Dr. Markus Köster – Industrial Analytics mit Weidmüller Industrial AutoML

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Dr. Markus KösterGuest, Head of Industrial Analytics R&D at Weidmüller
Overview
In the opening episode of the fifth season, Dr. Theo Steininger talks with Dr. Markus Köster about building an award-winning AutoML software solution for industrial use at Weidmüller. The conversation focuses on how classical engineers without any data science background can create and operate machine learning models on their own, as well as the lessons learned from several years of project work in the areas of predictive analytics and anomaly detection.
About the guest
Dr. Markus Köster leads research and development in the field of Industrial Analytics at Weidmüller, a company with roots in automation technology. His team develops AI- and machine-learning-based software solutions for predictive analytics and anomaly detection in the context of Industry 4.0. The AutoML software developed by his division was recognized with, among other awards, the Industry 4.0 Innovation Award 2019 from VDE and ZVEI. Before joining Weidmüller, he worked as a researcher and lecturer at Imperial College London and at the University of Paderborn, where he studied electrical engineering and earned his doctorate. Outside of work, he is a family man and composes piano pieces.
Summary
Role and Day-to-Day Work as Head of Industrial Analytics
Dr. Markus Köster describes his daily routine as being shaped less by hands-on programming and more by coordination, architectural decisions, and team leadership. As a team lead, he acts primarily as a coach who creates the conditions for development teams to achieve the best possible results within the Scrum process. He also takes on the role of technology scout and represents the topic of Industrial Analytics across the entire company.
From Individual ML Projects to an Award-Winning AutoML Product
Weidmüller started with classic machine learning projects for customers in mechanical and plant engineering as part of funded projects within the 'it's OWL' leading-edge cluster. The goal was the early detection of anomalies and predictive failure forecasting. From this experience came the idea of not repeatedly building individual models, but instead empowering mechanical engineers and plant operators to develop and operate machine learning models themselves — without deep data science knowledge. This gave rise to the AutoML software, which has been successfully on the market for around two to three years.
How the AutoML Tool Works: Architecture and User Guidance
The software consists of several modules: a model builder allows users to load historical machine data (via database connection or CSV import), select relevant signals, and apply simple mathematical transformations such as derivatives or filters. In the background, many algorithms run automatically against each other, and the best model pipelines are presented to the user for selection. The finished model is exported to a model runtime that runs close to the machine and delivers model results in real time. Visualization is handled either through the customer's existing infrastructure or through individually developed dashboards. The primary goal is to enable customers to create, update, and deploy models independently, without needing external support every time.
Pragmatism Over Perfection: The 80/90 Percent Solution as a Guiding Principle
A central theme in the conversation is that machine learning is first and foremost a tool — much like a saw for a carpenter. The goal is not the perfect model, but a sufficiently good basis for decision-making for the user. An 80 to 90 percent solution that provides the user with actionable insights is almost always sufficient in practice. Investing too much time in optimizing the last percentage point rarely pays off. The same applies to the choice of method: if a simple heuristic solves the problem just as well, it should be preferred over an ML solution.
Team Composition and Role Clarity as a Success Factor
Dr. Köster emphasizes that data scientists on the team have a clearly defined role — they are strong in algorithms and mathematics, but are not responsible for the final software development. That task is handled by dedicated software developers, complemented by UX/UI designers and software testers. The analogy to football makes it clear: just as you would not play a striker as a goalkeeper, the same principle applies to the data science team. Good user interfaces, stable performance, and software quality are at least as critical as the quality of the ML model.
Strategic Scalability: Which Use Cases Are Worth Pursuing?
When selecting projects and market segments, Weidmüller consistently prioritized the question of whether a developed solution could be transferred to multiple customers. Requests for highly specific or unique machines were deliberately declined, as scalable reuse would not be possible in those cases. The AutoML approach is intentionally kept industry-agnostic in order to appeal to a broad customer base. This decision-making process was a team effort, based on accumulated experience and a developed sense of judgment — not on formalized metrics.
Management Backing and Staying Power as Prerequisites
When asked how much time needs to be planned for developing a profitable ML product, Dr. Köster is clear: it requires strong management support and a great deal of patience. At Weidmüller, several years of lead time were needed before a market-ready software solution emerged — especially since the company was traditionally not a software house and had to build up that expertise from scratch. He identifies access to a critical mass of pilot customers as particularly crucial for success, as it was their feedback that allowed the product to take its current form.
Key takeaways
- Machine learning is a tool, not an end in itself — an 80/90 percent solution that gives users a basis for decision-making is almost always sufficient in practice.
- The decisive innovation was not to repeatedly build individual ML models, but to empower engineers to create and operate models independently.
- Data preprocessing and feature engineering matter more for model quality than the choice of algorithm itself.
- A successful ML product requires a clear division of roles: data scientists provide algorithms, software developers build the product, and UX designers shape the user interface.
- Scalability is the central criterion when selecting use cases — solutions that only fit a single customer are deliberately declined.
- Strong management support and patience are indispensable: several years of development time are realistic before an ML product becomes profitable.
- If a simple heuristic or a classical method solves the problem, it should be preferred over a machine learning solution — pragmatism beats enthusiasm for algorithms.
Conclusion
The conversation with Dr. Markus Köster impressively illustrates how years of project work can give rise to a scalable software product that addresses a genuine market need. Weidmüller's AutoML solution for Industrial Analytics is a prime example of the fact that successful ML products require far more than good algorithms: they demand clear strategic direction, role-appropriate teams, pragmatism regarding model quality, genuine customer orientation, and the willingness to invest for the long term.
For Executives and Management
ML projects require staying power and strong backing. Anyone looking to build a scalable product should focus early on market viability and the reusability of the solution — and be prepared to turn down even attractive one-off projects.
For Data Scientists and ML Practitioners
Focusing on the last decimal place of model performance rarely pays off. Far more important are clean data, an understandable user interface, and consistently solving the actual user problem — even if that ultimately means a simple heuristic.
For Engineers and Domain Experts
With modern no-code and AutoML tools, engineers without a data science background can also create valuable ML models. Their own domain knowledge about machines and processes is a decisive advantage that should be actively brought to bear.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute zu Gast bei The Eriom Podcast ist Doktor Markus Kester. Er verantwortet die Forschung und Entwicklung im Bereich Industrial Analytics bei Weidmüller. In seinem Bereich werden KI- und Machine Learning basierte Softwarelösungen für Predictive Analytics und Anomaliekennung im Umfeld Industrie 4 Punkt 0 geschaffen. Die in seinem Team entwickelte Software wurde mehrfach ausgezeichnet, unter anderem der Industrie 4 0 Innovation Award 2019 des VDE und ZVII für das Automated Machine Learning Tool. Vor seiner Tätigkeit bei Weidmüller war Doktor Marcus Köster als Wissenschaftler und Dozent am Imperial College London und an der Universität Paderborn tätig, an der er auch Elektrotechnik studiert und promoviert hat. Im Privaten ist er Familienvater von 2 Kindern und komponiert in der Freizeit Klavierstücke.
