehr stark vermute, dass ihr ja nicht sofort eine m l ops Pipeline aufgesetzt habt als Erstes schon. Auf keinen Fall. Waren das am Anfang Paper Prototypes oder oder Auf keinen Fall. Waren das am Anfang Paper Prototypes oder oder wie wie ging's los? Waren was waren die Prototypen? Die haben die ausgesehen und ja genau bis hin zu dem zu zu zum Skalieren.

Speaker3: Genau am Anfang ging's halt echt los mit der Problembeschreibung und ja auch dieses typische Double Diamond vom vom Design Thinking durchgemacht. Probleme Problemraum aufspannen, Problem identifizieren, Lösungsraum aufspannen, Lösung identifizieren. Parallel dazu glaub ich schon die ersten PayPal Prototypes für das Frontend, einfach weil sonst bringt das Machine Learning Ding ja auch gar nichts. Im Hintergrund hatten wir das schon Leute, die mit den Daten umgehen konnten. Das heißt, die haben da auch die ersten Excel Dumps von 'ner Datenbank bekommen, wo sie halt sozusagen das aufbauen konnten. Und dann war das eigentlich auch son bisschen eine Parallele Entwicklung. Also sozusagen Frontend mit Click Dummys und hinterher das Machine Learning Modell aufstellen. Hat erstaunlicherweise eher weniger Zeit gedauert. Hinterher war's eher halt wirklich dieses ganze Backend Entwicklung. Also wie können wir unsere Datenvorverarbeitung so gestalten, dass wir da nicht 8 Stunden umsetzen und warten, bis die Daten verarbeitet sind? Wie können wir das Ganze in ein System einbinden? Wie sehen da die Sicherheitsfreigaben aus? Beispielsweise mussten ja auch 'n Prozess durchlaufen? Welche Interfaces gibt es und so weiter? Der ganze Spaß.

Speaker2: Okay, krass. Das heißt, ist der Datensatz, der da verarbeitet wird, so groß, dass dass dass ihr da das Data Engineering so, ja, sorgfältig machen musstet oder?

Speaker3: Ab 'ner gewissen Größe, ich sag's mal immer so plakativ im deutschen Raum, wenn's nicht mehr in Excel Tabelle passt, hat man ja auch einfach 'n Anspruch, dass man zum Beispiel nicht einfach nur, ja, eine 1 Loop über alles wirft und jeden Eintrag einzeln durchgeht, sondern dass man da auch 'n bisschen vektorisieren muss. Und ja, das waren so die Learnings dabei auch.

Speaker2: Okay. Und und wie ging's dann weiter? Also ich bin jetzt geistig bei dem Stand, es gab auf quasi 'nem USB Stick, ja, oder symbolhaft auf 'nem USB Stick einen Datendamm. Es gab die Paper Prototypes. Mhm. So wurde quasi an beiden Seiten gleichzeitig gearbeitet. Mhm. Wart ihr dann in in in 1 Prototypen Entwicklung aller Streamlet oder vielleicht noch mal son son wirklich Rapid Prototyping Framework. Habt ihr sowas genutzt oder ging's dann sozusagen gleich in die Implementierung der richtigen Applikation?

Speaker3: Ich glaub, die UX Kollegen, UIUX haben da auch wirklich noch mal Zeplin, glaub ich, benutzt als Tool, wenn man das kennt, aber im Backend ging's halt tatsächlich an die Implementierung. Wir sind auch irgendwann dann mal auf von lokalen Rechnern auf die Cloud Umgebungen gewechselt, die der Kunde uns zur Verfügung gestellt hat. Also da konnten wir auch wirklich das Ganze dann zusammen verknüpfen und Usern bereitstellen auch im Endeffekt.

