Prof. Dr. Patrick Glauner – Professor mit Herz für Praxis

- Host (Erium Podcast)Moderator
- Prof. Dr. Patrick GlaunerProfessor für KI an der TH Deggendorf & Gründer von Sky Rocket AI
Überblick
In dieser Folge des Erium Podcasts spricht der Host mit Prof. Dr. Patrick Glauner, Professor für Künstliche Intelligenz an der Technischen Hochschule Deggendorf und Gründer des KI-Beratungsunternehmens Sky Rocket AI. Im Gespräch geht es um seinen beeindruckenden Werdegang, die Bedeutung praxisnaher Lehre, den richtigen Einstieg in den Data-Science-Arbeitsmarkt und die Symbiose zwischen Forschung, Industrie und Hochschullehre.
Über den Gast
Prof. Dr. Patrick Glauner ist mit 30 Jahren Professor für Künstliche Intelligenz an der Technischen Hochschule Deggendorf geworden. Er studierte am Imperial College London (Master of Science in Machine Learning) und promovierte in Computer Science an der Universität Luxemburg, wo er untersuchte, wie Stromdiebstahl in Entwicklungs- und Schwellenländern mithilfe von KI erkannt werden kann. Zuvor arbeitete er drei Jahre am CERN in Genf, u.a. im Bereich Natural Language Processing und Information Retrieval. Im Januar gründete er die Sky Rocket AI GmbH, mit der er Unternehmen bei der Entwicklung und Umsetzung von KI-Use-Cases berät. Er übt die Professur bewusst in Teilzeit aus, um den Praxisbezug zur Industrie zu erhalten.
Zusammenfassung
Professor und Unternehmer zugleich: Bewusste Entscheidung für Teilzeit
Patrick Glauner erklärt, warum er seine Professur von Anfang an in Teilzeit ausübt: An Fachhochschulen ist das Lehrdeputat sehr hoch, und wer dauerhaft nur lehrt, ohne in der Industrie aktiv zu bleiben, läuft Gefahr, fachlich abgehängt zu werden. Da sich KI in wenigen Jahren fundamental verändert, wollte er sicherstellen, dass seine Lehre immer nah an der Realität bleibt. Die 50:50-Aufteilung zwischen Hochschule und dem eigenen Beratungsunternehmen Sky Rocket AI ermöglicht ihm genau das.
Sein Beratungsunternehmen hilft Firmen dabei, KI-Projekte nicht nur als Prototypen zu entwickeln, sondern tatsächlich in den Produktivbetrieb zu bringen. Denn in der Praxis scheitern laut Glauner fast alle KI-Prototypen, weil Organisationsstrukturen angepasst und das Management für das Thema sensibilisiert werden müssen.
Vom Master am Imperial College zur Industriepromotion: Was wirklich vorbereitet
Der Master am Imperial College vermittelte Glauner ein breites und tiefes theoretisches Fundament in Machine Learning. Allerdings kritisiert er, dass die dortigen Professoren kaum Industrieerfahrung hatten und die Lehre dadurch sehr abstrakt blieb.
Weit prägender war für ihn die Promotion an der Universität Luxemburg, die in enger Zusammenarbeit mit einem Industrieunternehmen durchgeführt wurde. Auf Basis realer Daten aus Brasilien erarbeitete er Methoden zur Erkennung von Stromdiebstahl. Das Partnerunternehmen gab dabei regelmäßig Feedback aus der Praxisperspektive, was ihn zwang, wissenschaftlichen Anspruch mit industrieller Verwertbarkeit zu verbinden. Genau diese Erfahrung sieht er als entscheidend für seine spätere Beratungstätigkeit.
Prägende Station: Drei Jahre am CERN
Gegen Ende seines Bachelorstudiums wechselte Glauner ans CERN in Genf, wo er zunächst seine Bachelorarbeit verfasste und anschließend als Festangestellter übernommen wurde. Dort arbeitete er an Dokumentenmanagementsystemen mit Schwerpunkten auf Natural Language Processing, Suchmaschinen und Information Retrieval. Die Möglichkeit, mit hochqualifizierten Expertinnen und Experten aus aller Welt zusammenzuarbeiten, bezeichnet er als fachlich sehr wertvoll.