Speaker2: Herzlich willkommen zur fünften Staffel von die Eriam Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Markus Köster. In der fünften Staffel gehen wir auf das Thema der erfolgreichen Machine Learning Lösungen ein und wie man diese zielführend schafft. Mich freut's ganz besonders, Markus, dich heute in der ersten Folge der fünften Staffel begrüßen zu dürfen. Du bist für uns in der Firma so was wie 'n ist Evergreen das richtige Wort. Dadurch, dass Du bei Weidmüller beschäftigt bist und da einfach auch mit 'ner sehr, sehr coolen Lösung, über die wir uns später noch genau unterhalten werden, auch medial sehr präsent bist, taucht dein Name bei uns in der Firma immer wieder auf, ja. Und total cool, dass wir heute die Gelegenheit haben, hier die 5. Staffel zu eröffnen. Ganz herzliches Willkommen.
Speaker3: Ja, vielen Dank, Theo.
Speaker2: Wir haben gerade schon unsere Kollegin, die Corinna gehört, wie sie deine Vita beschrieben hat. Gibt's denn da was hinzuzufügen? Gibt's da vielleicht interessante Details, die da jetzt noch nicht enthalten waren oder war das schon der vollumfängliche Rundumschlag?
Speaker3: Das war eigentlich schon der vollumfängliche Rundumschlag. Aber ich sag immer ganz gerne so zu meinem Alter immer son kleines Funfact noch dazu, dass als ich geboren wurde, da war aber gerade auf Nummer 1 mit ihrem Hit Waterloo. Da kann man sich überlegen, wie alt ich bin.
Speaker2: Alright. Das heißt, jetzt gehen wahrscheinlich sofort die Wikipedia Artikel auf dazu. Lass uns gleich direkt einsteigen und zwar, was ich hier sehr gerne diskutieren möchte, 'n Gefühl dafür zu kriegen, was deine Rolle bei Weidmüller ausmacht, ist einmal einzutauchen in deinen typischen Arbeitsalltag. Kannst Du den mal ganz grob umreißen und eine gültige Antwort kann auch sein, es gibt keinen typischen Arbeitsalltag, aber am besten erklärst Du es selbst.
Speaker3: Ja, also natürlich sind die Zeiten etwas speziell im Augenblick und ich bin leider auch im Homeoffice, wobei ich heute sogar in der Firma bin, was jetzt in Zukunft hoffentlich immer mehr der Fall sein wird. Und ich sag mal so, im Homeoffice ist mein Arbeitsalltag eigentlich so gestrickt, dass ich ja meinen Rechner einschalte und meine Kollegen natürlich alle über Teams oder ähnliche Plattformen halt erreiche und mit denen dann entsprechend ja in Kontakt trete, mich austausche halt. Und ich bin jetzt, dadurch weil ich Führungskraft bin, erst mal kein klassischer Programmierer. Ich programmiere nicht viel. Bin eher quasi koordinativ unterwegs und auch als Architekt unterwegs. Also, das heißt also, mein Arbeitsalltag ist eigentlich eher geprägt von Meetings, vor allem auch Scum Meetings. Da bin ich dann bei Reviews mit dabei oder auch mal beim Refinment. Und ansonsten ist es natürlich so, dass ich das Thema auch im gesamten Unternehmen vertrete und mich auch sehr stark mit anderen Bereichen außerhalb meines Teams halt abstimme und wir natürlich uns überlegen, wie wir strategisch das Thema weiterentwickeln. Also es ist nicht nur das Thema AutoML, sondern auch Industrial IOT, das sind eigentlich so die Schwerpunkte, die auch bei mir mitlaufen und ansonsten bin ich auch als Technologie Scout noch unterwegs, schaue mir neue Technologien an, versuch mich da son bisschen reinzudenken und gemeinsam mit dem Team zu überlegen, ist das etwas, was wir jetzt integrieren sollten? Sollten wir unsere Software dahingehend weiterentwickeln? Das sind eigentlich so die klassischen Fragen, mit denen ich mich so auseinandersetze. Und ansonsten als Teamlead ist meine Aufgabe dafür Sorge zu tragen, dass die Entwicklerteams gut arbeiten können. Also dass die sehr gute Ergebnisse liefern können. Wir sind halt in unseren Teams immer Scrum Prozess unterwegs. Das heißt, das Team hat eigentlich sehr viele Entscheidungsfreiheiten und meine Aufgabe ist, eher der Coach zu sein, die Rahmenbedingungen zu setzen und dafür zu sorgen, dass die Teams wirklich ihre Arbeit sehr gut machen können.
Speaker2: Kannst Du das noch genauer erklären? Zum einen, wie genau dieses Team, von dem Du sprichst, aussieht? Wie ist das zusammengesetzt? Welche Rollen gibt's da?
Speaker3: Also es ist so, dass wir natürlich mehrere Softwareentwicklerteams fahren, die an unterschiedlichen, na ja, sehen wir das mal Softwarekomponenten halt arbeiten in dem Sinne und ansonsten ist es so, dass die Zusammensetzung wirklich sehr unterschiedlich ist. Also wir haben jetzt nicht nur Data Scientists, sondern auch natürlich die Softwareentwickler, die wir momentan auch noch unterteilen zwischen Frontend und Backend, wobei es eigentlich so ist, dass die meisten auch in der Lage sind, mehr im Full Stack Bereich zu arbeiten und auch mal Arbeiten zu übernehmen aus anderen Bereichen. Dann ist es so, dass wir UX UI Designer haben im Team, aber auch sowas wie Softwaretester ist ein 1 sehr sehr wichtiges Thema dafür Sorge zu tragen, dass die Qualität von Software auch sehr sehr gut ist und natürlich halt auch so Product Owner und all das, was man halt braucht, jetzt 'n komplettes Team halt zusammenzusetzen. Und ansonsten ist es so, im Augenblick habe ich eigentlich 2 Teams 'n engeren Fokus und das kann sich allerdings auch immer wieder ändern. Also ich bin mal 2 in etwas stärker involviert halt. Insbesondere bei dem Thema AutomML, auch dass wir vielleicht noch später zu sprechen kommen.