Speaker2: Okay. Also Zeplin, wir benutzen das bei uns auch. Wir bauen halt damit Klickdummys und die die Design Assets. Okay, das heißt, ich ich schließe daraus, bei euch gab's den Klickgang, den Klick Dummy und sozusagen die Designelemente und daraus ging's dann sofort in die richtige ordentliche Applikation dann rein. Genau, ja. Okay. Ja, das find ich sehr spannend, weil weil ich immer, ich seh beides, ja. Einmal das, wo nach dem ersten, ja, ich mach's vielleicht in Excel, ja. Die die die allererste Analyse, dass dann zuerst noch mal ins Stream let reingegangen wird, ja, ja genau, das ist eigentlich dann Demonstrator, das ist der POC, auf Basis dessen dann noch mal zu entscheiden, nehme ich jetzt wirklich noch mal das Geld und den Aufwand in die Hand, die richtige und dann vor allem in der Pipeline deployte Applikationen zu bauen, die vielleicht halt auch stabiler und performanter ist als jetzt eine Streamlet App. Ja. Okay. Aber das heißt, ich wart euch da schon ziemlich sicher, dass es quasi erstens fliegt, dass der Mehrwert gegeben sein wird der Lösung, dass ihr diesen Schritt übersprungen hattet, oder?

Speaker3: Na ja, es gab schon natürlich eine POC Phase, wo im Grunde genommen die Daten in den Jupiter Notebook reingehauen wurden, zu schauen, ob das Ganze halt funktioniert oder nicht. Genau. Okay, okay, dann war das der der der POC letztlich. Ja, genau. Der Demonstrator.

Speaker2: Krass. Okay, okay, Wahnsinn. Und hattet ihr von von jetzt noch mal diesem Verständnisprozess her konkreten konkretes systematisiert Vorgehen, wie ihr das auch koordiniert habt? Ich kann mir das ja vorstellen, wir haben jetzt 2 Teams, die parallel arbeiten irgendwo, nämlich einmal die, die den Datenbank damit, den provisorischen bekommen haben und dann ein auf der anderen Seite die UI UX Seite und in der Mitte hängen irgendwie die Applikationsentwickler, ja. Ihr habt's wie habt's denn das gemanagt? Also lief das alles über Tickets und Gira und Conflenz Pages oder wurden da wurden da Miro Boards gezeichnet? Keine Ahnung.

Speaker3: Ja, wir hatten das Glück, das war gar nicht so großes Team. Ich glaub insgesamt, boah, Hochzeit 7 Leute. Und das kann man ja auch noch mal in 'nem Scrum Verfahren sozusagen streamlinen und wir haben da auch die ganze Zeit nach Scrum gearbeitet, auch wie Du's eben gesagt hast, Ingenieur. Und genau. Uns da einfach allein und dann hat jeder einfach in seinen Kämmerlein seine eigene Aufgabe gemacht und dann haben wir versucht, das Ganze zusammenzufügen.

Speaker2: Allright. Cool. Ja, wahnsinnig spannendes Leuchtturmprojekt. Also wenn ich's so nennen darf. Ja, es hört sich für mich wirklich nach 'ner Geschichte an, die die an allen Ecken funktioniert hat. Wobei, da da würde ich dann aber schon noch mal reingraben. Gab's was, wo Du jetzt retrospektiv sagst, mit der Erfahrung, die Du jetzt hast, hättest Du Dinge anders gemacht? Weil momentan hört sich's schon fast to good to be true an, ja?

Speaker3: Natürlich, das ist das Eigenmarketing, was man da betreibt. Ich hätte von Anfang an schon geschaut, dass man da auch wirklich das Endziel im im im Blick hat. Mhm. Das ist auch mittlerweile der Anspruch, den ich daran stelle, immer zu schauen, was ist das Businessziel und wie kann das Modell darauf einzahlen und in welches System wird es quasi auch eingebettet sein.

Speaker2: Alright. Okay. Das heißt aber kein so, okay, beinah wär's schief gegangen und dann

Speaker3: Phoenix aus der Asche, Moment, wir haben's doch noch rumgerissen, das Ruder? Nee. Nee. Da da waren wir ja schon, glaub ich, weitsichtig genug, das das Ganze zu schauen.

Speaker2: Okay, dann muss ich dich aber leider enttäuschen, wird keine Netflix Doku draus aus dem Projekt. Alright. Gut, das war jetzt schon mal superinteressant, ziemlich ziemlich viel Input. Lass uns da vielleicht an der Stelle 'n kurzen kurzen Break einlegen und zwar noch mal noch mal ganz anders gefragt. Ich find so diese diese so kleine finde ich immer super spannend. Und da würde mich interessieren, ob Du einen Lieblingsalgorithmus hast und wenn ja, welchen und warum?