Den richtigen Job im Data-Science-Markt finden: Kritisch hinschauen
Glauner warnt davor, sich von Jobtiteln blenden zu lassen: Nicht überall, wo 'Data Scientist' draufsteht, wird auch echte Data Science betrieben. In manchen Fällen laufe der Job auf simple Excel-Arbeit hinaus. Er empfiehlt, im Bewerbungsgespräch kritische Fragen zu stellen, sich das Team auf LinkedIn anzuschauen und zu prüfen, ob die beschriebenen Kompetenzen der potenziellen Kolleginnen und Kollegen mit dem übereinstimmen, was im Interview versprochen wurde.
Wie gute KI-Lehre aussehen sollte: Praxis, Dialog und echte Daten
Glauner gestaltet seine Lehrveranstaltungen so, dass die Hälfte der Zeit auf interaktive Vorlesungen entfällt, die er als Dialoge auf Augenhöhe versteht, und die andere Hälfte auf Rechnerübungen mit realen Daten und modernen Tools wie aktuellen Bibliotheken und Cloud-Services (z.B. AWS oder Microsoft Azure).
Er kritisiert, dass in der akademischen Ausbildung häufig mit künstlichen, zu sauberen Datensätzen gearbeitet wird, die wenig mit der Realität gemein haben. Mittelfristig plant er, in seinen Lehrveranstaltungen direkt mit Unternehmen zusammenzuarbeiten, damit Studierende echte Probleme bearbeiten. Außerdem betont er die Notwendigkeit, Cloud-Kompetenzen in die Ausbildung zu integrieren, da diese in der Praxis unerlässlich sind.
Buchprojekt: 'Innovative Technologies for Market Leadership'
Neben Professur und Beratung hat Glauner ein Buch als Herausgeber fertiggestellt, das im Springer-Verlag erscheint. Das Werk mit dem Untertitel 'Investing in the Future' umfasst 19 Kapitel und rund 320 Seiten. Es behandelt ein breites Spektrum an Zukunftstechnologien von KI über Quantencomputing bis hin zu Innovationsprozessen und vereint Beiträge namhafter Autorinnen und Autoren, darunter den CTO einer Microsoft-Landesgesellschaft.
Kernaussagen
- Eine Professur in Teilzeit auszuüben und parallel in der Industrie aktiv zu bleiben, sichert die Praxisrelevanz der Lehre in einem sich schnell wandelnden Feld wie KI.
- Eine Industriepromotion mit realen Daten und echtem Unternehmenspartner war laut Glauner wertvoller für die spätere Beratungstätigkeit als der theoretische Master.
- In der Praxis scheitern fast alle KI-Prototypen: Unternehmen brauchen Beratung, um Organisationsstrukturen anzupassen und KI in den Produktivbetrieb zu bringen.
- Bei der Jobsuche im Data-Science-Bereich sollte man Stellenbeschreibungen kritisch hinterfragen und potenzielle Kollegen und Vorgesetzte aktiv recherchieren.
- Gute KI-Lehre setzt auf dialogorientierte Vorlesungen, Rechnerübungen mit realen Daten, moderne Tools und Cloud-Services statt auf künstliche Lehrbuchdatensätze.
- Cloud-Kompetenzen (AWS, Microsoft Azure etc.) sind in der Praxis unverzichtbar und müssen stärker in die Hochschulausbildung integriert werden.
Fazit
Prof. Dr. Patrick Glauner zeigt, wie der Spagat zwischen Wissenschaft und Industrie gelingt und warum dieser Brückenschlag für eine zukunftsfähige KI-Ausbildung entscheidend ist. Sein Werdegang vom CERN über eine Industriepromotion bis zur Professur mit eigenem Beratungsunternehmen macht deutlich: Praxisnähe ist keine Schwäche akademischer Laufbahnen, sondern eine ihrer größten Stärken.
Für Studierende und Young Professionals
Wer einen Job im Data-Science-Bereich sucht, sollte Jobangebote kritisch prüfen und nicht nur auf den Titel schauen. Praktische Erfahrungen, etwa durch eine Industriepromotion oder Nebenprojekte, bereiten weit besser auf die Berufspraxis vor als rein theoretische Studienleistungen.
Für Lehrende und Hochschulen
KI-Lehre sollte konsequent auf reale Daten, aktuelle Tools und Cloud-Services setzen sowie Unternehmenskooperationen in den Lehrplan integrieren, um Absolventinnen und Absolventen optimal auf den Arbeitsmarkt vorzubereiten.