Speaker2: Mhm. Mhm. Ja, das wäre tatsächlich meine nächste Frage gewesen, ob Du zu diesem konkreten Produkt auch noch mehr sagen kannst. Du hast Outuelle als Stichwort schon schon erwähnt. Wir haben's in der Einleitung gehört, dass es eine Softwarelösung gibt, die Du ja maßgeblich mit vorantreibst, die sehr viel Aufmerksamkeit
Speaker3: auch erhält in der Industrie. Vielleicht genau magst Du dazu mehr sagen? Genau. Also wir, klar, Weidmüller ist erst mal nicht bekannt für für Software, sondern wir kommen ja traditionell eigentlich eher aus dem Bereich der Automatisierungstechnik und Maschinen- und Anlage bauen bauen da halt Komponenten für Schaltschrank. Und na ja, wir haben halt aus dem Spitzencluster its owlL, was es jetzt seit, ach schon seit vielen Jahren halt gibt, Förderprojekte gehabt und ein Schwerpunktthema war halt eben auch die Anwendung von maschinellen Lernverfahren und künstlicher Intelligenz im Maschinen- und Anlagebau. Und so sind wir eigentlich gestartet, dass wir für unsere Kunden erst einmal klassische m l Projekte gemacht haben, mit der Zielfrage, wie kann man die Anlagen und die Maschinen von unseren Kunden ausfallsicherer machen, indem man Anomalien frühzeitig erkennt oder sogar vorausschauend ermitteln kann, ob eine Maschine ausfällt oder nicht oder mit welcher Wahrscheinlichkeit. Und aus diesem Projektchef heraus haben wir uns irgendwann die Frage gestellt, Mensch, das ist ja schön und gut mit diesen einzelnen Projekten, aber es wäre doch viel spannender, wenn wir den klassischen Ingenieur, den Maschinenbauingenieur oder den Anlagen Betreiber ermöglichen, dass er selbst solche Algorithmen entwickeln kann. Und normalerweise ist es halt so, dass 'n Elektrotechnikingenieur oder Maschinenbauingenieur, als erst einmal kein Spezialwissen im Bereich künstlicher Intelligenz hat. Allerdings haben die 'n sehr gutes Wissen über ihre Maschine. Das heißt, die kennen sich eigentlich mit ihrer Maschine in der Regel sehr gut aus, können auch Daten interpretieren bis zu einem gewissen Grad. Und dann kam uns die Idee, Mensch, lass uns doch schauen, dass wir ein Softwaretool entwickeln, den klassischen Ingenieur zu befähigen, dass er künstliche Intelligenz in seine Maschine einbringen kann. Das war die Geburtsstunde von AutoML und da sind wir jetzt seit 2, 3 Jahren recht erfolgreich mit unterwegs mit dem Thema. Genau und die Software ist eigentlich so konstruiert, dass man eben halt, ja, Ingenieure oder auch Servicetechniker, also all die, die im Prinzip mit Maschinen arbeiten, befähigt, Machine Learning Modelle zu erstellen, aber auch zu betreiben. Also Betreibermodellen ist halt auch ein ganz wesentlicher Teil. Das ist eigentlich so das das, was ich jetzt auch die letzten Monate auch sehr intensiv in meinen Teams gemacht hab. Darüber hinaus sind wir natürlich auch daran, IoT Lösungen zu schaffen. Also jetzt unabhängig von dem gesamten Auswerten von Maschinendaten braucht es eigentlich immer noch eine komplette Plattform drum zu, dass dass man Maschinen verwalten kann, Assets verwalten kann und auch solche einfachen Dashboards oder sowas halt, auch die wollen entwickelt werden, damit man eben die Analyseergebnisse auch entsprechend gut und anwendergerichtet präsentieren kann. Das ist etwas, was wir natürlich auch machen.
Speaker2: Okay. Und wie wie geht's dir da genau vor? Vom strategischen Punkt her ist mir oder ja, finde ich, liegt's nahe, das so in 3 Schritte zu unterteilen. Man startet mit Beratung, das ist so super Custom. Dann versucht man aus der Beratung Use Cases rauszustandardisieren. Dann kann ich sozusagen als Berater immer die gleichen Use Cases sehr, sehr effizient abbilden. Und der 3. Schritt, die Königsdisziplin, bei der ihr ja angekommen seid, ist dann daraus ein Produkt zu machen. Das ist ja dann der absolute Superstandard, weil er ohne den ursprünglichen Erfinder des Ganzen funktionieren muss.
Speaker3: Genau.
Speaker2: Da da da da da die Frage, wie geht ihr mit diesen Use Cases Habt ihr es geschafft oder liegt es in der Freiheit des Benutzers, sich selbst auch neue Anwendungen auszudenken oder ist es von vorne bis zum Ende, wenn ich alleine an die Visualisierungen denke, durchdefiniert und ich habe dann die Auswahl, okay, ich kann hier jetzt einen Predictive Maintenance Use Case anlegen und dann noch connecten, welche Daten reinfließen sollen oder kann ich mir sogar komplett neue Use Cases ausdenken damit?