Speaker3: Da muss ich tatsächlich ein bisschen nachdenken. Bin dann auf die Idee gekommen, Ensemble Models finde ich eigentlich ganz cool, weil die kann man mit 'nem beschreiben. Apes together strong einfach. Nice. Sind ja im Grunde genommen einfach 'n Haufen schwacher Klassifikatoren, die halt zusammen 'n ganz gutes Ergebnis bringen. Und das ist halt son bisschen das Faszinierende dran, finde ich. Dass man oftmals wirklich auch alles in Potpourri in den Topf schmeißt und da hinterher kommt was Gutes raus.

Speaker2: Unter dem Begriff, ich kenn jetzt nicht die Wikipedia Definition sozusagen zu zu den Ensemble Ansätzen, aber benutzt man da eine konkrete Klasse von Klassifikatoren oder beschreibt der Ansatz erst mal nur, ich nehme Klassifikatoren und kombinier deren deren deren Rechenergebnis.

Speaker3: Eher zweiter, also da gibt's auch unterschiedliche Aspekte, wie man's machen kann, unterschiedliche Klassifikatoren, unterschiedliche Verfahren, diese anzuwenden. Aber erst mal so generell das ganze Verfahren.

Speaker2: Allright cool. Ja, mit dem, also wie gesagt, ich habe mich hier noch gar nicht so krass mit Ensembleansätzen beschäftigt, aber interessantes Feld, definitiv. Nächste Frage, Du hast schon 'n bisschen was erwähnt, aber aber magst Du noch mal kurz deinen Technologie Stack beschreiben? Gerne. Ist es vielleicht mittlerweile schon. Julia hab ich gestern einen Artikel drüber gelesen, dass es zwar immer noch einstellige Prozentanzahl von von Data Scientists nutzen, aber es viel besser ist als Python.

Speaker3: Kann sein für Data Scientists, aber ich hab da irgendwie sonen ganzheitlichen Anspruch und bin da weiterhin beim Python Data Stack, Data Science Stack, also escaleorren, was auch immer, Machine Learning, und oder Keras und oder. Mhm. Hintergrund ist halt tatsächlich einfach, es hört ja nicht beim Modell auf. Meistens braucht man da auch noch 'n paar Interfaces. Im schlimmsten Fall muss da auch noch 'n Dashboard draufgeklatscht werden. Theoretisch könnte Python das alles machen. Der Vorteil ist auch alles, das ist recht zugänglich für diejenigen, die jetzt nicht unbedingt in C plus plus beispielsweise Mega Optimierungen schreiben wollen. Ja definitiv, ja. Ja, ja. Also bietet irgendwie son bisschen das Beste von einem. Alright. Und dann sozusagen weiter in der Operationalisierung

Speaker2: einerseits, aber auf der anderen Seite auch vom Experimenting her gedacht. Nutze solche Tools wie m l flow, quasi Hyperparameter Tuning zu dokumentieren oder ist das bei dir läuft das alles in dem Rahmen, wo wo man's oder ist das bei dir läuft das alles in dem Rahmen, wo wo man sagt, okay, ich mach das einfach per Hand?

Speaker3: Nee, hab ich schon länger auf meiner To do Liste, das endlich mal zu verwenden. Aber tatsächlich einfacher, ich glaub von Eskaloren zum Beispiel Grid search reicht da in den meisten Fällen vollkommen aus, weil idealerweise ist das Modell ja nicht Fällen vollkommen aus, weil idealerweise ist das Modell ja nicht losgelöst von 'ner gewissen Domäne und dann sitzt man mit dem Domänenxperten zusammen und fragt, was denn sinnvolle Parametervariationen jetzt auch im beispielsweise physikalischen Sinne sind. Und dann ist halt dieser Lösungsraum auch schon relativ gut eingegrenzt.