Für Unternehmen und Führungskräfte
KI-Projekte scheitern selten an der Technologie, sondern an fehlenden Organisationsanpassungen und mangelndem Management-Verständnis. Externe Beratung kann helfen, den Weg vom Prototyp in den echten Betrieb zu meistern.
Volltranskript anzeigen
Speaker0: Ihr hört die IRIUM Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute habe ich den Gründer von Sky Rocket a I und Professor für künstliche Intelligenz, Doktor Patrick Clowner, zu Gast. Auf was sollte man während seinem Studium achten, danach gut in die Arbeitswelt zu kommen? Wie muss Lehre im Bereich verschiedenen Ländern gestaltet werden? Und warum war seine Promotion viel sinnvoller für seine Beratungstätigkeit als sein Master? All das erzählt er uns jetzt. Am Imperial College in am Imperial College in London, dann Ph d in Computer Science an der University of Luxemburg, wo er untersucht hat, wie Elektrizitätsdiebstahl in Entwicklungs- und Schwellenländern mit KI bekämpft werden kann, seit Januar oder besagt im Januar die Firma Sky Rocket r I gegründet, in der Unternehmen geholfen wird, mit KI aufzurüsten und seit Februar Professor für künstliche Intelligenz an der Technischen Hochschule in Deggendorf und das mit 30 Jahren. Das sind nur ein paar Meilensterne. Ich hab sicherlich einiges vergessen. Es gibt viel über Sie zu erzählen. Freut mich sehr, dass Sie da sind, Professor Doktor Patrick Launer. Ja, hallo. Toll, dass Sie da sind.
Speaker2: Wie geht's Ihnen? Ja, mir geht's bestens. Zurzeit ist ja die Coronapandemie und die zwingt uns natürlich, im Homeoffice zu arbeiten, da waren dann die Pendelzeiten weg. Das ist aus dem Gesichtspunkt gar nicht so schlecht momentan.
Speaker1: Genau. Ist tatsächlich für mich auch relevant. Normalerweise, nach Erium rauszufahren, fahr ich immer nach Garching von der München von der Stadtmitte aus München und da sparten Sie sich dann doch einiges an Zeit. Da haben Sie völlig recht. Genau, dann möchte ich Sie direkt mal fragen, wie sah denn Ihr Tag bis jetzt aus? Ich bin heute sehr damit beschäftigt,
Speaker2: noch Unterlagen für meinen Kurs zu erstellen. Ich unterrüght dieses Semester 3 Kurse. Für 2 Kurse hab ich die Unterlagen schon komplett erstellt und für den dritten Kurs Algorithmen und Datenstrukturen, da bin ich jetzt noch dran, die Folien fertigzustellen.
Speaker1: Haben Sie da ein gewisses Ziel im Sinne? Denn ich ich kann mir gut vorstellen, dass es manche Kurse gibt, die auch auf eine gewisse Branche abzielen. Also jetzt zum Beispiel gibt es sicherlich gewisse Vorlesungen im Bereich Data Science und, Science und, die einen dann vielleicht in die Richtung Industrie und oder Industrie und Produktion berichten. Gibt es da eine bestimmte Branche, wo Ihre Kurse drauf abzählen oder ist das sehr, sehr allgemein gehalten?
Speaker2: Die aktuellen Kurse sind sehr allgemein gehalten, branchenübergreifend. Für mich ist es immer wichtig, auch in den Grundlagenvorlesungen immer die den Bezug zur Realität reinzubringen, also dass man da nicht irgendwelche Luftschlösser baut, sondern zeigt, das wird in der Praxis so funktionieren, das wird anders funktionieren, vielleicht auch anders, als es in den Büchern steht. Nichtsdestotrotz möchte ich auch mittelfristig industriespezifische Kurse anbieten, beispielsweise zum Maschinenbau, da ich ja in der Vergangenheit auch im Maschinenbau und der KI tätig war.
Speaker1: Mhm. Also tatsächlich auch was zum Anfassen und quasi nicht nur trockene Theorie, sondern auch, hey, wir sehen, wo wird das angewendet. Ist das für Sie die Freiheit, die Sie sich rausnehmen können? Also das würde mich vielleicht auch interessieren tatsächlich, wie es so ist als Professor.