Speaker3: Also es ist so, Use Cases haben wir natürlich in den Projekten im Vorfeld, die jetzt vor OuturoML gelaufen sind und die auch immer noch laufen ist. Wir machen immer noch Projekte nebenher. Natürlich auch schon einige betrachtet und haben natürlich daraus auch gelernt und also was was für uns eigentlich nachher eigentlich die das Ergebnis war oder das das, was eigentlich in vielen Projekten immer wieder auftaucht, ist, dass wir mit Zeitreihen Daten hantieren müssen und unsere Kunden, die wir jetzt im Visier haben halt, klassischer Maschinenanlagebau, da gibt's natürlich auch unglaublich viele unterschiedliche Arten von Anlagen und auch unterschiedliche Datenlagen, die man dann hat dabei. Im Kern sind es immer häufig Zeit rein, die wir in der Betrachtung halt haben und wie gesagt, die Kunden haben schon eigentlich auch Anomalieerkennung, Klassifikation, Predictive Mantance, das ist eigentlich so deren Ziel, was sie auch verfolgen wollen mit Machine Learning, mit künstlicher Intelligenz. Die Software selbst ist erst mal so konstruiert, dass wir jetzt nicht nur einen einzigen ein einziges Softwaremodul haben, sondern dass wir unterschiedliche Module haben. Wir haben den Modelbuilder zum Beispiel, damit kann man Modelle erstellen und alles, was es braucht, ist halt aufgezeichnete Daten, also historische Daten von meiner Maschine. Da haben wir sowohl Datenbankschnittstellen, dass wir uns also mit dem Model Builder direkt an eine Datenbank andocken können. Allerdings muss ich auch dazu sagen, die meisten Kunden sind in der Lage, CSV Dateien zu erstellen und obwohl CSV vielleicht nicht das effizienteste Format ist, aber es ist ein Format, was sehr weit verbreitet ist und so ermöglichen wir halt auch CSV Import und diesem Weg haben wir dann die Möglichkeit, Daten halt das in den Modelbuilder reinzuladen und der Modelbuilder selbst hat dann im Prinzip eigentlich sone Art Benutzerführung, wie man dann ein entsprechendes Modell erstellen kann. Da kann man sich dann aussuchen, ob man eine Anomalieerkennung machen wie Klassifikation oder Prediction und dann werden auf die notwendigen Schritte einfach hingewiesen. Und was danach herauskommt, ist dann eine Model Pipeline. Also es ist nicht der eine Algorithmus in dem Sinne, sondern wir haben auch etliche Vorverarbeitungsschritte und die sind eigentlich viel wichtiger und viel zentraler für die Qualität 1 Analysemodells als der Algorithmus selbst nachher am Ende des Tages. Und diese Model Pipeline wird dann exportiert und die kann man dann in ein anderes Softwaremodul, das wir Model Run Time nennen, zur Ausführung bringen und die Model Run Time ist im Prinzip eigentlich nichts anderes als 'n Modul Player. Also 1 1 1 Softwareelement, was ich nah an meine Maschine halt bringe, wo ich das Modell reinladen kann und die Run Time kontaktiert sich dann mit der Maschine, mit den einzelnen Steuerungen oder Sensoren, die mit der Maschine halt, die von der Maschine halt kommen. Und die Run time ermöglicht dann über eine UI oder über eine API halt entsprechend so Mapping durchzuführen, dass ich die Maschinendaten, die da von der Maschine gekommen hat, mit dem Modell verbinde und damit das Modell dann halt füttere. Und das Ergebnis von dem Modell ist dann am Ende des Tages 'ne Frage, wir haben Kunden, die das dann in ihrer eigenen HMI zur zur Visualisierung erbringen. Das heißt, da brauchen wir eigentlich auch kein Visualisierungselement in dem Sinne zu liefern. Aber wir haben auch Kunden, die fragen explizit nach Dashboards oder nach irgendwelche anderen Visualisierungen und dann entwickeln wir natürlich sowas dann halt auch kundenspezifisch dann. Mhm. Mhm. Mhm. Wobei das Wichtigste erst einmal ist, überhaupt so ein Anomalie Score zu programmieren oder ein ja, ein Klassifikationsergebnis zurückzuschreiben in eine Datenbank und was der Kunde dann damit macht, das ist in der Tat immer eine Sache, die besprechen wir dann mit den Kunden und versuchen dann für ihn dann die beste Lösung zu finden. Aber wichtig ist für uns, dass der Anwender befähigt ist, Modelle selbst zu entwickeln, auch zu aktualisieren und dann immer wieder selbstständig auch auf die Maschine zu bringen. Ohne jedes Mal uns anzurufen und zu fragen, könnt ihr uns mal gerade ein neues Modell bauen oder helft ihr uns mal gerade mit, das Modell auf die Maschine zu bringen? Also das ist das eigentlich, wovon wir wegwollen. Das heißt, also wir wollen unsere Kunden befähigen, dass sie es selbst können halt, ne? Weil die meisten wollen das halt gar nicht. Die wollen das eigentlich selbst lösen, das Problem, aber sie können's halt nicht, weil das Know how meistens in dem Unternehmen noch nicht vorhanden ist oder gerade im Aufbauhäuschen.
Speaker2: Ja. Dazu noch eine Frage zu den Modelbuilder. Aus den Gesprächen mit den Data Scientists, die zum Beispiel bei uns auch im Meet-up unterwegs sind, da höre ich immer wieder die Fragestellung, wie sehr soll ich den Domänenexperten jetzt diesen Ingenieur, der Data Science aussetzen, nenn ich's jetzt mal. Und das finde ich ganz, ganz spannend. Der Weg, den ihr für euch gewählt habt, der funktioniert ja ganz gut. Und vielleicht könntest Du den noch genauer beschreiben was bedeutet es für einen Ingenieur ein Modell zu bauen bedeutet das diese Pipeline vor allem wirklich sauber aufzusetzen dass die Daten im alleine schon richtigen Format reinkommen und mit zum Beispiel nicht gemischten Einheiten wie Kelvin Celsius Fahrenheit hatten wir alles schon. Ja. Oder geht es tatsächlich dann auch so weit, dass ihr dem Benutzer des Expos wähle aus, jetzt angenommen, ich hab keine Ahnung, was bei euch unter der Haube drinsteckt, aber angenommen, das wär jetzt ein neuronales Netz, wie viele und wie große und wie verschaltete Layer möchtest Du haben? Wo zieht ihr da die Grenze? Ja. Nee, also das ist genau so eine Grenze halt.
Speaker3: Also eingangseitig ist es so, also wir ermöglichen im Tool dem Nutzer erst mal auch 'n Überblick über seine Daten. Für viele ist das nämlich völlig neu. Die sehen dann ihre Daten das 1. Mal in unserem Tool. Die können sie exportieren, die kriegen sie dann als CSV oder wie auch immer und dann sehen die Daten und denken sich, wow, so sieht's also in meiner Maschine halt aus, ja? Und dann ist es so, wir haben schon auch in dem Tool Empfehlungen, was man machen kann mit den Daten, jetzt die Qualität der Daten entsprechend zu verbessern, ja? Und das ist etwas, da haben wir natürlich auch nur bedingt Einfluss drauf, ja? Und das ist auch 1 der, finde ich, eine der wichtigsten Aufgabenziele halt für für die Industrie, dafür Sorge zu tragen, dass die Daten sauber sind, nicht extrem verrauscht, dass die durchgängig sind. Das sind Sachen, das können Ingenieure machen in dem Sinne. Oder da können sie dafür sorgen in der Fertigung, dass man so Datendurchgängigkeit auch hat an der Stelle. Und dann ist es so, also das Du selbst ermöglicht einem jetzt nicht explizit die Spezifikation von den Anzahl der Layers von 'nem von 'nem neuronalen Netz oder dergleichen. Wohl allerdings ist es so, dass man in dem Datensatz markieren kann, erst einmal, welche Variablen sind eigentlich besonders bedeutend. Also als Ingenieur weiß ich Temperaturen, Drehzahlen oder wie auch immer halt, das sind halt wichtige physikalische Größen, die einem in der Regel Aufschluss geben halt und die entsprechend auszuwählen, wobei es dann bestimmte Zustandssignale gibt, die