Speaker2: Und dann mehr Richtung mehr Richtung rausgesehen. Ja. Gibt's gibt's da ja, wie soll ich sagen, eine Technologiechain, wo Du sagst, okay, das hat sich bewährt, auch wenn's jetzt nicht nur eine Datei ist, aber den Ansatz, den kann ich Copy Paste anwenden. Was meine ich damit? Zum Beispiel eine, wir nutzen in GitLab die CICD Pipeline für mittlerweile nicht nur ein Projekt, ja, weil es sich für uns wunderbar bewährt hat. Wir machen da unsere Codechecks, also statische Codeanalyse ist da mit drin. Dann das Deployment zum Beispiel auf AWS, aber auch zum Beispiel für unsere nächste Internetseite, die wird genauso dann deployed werden. Gibt's dabei die auch 'n Standard? Oder ich, was ich mir vorstellen kann, ohne jetzt deine Antwort vorweggreifen zu wollen, geht wird es dann vom Kunden vorgegeben. Und wenn der Azure, na wie heißt's? Azure Devops benutzt, dann ist es halt das, ja. Wie wie ist das bei dir? Ja, tatsächlich vom Kunden vorgegeben. Also die Cloud Umgebung, die jetzt kundenspezifisch

Speaker3: ist und Kunde kann jetzt entweder tatsächlich eine Organisation oder auch eine Organisationseinheit sein, geben eigentlich meist schon vor, was man dann verwenden kann. Manchmal ist es aber wirklich nur 'n Docker Image, was man irgendwo auf auf 'ner Linux Instanz pusht.

Speaker2: Ja, da ist man dankbar, ja. Cool. Und dann nun vielleicht noch eine Frage, nämlich künstliche Intelligenz. Was fasziniert dich an dem Thema am meisten?

Speaker3: Schließt sich sogar mal ein Intro an, an an an die Maschinenbauausbildung eben, dass man ja, so allgemein gesprochen tatsächlich Muster erkennen kann, die man mit 'nem menschlichen Auge nicht erkennen kann. Sprich, diese diese emagenten Informationen. Die sind im Grunde genommen da, weil man weiß nicht, dass sie da sind, plus das Automatisierungspotenzial, was dahintersteckt. Bin ja 'n ganz großer Fan, Computer statt mir arbeiten zu lassen und das kann man ja im Grunde genommen unendlich erweitern. Und ich glaub, künstliche Intelligenz ist deswegen so gut, weil man da relativ stupide Aufgaben ja trotzdem noch mal vom Computer erledigen lassen kann.

Speaker2: Ja, letztlich Automatisierung kognitiver Prozesse, oder? Ja, also das, was was 'n KUKA Roboter sozusagen für die Mechanik ist, kann kann kann wie 'n ml Tool für geistige, einfache, repetitive geistige Arbeiten erledigen. Ja, ja, bin ich bin ich voll bei dir, bin ich voll bei dir. Und witzigerweise, ich hatte ursprünglich Physik und dann die Band, revitural String Theorie mir angeguckt im Studium mit der gleichen Motivation, ja, weil mich auch interessiert, dass er, hey, hey, komm mal, was weiß die Menschheit eigentlich über, wie es unter der Haube funktioniert und es war long story short frustrierend zu sehen, wie wenig man eigentlich weiß und total lustig. Ich bin jetzt auch über diese andere Ecke im Bereich Data Science gelandet, wo mich ja nach wie vor dieses Thema des Erkenntnisgewinns total fasziniert. Mhm. Also sehr, sehr spannend bei dir bei dir andere Richtung jetzt als bei mir, aber letztlich doch sehr, sehr, sehr, sehr ähnlich der faustsche

Speaker3: Zugang da zu den meisten. Ja, ich find's ja lustig. Du erfüllst tatsächlich 'n Stereotyp, was ich von Data Scientists habe, nämlich meine eigene Statistik, ist jetzt Okay. Nicht sehr wissenschaftlich, aber 80 Prozent der Data Scientists, die ich kenne, sind Physiker.