Speaker2: Ist man da an gewisse, sage ich mal, Lehrpläne gebunden wie jetzt in der Schule oder wie viel Freiheit haben Sie denn da bei der Gestaltung Ihrer Kurse? Man hat sehr viele Freiheiten. Man ist als Professor zwar im öffentlichen Dienst tätig, hat aber ein Dienstrecht eigener Art und das heißt, man hat in dem Sinn keinen Vorgesetzten, sondern man muss natürlich immer schauen, wer unterrichtet welche Kurse. Das ist in der Regel was, was man kollegial festlegt mit den anderen Professoren. Aber wenn man jetzt eine Vorlesung bekommt, die heißt beispielsweise maschinelles Lernen oder Programmierung, dann ist es einem relativ überlassen, was man da eigentlich genau unterrichtet. Natürlich muss man sich mit den Kollegen abstimmen, dass man nicht das Gleiche unterrichtet, vielleicht wie in Kursen davor, sondern dass man da natürlich Kurse baut, die sinnvoll aufeinander aufbauen. Nichtsdestotrotz hat man da sehr, sehr viele Freiheiten.
Speaker1: Das heißt, unter Absprache mit den Kollegen kann man da sehr viele Freiheiten haben. Speziell, ich mein, wenn man jetzt einen Kurs hat, der maschinelles Lernen heißt, das Feld ist ja relativ groß, sag ich jetzt mal. Wer die 1. Staffel gehört hat vom welche Richtungen man da einschlagen kann. Und aber ja, das ist doch tatsächlich ein sehr gutes Ding bei dem Beruf. Haben Sie denn noch irgendwas, wo Sie sagen würden, ah, Professor, da gibt's einen Punkt an dem Beruf, wo ich sag, müsste nicht unbedingt sein, ist etwas nervig.
Speaker2: Bisher noch nicht. Nichtsdestotrotz ist hat man natürlich an soner Hochschule auch immer viele Prozesse, viele Verwaltungsschritte und so weiter, die teilweise auch sehr viel Zeit rauben. Und da ist es für mich auch wichtig, dass wir in der Hochschule in den nächsten Jahren auch intern uns viel mehr digitalisieren. Wir haben zum Beispiel alle möglichen Studiengänge in unserer Fakultät. In jeder in jedem Studiengang haben wir andere Studien- und Prüfungsordnungen. Wir haben unterschiedliche Prozesse und da müssen wir natürlich harmonisieren. Und wenn wir dann noch mit IT viele dieser Prozesse noch weiter automatisieren können, dann können wir da auf jeden Fall sehr viel Zeit sparen.
Speaker1: Jetzt haben Sie ja nebenbei noch im Januar auch Sky Rocket AI gegründet, wo eben Firmen dabei beraten werden sollen beraten werden sollen, AI Use Cases zu entwickeln oder generell für die kommende, den kommenden starken technologischen Wandel sich gut aufzurüsten. Wie viel Zeit nimmt das denn ein? Also sagen Sie, sind Sie 80 Prozent der Zeit Professor und restlichen 20 bei Sky Rocket AI oder wie verteilt sich das genau?
Speaker2: Das teilt sich so 50 50 auf, da ich die Professur in Teilzeit ausübe. Mhm. Für mich war hat war das natürlich eine große Chance, mit 30 Jahren Professor zu werden. Aber ich hab mir dann auch gesagt, gut, wenn man mal Professor ist, dann macht man das eigentlich bis mal zur Pension, also die nächsten 40 Jahre, 40 Jahre plus. Und die KI verändert sich aber so gewaltig innerhalb weniger Jahre. Und wenn man dann natürlich als Professor ein sehr hohes Lehrdebutat hat, was ja an den Fachhochschulen der Fall ist, dann wird man da fachlich ganz schnell abgehängt und unterrichtet dann vielleicht die nächsten 35 Jahre lauter Dinge, die wenig mit der Realität zu tun haben. Und deshalb hab ich mir gesagt für den Anfang, ich möcht die Stelle in Teilzeit ausüben und hab dann parallel noch Zeit für andere Themen, wie beispielsweise für mein Beratungsunternehmen die Sky Rocket AI GmbH, da weiterhin viel in der Industrie zu sein, zu sehen, was in der Industrie passiert. Und davon profitiert natürlich auch die Lehre an der Hochschule sehr stark, weil man die realen Anforderungen aus der Industrie mitbringt. Man sieht, was verändert sich jede Woche in der Industrie und hat natürlich auch weiterhin sehr gute Kontakte, wovon am Ende auch die Hochschule und die Studierenden profitieren können.