vielleicht gar nicht so entscheidend sind und die halt wegzulassen halt nachher für das Modell. Also das heißt, die Auswahl der relevanten Datenspuren ist etwas, was man selbst wo man selbst Hand anlegen kann und man kann natürlich dann auch noch mal neue Datenspuren entwickeln, dass man sagt, zum Beispiel, 'n Absolutwert von der Temperatur ist gar nicht so kriegsentscheidend, sondern eigentlich sind Temperaturschwankungen, das, was jetzt Anomalien andeutet, ja? Und dann kann man als als Ingenieur sagen, okay, dann mache ich die 1. Ableitung. Also unser Tool ermöglicht halt so einfache mathematische Operationen halt, bis hin zu Datenfilterung halt auch oder so Slideing Bindeoperationen halt. Und dann kann man sich das halt angucken in der UI, wie es halt aussieht. Und genau. Und dann später ist es so, OutdoML heißt ja in dem Sinne, dass wir viele Sachen automatisch machen. Das heißt, wir lassen 'n ganzen Haufen von unterschiedlichsten Algorithmen gegeneinander konkurrieren und bieten dem Nutzer nachher halt eine Auswahl von den Besten an, die halt die besten Analyseergebnisse liefern. Und das ist 'n Kollaboratismus, der im Hintergrund halt läuft, genauso wie wir noch zusätzliche Datenspuren erzeugen halt, wo wir glauben, dass die halt in der Regel sehr, sehr wichtig sind. Das sind dann die Erfahrungen, die wir aus den vergangenen Projekten gemacht haben und das ist eigentlich das Wesentliche. Das heißt, man muss überhaupt kein Data Science Know how haben. Es hilft vielleicht, so, ich sag immer, diese Citizen Data Scientist, das ist ja so'n Begriff, den man heute auch mal vorfindet. Wenn man so'n bisschen Grundlagen hat, auch über Statistik, dass man Signale halt auch so'n bisschen klassifizieren kann, Anhand Verteilungen oder auch Quantieren halt, zu sehen, okay, macht das eigentlich Sinn? Ist das Signal total verrauscht oder ist da vielleicht Musik drin? Spielt sich da was ab halt? Und das ist eigentlich das, was man braucht, starten zu können. Und einzeln auch mal hervorgehoben, also die Analysequalität von den Modellen, die wir erzeugen. Wir haben nicht den Anspruch auf Perfektion. Perfektion ist in den seltensten Fällen erforderlich, ja? Die meisten Anwender sind sehr zufrieden, wenn sie eine 80, 90 Prozent Lösung haben, denn dann kriegen sie erst einmal überhaupt einen Hinweis. Am Ende geht's eigentlich bei den Modellen darum, den Anwender zu befähigen, Entscheidungen zu treffen. Und der braucht eine Entscheidungsgrundlage und kein perfektes Modell. Also das ist eigentlich auch noch mal wichtig, also eine ganz zentrale Erkenntnis ist. Deswegen uns ist es lieber, ein 1 Analysemodell zu haben, was gut bis sehr gute Performance hat, auch von der Qualität der Analyseergebnisse, aber keine Perfektion. Das wird in den seltensten Fällen ist das Erforderlichheit. Und da kann man, glaube ich, sehr viel Zeit verbrennen, weil Datas seinen Test da noch mal 'n bisschen schrauben und hier noch mal und versuchen da noch mal 'n bisschen was rauszuziehen oder so was halt. Aber für das Ziel, den Anwender in seinem Problem zu helfen, reicht eigentlich in der Regel eine 80, neunzigprozentig
Speaker2: gute Lösung halt, ja. Mhm. Da steckt wahnsinnig viel drin in dem, was Du sagst. Und wir erfahren das auch bei unseren Bewerbern in der Firma, dass die, die frisch von der Uni kommen, noch total diesen Model Fokus haben. Ja, nicht. Auf die letzte 0.9999 Nachkommastelle. Und dann nach so 2, 3 Jahren im Job, da verschiebt sich dann der Fokus bei den Leuten, bei den Data Scientists auf die ansonsten natürlich auch noch wichtigen Themen und dann okay, Modell 95 Prozent, ja, passt schon lange, genau. Wenn ich das versuche zusammenzufassen, was Du sagst, dann höre ich da ganz ganz stark raus, dass dieses Befähigen des Kunden beziehungsweise des Anwenders selbst diese Zyklen zu durchlaufen von ich sammle Daten, ich bau 'n Modell, ich werte das Modell aus und starte wieder von vorn. Das ist 1 oder fast der wichtigste Punkt für den Erfolg der Lösung war, im Markt anzukommen. Ist das richtig?
Speaker3: Ja, also es ist so, wir entwickeln natürlich auch noch weiter. Also wir haben noch viele gute Ideen, was man machen kann, diesen Arbeitsablauf zu verbessern, ja? Ich sehe das halt so, am Ende ist das ganze Thema Machine Learning eigentlich nur 'n Werkzeug, ja? Wie eine Säge für 'n Tischler. Es ist halt 'n Werkzeug, womit ein Anwender eine Möglichkeit hat, einen Einblick in seine Maschine zu gewinnen und Entscheidungen zu treffen. Nicht mehr und nicht weniger, das habe ich gerade schon versucht zu zu betonen halt. Genau, genau. So muss man's halt immer sehen und deswegen Also zum Beispiel eine gute Präsentation, eine 1 gute Benutzerschnittstelle von den Ergebnissen halt, finde ich auch extrem wichtig, ja? Ein Nutzer muss mit 'nem muss muss Spaß an der Software haben, der muss sofort seine wichtigen Informationen sehen können und er muss in der Lage sein halt, Schlüsse daraus zu ziehen. Es hilft überhaupt nicht 'n top Analysemodell zu haben, wenn irgendwelche kryptischen Werte dann nachher bei rauskommen, Animale-Sores, die man nicht deuten kann und sondern es muss eine Möglichkeit geben, dass der Anwender sofort sieht, okay, hier muss ich jetzt aktiv eingreifen oder hier sollte ich jetzt Folgendes in die Wege leiten, damit meine Maschine noch besser läuft und damit ich in Zukunft auch qualitativ hochwertige Produkte fertigen kann. Und das sind eigentlich so so auch zentrale Erkenntnisse. Das heißt, eigentlich ist das ML Modell nur ein kleines Puzzlestückchen von der gesamten Lösung und so Aspekte wie 'ne gute Nutzerschnittstelle, auch Stabilität von der Software, es muss laufen, es muss performant sein, ich will nicht 3, 4 Stunden lang auf irgendwelche Analyseergebnisse warten, sondern es muss im Prinzip von der Performance her so sein, dass man auch innerhalb von 'ner akzeptablen Zeit halt eine Antwort halt kriegt. Und das sind auch sehr, sehr wichtige Aspekte, die glaube ich, häufig vergessen werden und wo es wirklich Softwareentwickler braucht. Da braucht man keinen Data Scientist, das halt irgendwie gut hinzubekommen. Und wo es wirklich Softwareentwickler braucht, die das halt ermöglichen oder halt auch die X-UI-Designer, die halt entsprechend gute Schnittstellen designen
Speaker2: halt. Wenn ich einmal kurz auf die Businessperspektive darüber wechsle, dann sehe ich, dass in der aktuellen Phase, wo ihr euch befindet, ich glaub Erfolg relativ einfach zu messen über welchen Umsatz kann ich mit der Lösung generieren bezüglich beziehungsweise wie viele Kunden habe ich tatsächlich bei denen dieses konkrete Tool ausgerollt ist. Ja, das stelle ich mir jetzt bei euch relativ straight forward mittlerweile vor. Andere Firmen, die noch deutlich früher in der, ich nenn's mal ja, der der der Data Science Journey sind, bei denen stellt sich häufig die Frage, ist mir zu Ohren gekommen, wie sehr sollte ich als Data Scientist mein Projekt verteidigen gegenüber dem Anspruch, der daran gestellt wird, dass es sofort profitabel sein muss? Wie lief das bei euch ab? Wie viel Zeit wurde dem Ganzen gegeben, bis es profitabel sein musste? Wie sehr war da vielleicht auch einfach die Rückendeckung vom Management da oder inwiefern war das gar nicht nötig, weil der Product Market Fit von vornherein so gut war, dass sich diese Frage niemals gestellt hat? Wie lief das? Kann man da vielleicht was ableiten für die Zuhörer?