Speaker2: Ja, ja, total, total. Und ich hab das auch dann selbst erst realisiert, während ich oder als ich dann am Max Planck Institut war, ich hatte immer nur im im im Kopf, es gibt so theoretische und experimentelle Physik. Aber tatsächlich gibt's noch einen dritten mindestens genauso wichtigen Bereich, nämlich den der Computational Physiks. Und das ist dann halt die absolut prädestinierte Grundausbildung, auch für Data Scientist, weil was machst Du als Physiker? Du brauchst den ganzen Tag Modelle, ja, Modelle der Realität. Das heißt, die Denkweise ist schon mal total gut da und spätestens in der Astrophysik bist Du dann auch Grund mit terabyteweise Daten zu arbeiten. Mhm. Na, insofern ist es, denke ich, kein Zufall, ja, oder ja, keine keine zufällige Sache, dass das dann so landet. Cool, ja, sehr, sehr spannend. Lass uns mal noch mal zurückkommen auf MHP. Und zwar würde mich interessieren, auch noch mal einen Knackpunkt sehr zu Beginn von von 'nem Data Science Projekt, nämlich wenn noch gar nicht feststeht, welches Data Science Projekt überhaupt angepackt werden soll. Kannst Du teilen, was sich aus deiner Sicht da bewährt hat, die richtigen KI Projekte zu identifizieren, weil's ja auch irgendwo immer 'n Trade off ist oder zwischen wenn ich wenn ich die die sichere Wette fahre und dann ist das Potenzial vielleicht nicht ganz so groß, dass ich im besten im besten Fall erreichen kann, Dann ist es die eine Variante, auf der anderen Seite gibt's da vielleicht Projekte, wo das theoretische Potenzial oder das potenzielle Potenzial viel größer ist, aber aber dafür die Unsicherheit auch deutlich größer. Wie wie geht's denn dir da grundsätzlich mit der Thematik oder beschäftigt dich das überhaupt nicht, weil es vom Kunden quasi vorgegeben wird?

Speaker3: Dadurch, dass ich das Thema Wissens Development auch son bisschen betreibe bei uns beschäftigt sich das auf jeden Fall. Es gibt halt immer 2 Seiten, wie so was passieren kann. Einmal kann der Kunde ankommen und sagen, ey, wir hätten gerne ein bisschen AI und hier habt ihr ein paar Daten. Und manchmal kommt man von der anderen Seite und sagt, hey, wir haben hier ein Problem, könnt ihr uns mal dabei helfen? Mhm. Und die 2. Variante ist definitiv diejenige, die halt lösungsoffener ist, was in den meisten Fällen schon viel besser ist. Sprich, man geht hin und schaut, ist überhaupt das notwendig, Data Science zu machen? Haben wir die nötige Daten dafür? Sind wir überhaupt die richtigen Ansprechpartner dafür? Muss man sich ja auch einfach sagen, man muss ja nicht alles machen. Und ja, sone Identifikation von den Projekten ist eigentlich relativ schwierig, weil man muss halt wirklich tief in die Daten gucken, zu sehen, ob das Ganze funktioniert oder nicht. Manchmal sind vermeintlich gute Datenquellen halt wirklich ziemlich menschenlesbar, nicht maschinenlesbar. Ja, 'n Paradebeispiel ist halt wirklich, wenn man 5 Tabellen hat, die über 'n Key miteinander verbunden werden könnten. Könnte ja. Aber der Key bei 1 Tabelle halt fehlt und man sich auf irgendwas anderes beziehen muss. Also son Join kann man dann nicht mal eben machen. Und wenn das in Terabyte große Datenmengen geht und da halt einfach irgendwie versucht wird, das nachvollziehbar zu gestalten, ist es vielleicht fürn Menschen 'n ganz guter Datensatz, aber eine Maschine, die weist sich da die Szene aus. Und das ist halt immer so, dass beide. Plus noch mal die Business Seite quasi. Was wollen die Stakeholder? Wollen die unbedingt Machine Learning oder wollen die eine Lösung fürs Problem haben?

Speaker2: Okay. Und in deiner deiner Bubble, in der Du unterwegs bist, wie sehr ist es da so, dass jetzt vom Anforderer von, ich denk jetzt vor allem ans Management, von der Seite her, der ganz klare Wunsch kommt oder die Anzeige kommt. Leute, das Projekt, das muss sich wirklich am Ende auch im Sinne der Investition lohnen, monetär versus man räumt der ganzen Thematik noch so ein bisschen Narrenfreiheit und ja Spielraum im Sinne von jetzt probieren wir mal was aus ein. Diejenigen,

Speaker3: die sich lohnen müssen, tatsächlich auch mit 'nem müssen, sind eher weniger fokussiert dann auf Machine Learning, sondern die haben eine gesamte Applikation, sei es jetzt Website App, irgendwie eine Toolintegration, Datenintegration, was auch immer im Fokus. Und da ist Machine Learning tatsächlich so nebensächlich, da ist es eigentlich wirklich, ich sag mal, klassische Softwareentwicklung, die da hinkommt. Okay. Damit aber auch besser planbar, ne? Genau, genau, genau. Das ist halt eben der Punkt. Beziehungsweise Machine Learning kann auch hinterher einfach nur eingebaut werden. Sone Fälle gibt's auch quasi. Es gibt eine fertige Lösung und dann hat man in dieser fertigen Lösung wiederum die Narrenfreiheit zu sagen, hey, guck mal her, wir haben den Ansatz, der funktioniert super, können wir den noch besser machen?