Speaker1: Also auch im Sinne der Lehre weiterhin in der Industrie bleiben und so auch dafür sorgen, dass der Unterricht und die Lehre, die Sie geben, sehr weit weiterhin zum Anfassen sind und so besser greifen bei den Studenten.
Speaker2: Exakt.
Speaker1: Dann kurz zu Sky Rocket AI. Warum haben Sie sich denn, gibt's noch einen anderen Grund, warum Sie sich dafür entschieden haben, die GMBH zu gründen, außer dass Sie die, die Sie, sag ich mal, Symbiose zwischen Lehre und weiterhin in Industrie bleiben hatten? Oder ist es einfach auch Ihre Leidenschaft? Ist auch meine Leidenschaft.
Speaker2: Mir macht Beratung sehr viel Spaß und ich glaub, dass wir in Deutschland oder generell in Europa momentan nur eigentlich an den Möglichkeiten kratzen. Da geht noch viel, viel mehr. Man sieht zwar immer dann im Internet und in irgendwelchen Papern tolle KI oder Prototypen, aber wir müssen halt auch sagen, in der Realität scheitern fast alle dieser Dinge. Und ganz nur eigentlich ganz wenige dieser oder Prototypen oder was auch immer schaffen es mal in den Produktivbetrieb. Und das hat natürlich auch damit zu tun, dass man Organisationsstrukturen anpassen muss. Das Management muss 'n Verständnis für solche Themen entwickeln. Und dabei begleite ich Unternehmen durch meine Beratungstätigkeiten.
Speaker1: Mhm. Auf jeden Fall eine wichtige Tätigkeit, ist auch eine Sache, die wir bei Ihrem immer ganz oft ansprechen, die interdisziplinäre Kommunikation, ne. Die Technologien, die Machine Learning und AI generell mit sich bringen, die sind mannigfaltig anwendbar, ja. Das gibt's von Produktion in der Industrie bis hin zu Medizin. Und die Leute, die Medizin studiert haben oder sag ich mal Ingenieur wurden, die haben jetzt nicht direkt 'n abgeschlossenes Data Science Studium. Und da braucht es Leute, die beraten und die Kommunikation fördern, auch in den Teams, ne. Also es kann sein, dass plötzlich jemand, der Ingenieur ist, zusammenarbeitet mit 'nem Data Scientist. Und da muss dann eben diese interdisziplinäre Kommunikation gestärkt werden. Also auf jeden Fall eine Supersache, die Sie da mit Sky Rocket AI machen. Jetzt kurz, ich hatte es am Anfang kurz angerissen. Sie haben einen auch sehr beeindruckenden Studienverlauf. Sie haben einen Master of Science in Machine Learning vom und Ihren PhD gemacht mit einem sehr interessanten Thema. Ich kann's gerne noch mal wiederholen, Elektrizitätsdiebstahl in Entwicklungs- und Schwellenländern mit KI bekämpfen. Das ist jetzt nicht der genaue Titel, aber das war auch 1 der Themen, soweit ich weiß. Was würden Sie denn sagen, hat Sie in Ihrem Studium jetzt abgesehen von dem Fachlichen vielleicht gut auf ihre jetzige Tätigkeit vorbereitet, ja? Also speziell im Bezug auf Sky Rocket AI und die Beratung, ja? Denn ich kann mir gut vorstellen, dass speziell auch im Mars und eben in dem PhD viel Theorie auch dabei war. Aber was würden Sie denn jetzt sagen, in Bezug auf Sky Rocket AI hat Sie während dem Studium besonders gut vorbereitet auf das, was Sie jetzt tun? Ja, also ich hatte den Master, wie Sie's gesagt haben, am gemacht.