Speaker3: Es ist eine sehr schwierige Frage. Also es ist grundsätzlich so, ja, wir hatten sehr starken Rückenwind auch vom vom vom Management halt. Ohne das wäre es auch nicht gegangen. Und man braucht wirklich 'n langen Atem, damit man etwas so weit entwickelt, dass es dann auch profitabel ist. Das sind eigentlich so die die die die wichtigsten Aussagen dazu. Jetzt für für für konkrete Projekte, also wenn jemand im Bereich Data Science ein 1 neue Produktidee hat und er will das halt reinbringen oder so was halt. Klar, also auch wir haben mit Sicherheit in unserem Bereich mehrere Jahre jetzt Anlauf nehmen müssen, bis wir an so 'nem Punkt sind, wo wo wir wirklich auch erst mal eine Softwarelösung haben, die dann auch marktfähigkeit halt ist, ne? Das das war ja Neuland für uns. Und jetzt ist natürlich so, jetzt gerade Weidmüller ist natürlich auch kein klassisches Softwareentwicklungsunternehmen in der in der Historie gewesen. Das heißt, auch wir müssen erst einmal lernen, wie man Software gut entwickelt und das kann man noch on top halt. Mhm. Allerdings, was wir natürlich mitgebracht haben, ist halt eben das Anwendungs Know how, ja? Also wir kannten uns in der Branche gut aus. Wir haben dementsprechend Erfahrungen halt mit den unterschiedlichsten Anwendungsgebieten, wo man, ja, Machine Learning einbringen kann an der Stelle und dementsprechend, da waren wir, denke ich mal, stabil und gut unterwegs. Für 'n Start-up oder für jemand, der jetzt neu startet, ist das sicherlich noch viel schwieriger, weil man hat ja nicht einmal Zugang zu den eigentlichen Kunden dann, jetzt überhaupt erst mal Pilotkunden ranzuziehen, mit denen halt Erfahrungen zu sammeln. Und ich glaub, das ist eigentlich so der der kritische Punkt. Also ich denk mal, wenn man eine kritische Masse an Pilotkunden halt hat und nicht nur einen, sondern vielleicht 3, 4, 5, ja, dann wird man auch so viel Erfahrungen halt sammeln und dann weiß man auch, worauf's eigentlich ankommt. Ja. Und die Situation, die hatten wir zum Glück. Also das das ist etwas, was was da Also da da würde ich auch sagen, vielen Dank an unsere Pilotkunden, dass Sie da mitgemacht haben in dem Sinne, dass Sie da jetzt an dem Thema
Speaker2: mit uns gemeinsam gearbeitet haben und ohne das wär's sicherlich nicht nötig gewesen an. Ja gut, aber das muss man sich auf den Zungen zergehen lassen. Also Du hattest ja gerade gemeint, als Start-up hat man vielleicht nicht dieses Domänen Know how, aber jetzt, wie gesagt, das muss man sich mal vergegenwärtigen, Weitmüller hatte von von den 4 Komponenten Domäne Know how, Software Engineering, Data Science und dann MLOs, das Du ja vorhin auch angesprochen hattest, gerade mal, ich denke mal zur Startseite genau in einem dieser, in 1 dieser Kategorien Know how und das so zu entwickeln, also da geht Hut ab von meiner Seite an euch und insbesondere dich. Das ist wirklich crazy und vielleicht ist auch wirklich noch mal als Verdeutlichung, das erlebe ich nämlich auch immer wieder tatsächlich diese Wahrnehmung, dass man glaubt, dass in soner Firma, ich nehme jetzt einfach mal Weitmüller exemplarisch in der Prä Data Science Zeit, dass man einen oder vielleicht 2 Data Scientists beschäftigt und die dann in der Lage sind, innerhalb von 3 Monaten ein Software Produkt zu bauen. Dass da aber noch viel viel mehr dazugehört, das wird jetzt in diesem Gespräch finde ich so schön deutlich, weil Du vorhin ja auch zum Beispiel meintest, Leute teilweise ist es ganz einfach, klassische Software Engineering, das nötig ist, okay, es ist eine Data Science Lösung, aber es ist nach wie vor 'n Softwareprodukt zu entwickeln. Und das ist das ist etwas, das man einfach im Blick behalten sollte, denke ich, wenn es auch darum geht, aus Sicht von Management die Entscheidung zu treffen, möchte ich jetzt da Geld investieren oder nicht. Sehr sehr spannend. Ein Ja.
Speaker3: Ja, also ich wollte das noch mal kommentieren, dass die Data Scientists bei uns keine Programmierer sind. Also das muss auf jeden Fall auch mal ganz klar hervorheben. Also es ist Die schaffen die Grundlage für AutoML und sind algorithmisch stark, die sind mathematisch stark, in Statistik findet es sich alle gut aus, ja? Alles gut, aber sie sind erst mal nicht dafür, im Team verantwortlich nachher die finale Software zu programmieren, ja? Da kommen die Algorithmen mit rein, allerdings die die Software selbst wird ganz klar von Softwareentwicklern entwickelt und die sind da halt auch stark, ja? Die haben da Expertise halt, ja? Ich sehe das halt Ich hab immer die Analogie zum Fußball halt an der Stelle, dass ich sage, so ein Team ist wirklich wie ein Fußballteam, ja? Ich hab Verteidiger, ich hab Stürmer, ich hab 'n Torwart halt, ja? Und so hat 'n Data Scientist halt eine ganz klar definierte Rolle und den sollte man jetzt Also genauso lässt man Stürmer nicht als Torwart spielen halt, ne? Das macht man halt nicht. Und so ist das halt, ja? Also so muss man's So muss man das sehen.