Speaker2: Allright. Cool. Okay. Und dann, wenn ich's richtig verstanden habe, ist es aber vor allem, weil Du ja gesagt hast in deiner Rolle auch im im Business Development, ist es aber ein Dialog, oder? Das heißt, eben wenn ichs richtig verstanden hab, kommt jetzt nicht der Kunde und sagt so, hey, das wird jetzt gemacht und sag dafür bitte, dass es klappt. Im Idealfall nicht. Im Idealfall nicht.

Speaker3: Nein, es es es kann manchmal passieren, wenn halt strategische Initiativen gestaltet werden von, ja, auch von Personen, die noch nicht so viel Einblick haben in diese ganzen Datenthematik und die eher so Buzzwordgetrieben wirklich einfach nur irgend irgendwas innovatives haben möchten. Es ist nicht unbedingt zielführend, aber es ist halt innovativ. Aber meistens ist es tatsächlich, wie Du's sagst, 'n Dialog, wo man halt auch versucht, so die Erwartungshaltung abzuklopfen und im Gegenzug dazu halt einfach auch technische Möglichkeiten aufzuzeigen. Ja,

Speaker2: ja, ja. Ja, so muss es ja am Ende auch laufen, oder? Ja. Ich denke, dass vielleicht auch an die eher jüngeren Zuhörer dieser Folge, sich nicht allzu sehr auch vom Kunden dann dann das vorschreiben zu lassen. Wenn man eigentlich eigentlich schon weiß, so Moment, ich hab da red flaggs, das kann eigentlich gar nicht funktionieren. Ja, cool und letztlich genau, das wollte ich auch noch ansprechen, das ist ja auch so ein Stakeholder Management Thema. Du hast vorhin beschrieben, ihr wart zu zu den größten Zeiten an 7 Leute in dem Team, die diese Recommender Engine gebaut haben. Gab's da aus deiner Sicht sowas wie 'n Hidden Champion ohne ohne den oder die oder ohne die Rolle, ja, das ganze so nicht funktioniert hätte, vor allem auch diese Koordination. Oder sticht da eigentlich jetzt keiner großartig heraus? Es hängt sich nicht an 1 Rolle auf. Wie wie war das bei euch?

Speaker3: Wir hatten jemanden, den würde ich liebevoll die Mutti nennen, weil sie sich tatsächlich Good feel Manager, so. Das ist viel schönere Begriff. Das war halt einfach ein Mensch, der sehr gut Der hat einfach extrem viel Empathie gehabt. Und der konnte halt einfach auch über Distanz, über Calls und ähnliches erkennen, wo jetzt gerade so in 'nem Gespräch, in 'ner Teamkonstellation, ja, ich sag mal, Fallen liegen und diese dann auch erfolgreich umschiffen, beziehungsweise auch diese ganze Kommunikation, die es zwischen verschiedenen Erfahrungs- und Knowledge Leveln gibt, auf auf eine Seite bringen. Und das war, glaube ich, extrem wertvoll.

Speaker2: Moment, aber das heißt, dass dass diese Feel Good Managerin oder was was eine Frau oder? Ja. Dass die ja in allen Themen aber auch Ahnung hatte. Zumindest 'n bisschen, oder? Die Probleme nachvollziehen zu können.