Speaker2: Die hatten damals schon, also 20 14, 20 15, einen kompletten Masterstudiengang in Machine Learning angeboten. Das fand ich eigentlich sehr sinnvoll, da ein sehr breites und tiefes Wissen zu akquirieren. Nichtsdestotrotz war das Ganze sehr, sehr theoretisch. Das Imperial College ist zwar eine der Topunis in England, aber die Profitoren waren meistens nie in der Industrie. Also da werden natürlich auch viele Luftschlösser gebaut und eigentlich wenig von dem, was man da am Ende dann sieht, funktioniert genauso in der Praxis. Nichtsdestotrotz war der Master sehr sinnvoll, grade 'n breites und tiefes Wissen zu bekommen. Besonders sinnvoll war aber meine Promotion. Wie Sie erwähnt haben, ja, es ging darum, Stromdiebstahl in Entwicklungs- und schweren Ländern zu erkennen mithilfe von KI. Und dieses Projekt ist in Zusammenarbeit mit einem Industrieunternehmen erfolgt. Ein Industrieunternehmen, das baut Software im Bereich SmartCrit und unterstützt Stromanbieter mit Analysen. Und somit hatten wir ein reales Problem für mein Promotionsprojekt, also diesen Diebstahl zu erkennen. Wir hatten reale Daten bekommen aus Brasilien und konnten auf realen Daten arbeiten und dann hat man mal Ergebnisse erzielt, die waren vielleicht aus wissenschaftlicher Sicht interessant, aber da hat dann das Partnerunternehmen gesagt, ja, aber das wird so nicht funktionieren in der Praxis, weil Und dann konnte man natürlich das weiter verfeinern und das war eigentlich sehr spannend, weil man musste natürlich 'n wissenschaftlichen Beitrag liefern, aber das Ganze auch so am Ende umsetzen, dass es einen Mehrwert in der Industrie schaffen kann. Und aus dem Gesichtspunkt war die Promotion sehr, sehr hilfreich.
Speaker1: Also und auch die intensive Zusammenarbeit mit einem mit 1 Firma aus der Industrie, die da eben auch noch mal anderen Input gibt während der Arbeit, die man da verrichtet, hat sie da auf jeden Fall weitergebracht. Sehr interessant. Was würden Sie denn sagen, war bei Ihnen das außergewöhnlichste Ereignis in Ihrem universitären oder auch beruflichen Werdegang, was Sie besonders geprägt hat? Oder wo Sie sagen, da habe ich eine Lehre draus gezogen, die ich heute immer noch für mich wahrnehme
Speaker2: und mich daran halte? Ich hatte 3 Jahre lang am CERN gearbeitet. Also das CERN ist ja die europäische Organisation für Kernforschung mit Sitz in Genf in der Schweiz. Ich bin damals Ende meines Bachelorstudiums ans CERN gewechselt, hatte dann da erst mal meine Bachelorthesis gemacht und wurde dann auch gleich im Anschluss danach übernommen als Festangestellter und hatte mich da sehr viel mit der Entwicklung von Dokumentenmanagementsystemen beschäftigt, mit auch 'nem starken Fokus auf Natural Language Processing, auf Suchmaschinen, auf Information Retrieval und solche Themen. Das war sehr, sehr spannend aus technologischer Sicht und natürlich die Möglichkeit, an 'ner Institution mit dem CERN mitarbeiten zu können, das ist schon sehr gewaltig.
Speaker1: Mhm. Was würden Sie denn sagen, war denn da so der Spirit, ne? Also man man kennt's, also CERN ist vielen Leuten ein Begriff. Würden Sie denn sagen, der die der die Atmosphäre, die dort herrscht, hat Ihre Ihre Arbeit da sehr gut auch befruchtet und auch sehr motiviert und angetrieben und oder und wo Sie auch heute noch was draus zerren vielleicht sogar? Ja, man hatte da natürlich die Chance, mit sehr, sehr talentierten
Speaker2: und sehr ausgewiesenen Experten zusammenzuarbeiten. Ich hatte da fachlich einiges mitgenommen und rückblickend war das eine sehr interessante Zeit.
Speaker1: Mhm. Dann vielleicht jetzt noch zum Schluss ein paar weitergehende Fragen. Was würden Sie denn sagen, Sie als Professor, macht es denn schwierig für viele junge Menschen, den richtigen Job im Bereich Data Science zu finden, ja? Also ich hatte vorhin schon mal kurz vor dem Gespräch angesprochen, einen Job im Bereich Data Science zu finden ist, natürlich muss man die gewisse Ausbildung dafür haben, ja, aber an sich ist da auch viel Nachfrage. Aber es gibt, wie gesagt, mannigfaltige Möglichkeiten. Wir hatten das auch schon oft angesprochen in vorherigen Folgen. Wie findet man denn da den richtigen Job?