Speaker2: Genau. Eine Komponente, die mich in dieser dieser dieser Kunden Experience noch interessiert, das ist der Aspekt genau eben dieses Domäne Knowhouse. Habt ihr da Ansätze, dem Kunden noch mal genauer zu helfen, wie er sich vielleicht auch des eigenen Wissens erst mal bewusst wird oder ergibt sich das aus dem Workflow und dem Trial and Error? Vielleicht ist es einfach nur 'n Wiki System, das vielleicht angeflanscht ist oder macht sie das über Coaching? Ich hoffe, meine Frage wird damit klar, Wie wie wie unterstützt ihr eure Kunden dabei?
Speaker3: Ja, also auch da muss ich sagen, ich muss immer in die Vergangenheit halt schauen. Da haben wir ja häufig Workshops gemacht und haben dann einzelne Data Scientists mit den Kunden halt quasi in Kontakt gebracht, mit denen halt so POCs zu entwickeln. Das ist so der klassische Use Case gewesen halt. Und POC ist halt nicht nur 'n Algorithmus entwickeln, sondern eigentlich auch zu schauen, an welchen Stellen kann ich überhaupt an welchen Stellen in meiner Maschine kann ich überhaupt sinnvoll mit Machine Learning arbeiten und wo wo sich vielleicht ganz andere Verfahren oder klassische Verfahren, die man halt findet aus dem Bereich Condition Monitoring oder so was halt, wo kann man da vielleicht mehr mit erzielen? Ja, und das das ist halt nicht unsere Startpunkte immer gewesen, dass wir also auf jeden Fall immer kleine POC Projekte halt machen und uns 'n Datensatz haben geben lassen von den von den Anwendern und analysieren, ist da Musik drin oder ist das alles nur voll mit Nullen oder irgendwie völlig Vorausstellt. Und ja, das waren eigentlich so die Punkte und dann ist es natürlich so, dass wir jetzt aufgrund der Erfahrung, die wir jetzt schon mit Machine Learning gemacht haben, natürlich schon wissen, auch an welchen Stellen wir an Maschinen drankommen oder oder wo es halt einfach sinnvoll ist, Machine Learning einzusetzen und können da den Kunden natürlich auch beraten, dass man sagen kann, okay, es macht durchaus Sinn. Zum Beispiel jetzt, wenn ich eine Anlage hab, die zum Beispiel irgendwie 'ne 'ne Kühlungs- oder 'ne Lüftungsanlage hatte oder so was halt, also da gibt's halt bestimmte Elemente, wo man auf jeden Fall sehr gut Analytics einbringen kann, einen Filter zu beobachten, ob der jetzt langsam verstopft oder so. Das sind halt so Dinge, die die dort ist auch ein son Beispiel halt, wo wir einfach wissen, okay, an den Punkten, da kann man sehr gut mit mit Machine Learning arbeiten.
Speaker2: Okay, wenn ich das richtig verstehe, dann ist es insbesondere also die Expertise eurer Mitarbeiter, die, die dann im Kundenkontakt stehen, die das aus Ihrer Erfahrung heraus dann in das Projekt mit einbringen.
Speaker3: Ja, natürlich. Erst mal Expertise bei uns im Team, die wir jetzt mit den Jahren aufgebaut haben. Dann ist es aber auch so, wir haben natürlich auch Vertriebsmitarbeiter, die die Kunden auch sehr gut kennen. Die wissen ganz genau, an den und den Stellen haben die ihre Probleme und die und die also die Anlagen, die die Kunden halt verwenden, die haben an den und den Elementen halt eigentlich immer Probleme oder da gibt's halt etwas, wo wo man halt rangehen kann, wo man vielleicht versuchen kann, das zu optimieren halt. Also das ist eine 1 Mischung aus Expertise im eigenen Entwicklerteam und natürlich langjährige Kundenbeziehungen, die man halt hat und ja, wir kennen halt die Probleme, die halt in der Praxis dort auftauchen, Leuten.
Speaker2: Alles klar Markus, in dem Sinne, lass uns mal kurz die Flughöhe wechseln, kurz durchatmen. Ich würde gern 'n kleines Intermezzo einlegen und zwar habe ich Fragen vorbereitet, die zwar was mit Machine Learning zu tun haben wir aber jetzt nicht konkret mit deiner Arbeit zu tun haben müssen, vielleicht haben sie's. Ich starte einfach mal mit der ersten direkten Frage, nämlich hast Du einen Lieblingsalgorithmus und warum? Wenn ja.
Speaker3: Also Lieblingsalgorithmus selber habe ich so in dem Sinne eigentlich nicht. Ich kann nur sagen, dass Du die die ersten Algorithmen, mit denen ich gespielt hab, waren in der Tat genetische Algorithmen, revolutionäre Algorithmen, auch so künstliche Immunsystem. Das war damals, als ich in der Uni war, eigentlich 'n heißes Thema, wo ich auch 'n paar Veröffentlichungen zugeschrieben hab. Allerdings so, wenn ich zurückblicke, also mein erster mein erstes neuronales Netz war in den Neunzigern Multi Layer Persepton. Also Mhm. In den Neunzigern hat man ja sone Phase gehabt, da kam künstliche Intelligenz wieder son bisschen hoch. Und ich glaube, so richtig abgehoben hat das ja eigentlich auch erst dadurch, dass wir heute einfach Speicher- und Rechenressourcen halt haben, die wir damals einfach noch nicht hatten. Und deswegen war es damals noch sehr experimentell.
Speaker1: Aber Multi Layer Perceptron ist schon so das, womit ich als Erstes gespielt hab und ich weiß nicht, ob's mein Lieblingsalgorithmus
Speaker3: ist, ich als erstes gespielt hab und ich weiß nicht, ob's mein Liebling Lieblingsalgorithmus ist. Also jetzt für OutdoML muss ich ja sagen, ist mir der Algorithmus eigentlich egal, ja? Also wenn Du das sagen, ist der Algorithmus, der gewinnt, ist der beste, ne? Deswegen gibt's da eigentlich keinen klaren Fabriken, aber ja.