Speaker3: Ich glaub, man muss gar nicht so sehr die Ahnung haben, sondern einfach wirklich verstehen, es gibt 'n Problem, was dieser Person gerade am Herzen liegt und halt einfach aus der Erfahrungswelt das irgendwie auch versuchen zu abstradrehen. Also sie musste beispielsweise nicht programmieren und auch nicht wirklich wissen, ob der Machine Learning Algorithmus jetzt diesen oder jeden Parameter braucht, aber halt einfach nur das Verständnis, hier ist 'n Problem, was jetzt gewisse Ressourcen und gewisse Zeit braucht

Speaker2: und das lässt sich halt mit diesem anderen Problem nicht vereinbaren. Son Verständnis war notwendig. Okay. Ja, mir mir geht's nämlich folgende Frage. Es gibt ja die Rolle des Business Translators oder des Data Science, des Data Science Translators. Und zwar quasi so so so definiert, jemand in dieser Rolle übersetzt ein Business Problem in einen Data Science Problem, sodass dann Data Scientists das Data Science Problem lösen können und die Translator Rolle führt das technische Ergebnis dann wiederum zurück in die Businesswelt und baut quasi die Brücke zwischen, ja, Anforderer, Management- und -umain Experte auf der einen Seite und technische Implementierung auf der anderen Seite. Und da ist aber in der klassischen Definition ja, das ist natürlich sehr Kommunikations- und Managementgetrieben, aber da steckt ja auch eine tiefe Komponente drin, eben ein Businessproblem als technisches Problem formulieren zu können. Auf der anderen Seite, das was Du beschreibst, ist deutlich, deutlich mehr auf der empathischen Ebene als jetzt auf dieser konkret technischen Ebene. Und das finde ich gerade sehr spannend, weil wenn ich jetzt mich ja hineinversetze, ich bin jetzt Zuhörer, überleg mir oder ich Teamleiter und überlege jetzt, wie baue ich jetzt für ein kommendes Projekt mein Team zusammen? Welche welche Rollen muss ich da mit im Boot haben oder abgedeckt haben, damit das Ganze dann wirklich so gut läuft wie euer euer Leuchtturmprojekt? Wer jetzt, wenn ich's richtig verstanden habe, dein dein Erfahrungsschatz, der okay eher empathische Fähigkeiten als jetzt noch mal diese klassisch krasse und klassische technische Translator Rolle zu haben. Oder als wenn man sich für 1 entscheiden müsste, dann eher die Empathie.

Speaker3: Ja, im Endeffekt ist es nämlich alles Verhandlungssache. Die Ziele, die selbst wenn sie vertraglich irgendwo festgelegt sind bei einem Projekt, sind immer noch von Menschen abhängig. Und Menschen kann man überzeugen. Und daher bin ich der vollkommenen Ansicht, dass ja diese sympathische Seite definitiv schwerer wiegt als die rein technische.

Speaker2: Ah, sehr cool, sehr cool. Was mich wieder bekräftigt, aber da ist man so ein bisschen auf auf auf Unicorn Jagd. Wir achten bei unseren Data Sciences halt immer auch drauf, dass die eine gute soziale Kompetenz und und eben Empathiefähigkeit auch mitbringen. Das ist ganz, ganz wichtig. Cool, okay. Und jetzt sind wir allgemein gedacht, rückblickend auf deine gesamte Projekterfahrung. Mal angenommen, Projekt, Du bist mittendrin, ja? Die Vorüberprüfungen waren alle gut, ja. Also man hat gecheckt, gibt's überhaupt Daten, erster Blick drauf, die sehen eigentlich in Ordnung aus. Die Übersetzungstabellen haben wir auch. Ja. So, gleichzeitig der Business Case ist so wort specialified. Ja, man man man hat schon mal so die die Randrechnungen durchgeführt und man konnte zumindest nicht abrior beweisen, dass es sich nicht rechnet. Also alles alles schon mal alles schon mal gut. Jetzt steckst Du mitten im Projekt. Gibt's aus deiner Sicht so Showstopper oder Red Flags nennen wir's wie wir wollen, ja, wo wonach Du trotzdem immer auch im laufenden Projekt die Augen offen hältst, nicht den das Scheitern des Projekts irgendwie, ja, möglich werden zu lassen.