Speaker2: Ja, also nicht alles, wo Data Science draufsteht, ist dann Data Science. Das ist so mein Eindruck. Es gibt dann natürlich viele Unternehmen, die sagen, ja, wir suchen 'n Data Scientist und am Ende darf der in Excel irgendwie werde manipulieren und bisschen was hin- und herschieben. Das ist dann natürlich nicht das, was man sich da drunter vorgestellt hat. Also man sollte da schon sehr genau hinschauen. Natürlich im Interview sollte man auch kritische Fragen stellen, auch vielleicht wer ist dann eigentlich mein Vorgesetzter? Wer wer wären die potenziellen Kollegen? Da hilft natürlich auch mal auf LinkedIn zu schauen, wer sind diese Leute? Was tun die? Welche Kompetenzen haben die? Und ist das ungefähr das, was mir auch versprochen wurde oder erzählt wurde im Interview? Also man sollte das auf jeden Fall schon sehr kritisch sehen, weil in vielen Fällen heißt es zwar Data Science, aber
Speaker1: es hat nur wenig mit Data Science zu tun. Also auch als als kleine Referenz auf eine vorherige Folge, die wir mal hatten zu Bewerbungen bei zum Beispiel einem Start-up. Gutes Kriterium ist immer, schaut euch an, wie läuft der Bewerbungsprozess ab bei 1 Firma, ja? Also wenn man schnell schnell genommen wird, dann ist es entweder ein Zeichen dafür, dass man besonders herausragend und besonders gut ist oder sie suchen händeringend nach jemandem und dann sollte man eher vorsichtig sein, ja. Wenn man jetzt, wenn aber allerdings Leute aus dem Team auch in den Bewerbungsprozess mit reinintegriert werden und gefragt werden, hey, was hält man von der Person, dann heißt das, dass viel Wert auf gute Projektarbeit im Team gelegt wird, was dann auch eben das Arbeits die Arbeitsatmosphäre gut, ja, beeinflusst. Exakt. Genau. Dann jetzt zum Abschluss vielleicht noch eine Frage zur Lehre. Wie finden Sie denn speziell im Bereich AI und Machine Learning, sollte denn die Lehre gestaltet werden, ja? Da können Sie vielleicht auch einen kleinen, eine kleine Bitte an an andere Professoren in dem Bereich oder auch eben den Bereich Statistik geben. Wie sollte man denn da im Hinblick auf den digitalen Wandel auch die Lehre gestalten? Vielleicht kleine kleiner Schwank wieder aus aus der, meine Vorlesung an der LMU, ich studier Mathematik momentan im Master und während dem Bachelor hat man da nicht wirklich viel mit Programmieren zu tun. Natürlich ist es immer noch 'n Mathematikstudium, das ist in gewisser Weise gerechtfertigt, aber weil mittlerweile die Berufsaussichten für Mathematiker auch viel einfach in die Richtung Software gehen und auch manche viele in in die Richtung Data Science und Machine Learning da sich bewegen. Wie finden Sie, sollte man denn da die Lehre gestalten? Weil am Ende wird nicht jeder Professor, was ja auffällig in Ordnung ist und nicht jeder bleibt dann quasi nur in der Theorie. Was würden Sie sagen, wie sollte man die Lehre gestalten? Ja, also ich gestalte meine Vorlesungen
Speaker2: oder meine Lehrveranstaltungen dahingehend, dass wir 50 Prozent der Zeit Vorlesungen haben, aber das sind dann keine Monologe, sondern Vorlesungen sind für mich Dialoge, in denen sich der Lehrende und die Studierenden auf Augenhöhe begegnen. Also dass man viel auch Diskussionen hat und nicht nur vorne was runterrattert, sondern auch immer natürlich die Wahl hin- und herspielt, dass man viel diskutiert. Das ist mir sehr wichtig und in der zweiten Hälfte der Lehrveranstaltungen Rechnerübungen durchführt, wo man auch wirklich auf Daten arbeitet, Dinge ausprobiert, moderne Tools einsetzt, moderne Bibliotheken und nicht irgendwelche Dinge von vor 20 Jahren. Und dann ist es für mich auch wichtig, dass wir reale Daten nutzen. Es gibt unendlich viele Beispiele im Internet, wo dann mit Amnest