Speaker3: Ja, nämlich dass die Business Seite nach diesem initialen Punkt nicht mehr gefragt wird, beziehungsweise die User. Also Du hast gerade geredet, wir haben einen Business Case aufgestellt, aber Ja. Der Business Case muss ja auch immer wieder validiert werden und nachverfolgt werden. Ja. Aber Ja. Der Business Case muss ja auch immer wieder validiert werden und nachverfolgt werden und die Lösung an den Case auch angepasst oder halt umgekehrt. Also diese Abgleich muss immer wieder stattfinden. Ja. Wenn man das halt eben nicht macht, find ich, rast man da ganz schnell auf eine Wand zu und das Projekt landet in der Schublade. Weil technisch cool, aber

Speaker2: will halt keiner. So so so Sachen hab ich leider auch schon erlebt. Das finde ich so total faszinierend und zwar alle sprechen, Du kennst ja bestimmt auch diesen CRISP DM Cycle, oder? Na klar. Ja, ja, ja. Und da ist ja der absolute Startpunkt und der wird dann nicht übersprungen dann beim zweiten Mal, ja, aber ist ja Business Understanding. Mhm. Und was passiert aber in der Realität? Genau, dass die Leute, wenn sie dann erst mal in dem Cycle einmal drin waren, quasi Iteration 2 steigt sofort wieder in die Daten ein. Und bindet die die die Business Stakeholder nicht mehr mit ein. Ja. Hast Du da eine Vermutung, warum warum das so oft passiert oder wie wie geht's ihr damit Ist das bei euch einfach über einen Regeltermin dann meinetwegen so getaktet, dass man dass man sich austauschen muss oder kauft's ihr da andere Mechanismen? Weil weil das ist halt etwas, das in der Realität total oft passiert.

Speaker3: Ja, also Theorie, warum das passiert, ist einen vor die unterschiedlichen Flughöhen mit denen, sage ich mal, Ansprechpartner unterwegs sind. Man hat einmal den Domainexperten vom Kunden beispielsweise oder auch unserer Seite aus. Die sind halt sehr detailreich unterwegs und das ist ja auch ihr Baby, was da gemacht wird. Also man ist dann auch Absolut. Ist ja auch sehr stolz auf seine eigene Arbeit. Und dann hast Du wiederum eine ganz andere Flughöhe, eher so übersichtsmäßig. Und dann muss man halt schauen, dass man diese beiden Personen halt auch aneinanderangleicht. Und ja, man würde regelmäßige Meetings machen, aber regelmäßig bedeutet in diesem Fall nicht unbedingt immer wöchentlich für beide Parteien, sondern zum Beispiel monatlich oder Ähnliches. Daher bin ich zum Beispiel 'n ganz großer Freund von Sprint Demos, wo man die Lösung vorstellen kann, weil man da auch so noch son son Reality Check bekommt, ist die Lösung überhaupt das, was gefragt wurde oder nicht? Und ja, auch generell einfach das Verständnis schaffen für die Business Seite so. Hey, wir machen hier eine Lösung. Ist es das, was ihr haben wollt? Lasst uns mal darüber reden. Mhm. Mhm. Und mal wieder bei den Klick Dummys werden, oder? Genau. Das ist ja auch noch mal sehr wertvoll.

Speaker2: Aha. Aha. Ja, cool. Letztlich ist erfordert natürlich auch Mut, mal mit 'nem Klick Dummy, der nicht perfekt ist, dann noch mal zur Business Seite zu gehen, aber letztlich tut man allen Beteiligten einen Gefallen damit, ja. Mhm. Definitiv. Ja, ja, ja. Sehr cool. Du, Frage zum Abschluss. Und zwar gibt es einen Rat, den Du deinem zwanzigjährigen Ich geben würdest und wenn ja welchen?

Speaker3: Ja definitiv so. 2 Ratschläge glaube ich. Immer open minet bleiben, also quasi offen für Neues sein und Feedback einholen und annehmen. Ich glaub, das kann man sich auf jeden Fall auf die Fahne schreiben.

Speaker2: Das unterschreibe ich auch komplett. Michael, vielen, vielen Dank. Sehr, sehr spannendes Gespräch. Vielen Dank für deine Offenheit und die Einblicke, die Du uns da gegeben hast in die Welt von MHP, deinem Background, das konkrete Projekt. Megaspannend. Ich sag noch mal ganz großes herzliches Dankeschön.

Speaker3: Vielen Dank für das Gespräch. Hat mir echt eine Menge Spaß gemacht.

Speaker2: Dann drücke ich weiter die Daumen und dass erstens deine, die Projekte deiner Kollegen und auch die Projekte aller Compactity Masters so gut laufen wie das, das Du dargestellt hast. In dem Sinne, mach's gut, viel Erfolg, Master die Compactity.

Speaker0: auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen 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 5 →