oder mit irgend 'nem anderen akademischen Datensatz gearbeitet wird. Das ist zwar schön und gut, aber das hat wenig mit der Realität zu tun. Und deshalb ist es für mich auch wichtig, dass man sich reale Daten anschaut, vielleicht beispielsweise von Kaggle oder es gibt ja so viele Möglichkeiten, wo man heutzutage Datensätze findet. Was genau mittelfristig in meinen Veranstaltungen machen möchte, ist konkret auch in diesen Praxisteilen in den Lehrveranstaltungen mit Unternehmen zusammenzuarbeiten, dass da einfach die Studenten reale Probleme sehen und reale Probleme bearbeiten. Das ist für mich sehr, sehr wichtig. Was auch wichtig ist, dass wir natürlich Cloud Services nutzen. Es gibt heut noch so viele, auch Informatikabsolventen, die eigentlich keine oder nur ganz wenige Berührpunkte mit Cloud Services hatten. Und in der Praxis werden die natürlich benötigt, dass man beispielsweise mit AWS umgehen kann, dass man mit der Microsoft Cloud, was auch immer umgehen kann. Und das ist für mich auch wichtig, dass man das mit in die Lehre integriert.
Speaker1: Aus Ihrem Werdegang lässt sich schon schließen, dass da Sie ja noch viele andere Talente besitzen und auch viele andere Leidenschaften, gibt es denn noch andere Sachen neben Ihrer Tätigkeit als Professor und Ihrer Arbeit bei Sky Ragle der AI, die Sie noch nebenbei
Speaker2: haben? Ja, ich hab ganz frisch jetzt ein Buch fertiggestellt. Das wird in den nächsten Wochen erscheinen im Springerverlag. Das Buch heißt innovative Technologies for Market Leadership mit dem Untertitel Investing in the Future. Dieses Buch habe ich zusammen mit einem anderen Professor als Herausgeber aufgesetzt. Wir haben einen Teil der Kapitel beigesteuert, aber wir haben auch andere Kapitelautoren gewinnen können. In dem Buch geht's allgemein Innovation und Technologien, beispielsweise KI, sagen wir KI für die Stromversorgung, k KI Maschinenbau, KI in der Medizintechnik. Das Buch geht aber noch viel, viel breiter. Das geht auch in Biologie rein, das geht in Quantencomputing rein, das geht in Innovationsprozesse rein und wir konnten da sehr hochkarätige Autoren gewinnen, beispielsweise den CTO, 1 Microsoft Landesgesellschaft und viele weitere sehr namhafte Autoren und haben dieses Buch zusammengestellt. Es hat 19 Kapitel, circa 320 Seiten und wird jetzt in den nächsten Wochen in Druck gehen und bei Springer erscheinen.
Speaker1: Das klingt fantastisch. Wir werden sicherlich einen Link dann in die Beschreibung von unserem Podcast packen zu eben diesem Buch. Und wie gesagt, dann sag ich noch mal vielen Dank an Patrick Clauner. Toll, dass Sie dabei waren. Vielen Dank. Das war mein Interview mit Patrick Clauner. Seine akademischen Leistungen und die Tatsache, dass er so jung Professor geworden ist, sind schon sehr beeindruckend. Spielt ihr auch mit dem Gedanken, Professor zu werden? Und wie sehr versucht ihr bereits, während dem Studium alles in die richtigen Bahnen zu lenken? Was nervt euch so richtig an der Lehre im Bereich Data Science und Machine Was nervt euch so richtig an der Lehre im Bereich Data Science und Machine Learning? Gibt's irgendeinen Professor, der da komplett daneben liegt? Wo gibt's da wirklich noch Handlungsbedarf? Schreibt mir das. Ich freue mich wirklich auf eure Nachrichten. Eine Sache, die oft schiefgeht, ist, dass man künstliche Datensätze bekommt, die einfach viel schöner und sauberer sind, als es eigentlich der Fall ist. Wenn ihr wissen wollt, wie ätzend Daten aus der echten Welt werden können, dann hört doch mal in unsere Folge zu Missing Values aus der ersten Staffel rein. Master wie Komplexity.
Speaker0: Jeden Dienstag erscheint eine neue Folge von the irium 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.