Speaker2: Im Sinne der evolutionären Optimierung, ne. Möge da der Fitteste durchkommen. Ja, genau. So ist das, genau. So ist das. Aber aber sehr cool. Das heile ich die Faszination definitiv. Evolutionäre Algorithmen. Ich hatte das nie bei uns selbst im Einsatz, aber wir hatten sehr, sehr cooles Meet-up mit Markus Gehlinger von deiner Trace, der eine Wahnsinnsapplikation auch aufgesetzt hatte für das Meet-up. Ich muss noch mal gucken, doch das ist online, genau. Er hat's dann auf GitHub veröffentlicht. Ah ja. Das werde ich mal in den Shownotes noch mal verlinken. Das ist wirklich sehr, sehr cool. Ja alright. Dann zur zweiten Frage, nämlich gibt's eine Person, die Du gern mal treffen wollen würdest? Egal aus welchem Bereich und egal ob lebendig oder tot?
Speaker3: Also da würde ich auch, ja da würde ich auch unterscheiden. Einmal so beruflich ist es so, klar da gibt's natürlich solche Leuchten wie der Andrew Ink, der irgendwie sehr bekannt ist, von dem ich auch vor einigen Jahren mal den Corsera course gemacht hab. Also den würde ich schenken gerne mal treffen. Allerdings jetzt so, was das Thema Teamführung anbelangt, es ist so, Simon Cinek ist eigentlich jemand, der mich auch immer sehr inspiriert. Also ist mit Sicherheit 'n toller Gesprächspartner halt. Aber so jetzt im Privaten gesehen, da würde ich dann dann doch eher zum Musiker tendieren und also ich würd mich gern mal austauschen mit vielleicht Pianisten wie Chili Gonzales oder auch Igor Levit oder sowas halt, einfach mal deren Zugang zu der Musik halt kennenzulernen. Das ist etwas, was für mich eigentlich da bin ich privat unterwegs, im Mobbie unterwegs und da habe ich nicht so das tiefe Wissen wie jetzt in dem beruflichen Umfeld halt, ja? Also ja, das das sind so die die Persönlichkeiten, die mich da flashen halt, ne? Mhm. Sehr cool.
Speaker2: Und wo glaubst Du, wird im Bereich Machine Learning und Data Science in Zukunft noch am meisten passieren?
Speaker3: Also ich glaube ehrlich gesagt, was die Algorithmen anbelangt, wenn man sich heute auch die Algorithmen anguckt, die die heute eigentlich meistens verwendet werden, dann gehen die wirklich zurück auf die Neunziger. Da ist jetzt nicht wirklich vieles neues Bahnbrechendes dabei, es sind alles Abwandlungen. Da wird sich, glaube ich, nicht mehr so allzu viel tun. Man wird vielleicht individuelle Verbesserungen von dem einen oder anderen Algorithmus finden. Ich glaube, wir werden eigentlich, ja, wenn man sich das überlegt von der Datenlage her, wir haben in vielen Anwendungsfällen einfach keine guten Daten und da hab ich auch schon interessante Ideen gesehen, dass man künstliche Daten erzeugt, auch Machine Learning Modelle dementsprechend anzutrainieren. Finde ich 'n super spannendes Thema und ich glaub, da wird's sicherlich noch einiges in der Richtung geben und dann natürlich auch so ethische Aspekte. Also wenn man jetzt an künstliche Intelligenz denkt, dann ist ja auch schon andiskutiert worden halt, wenn eigenständige Entscheidungen getroffen werden halt, eben halt auch solche ethischen Aspekte mit einfließen zu lassen halt. Also das ist, glaube ich, 'n Thema, das wir gesellschaftlich auch noch mal diskutieren müssen, wo ich glaube, wo man sich da wirklich weiterentwickeln wird, ne. Mhm. Mhm.
Speaker2: Alright, vielen Dank, sehr eng. Lass uns einmal zurückgehen zum zum konkreten Arbeiten bei Weidmüller beziehungsweise der Vergangenheit, insbesondere auf die Projektvergangenheit, die Du vorhin erwähnt hast. Ganz spannend finde ich in dem Kontext immer wie im Team oder vielleicht findet es gar nicht im Team statt, ja, am besten erklärst Du das gleich, wie das bei euch lief, wie der Auswahlprozess läuft, welche konkreten Projekte angepackt werden sollen. Denn wenn es bei euch so war wie bei vielen unserer Kunden, dann ist es ja 'n Findungsprozess. Wo möchte ich überhaupt hin? Ist es vielleicht für uns perfekt, genau in dieser Berater- und Projektrolle drin zu bleiben und ich möchte gar kein Tool entwickeln. Alleine diese Entscheidung, wie lief es bei euch ab? Wurde da auf die Data Scientists vertraut, weil die gesagt haben, was technisch möglich ist oder war das eher 'n strategisches Thema und dann hieß es, na ja, man wird schon eine technische Lösung finden? Mhm. Wie wie war das bei euch? Also
Speaker3: wir haben definitiv strategisch gedacht und uns genau überlegt, welche Marktsegmente sind eigentlich erst einmal für Waldmüller interessant. Mhm. Wir sind ja nicht überall unterwegs halt und wir haben ganz klar im Kundenstamm, auch in bestimmten Branchen, auf die wir uns dann entsprechend fokussiert haben mit den Lösungen, die wir erarbeitet haben. Die Meinung oder die Expertise vom Data Scientists in diesem Auswahlprozess war da untergeordnet. Sondern wir sind da definitiv eher danach gegangen, als auch, welche m l Lösungen lassen sich nach Möglichkeit bei anderen Kunden wiederverwenden oder in ähnlicher Form wiederverwenden? Okay. Ja. Also wir hatten durchaus sehr spezielle Anfragen von von Firmen halt, die ganz eigenartige Maschinen halt bauen, wo wir dann ganz klar gesagt haben, nee, das lassen wir, weil da da seid Ihr mehr oder weniger einzigartig und wenn wir da jetzt eine Lösung für entwickeln, dann das das werden wir ja dann dann sind wir ja dann seid Ihr unser einziger Kunde in dem Bereich und das war's halt, ne? Sondern es müssen schon Lösungen sein, die eine gewisse Anzahl an Kunden auch am Markt haben halt. Dann dann macht das Sinn, also in dem Bereich halt vorzu zu stechen halt. Und Ja klar. Und ansonsten ist es so, wie gesagt, das Produkt selber, Out2ML ist jetzt ja erst einmal relativ allgemein gehalten. Also da sind wir jetzt nicht irgendwie, dass wir sagen, das ist nur für, keine Ahnung, Pumphersteller oder für für Automobilisten oder dergleichen halt. Dafür ist es nicht gedacht, sondern es ist halt wirklich sehr, sehr allgemein gehalten. Und da werden wir versuchen halt auch, das auf jeden Fall so erst mal aufrechtzuerhalten, zu sehen, ja, wie entwickeln sich unsere Kunden da? Gibt's da vielleicht irgendwann auch 'n Schwerpunkt, dass wir da sehen, okay, wir haben einfach eine große Anzahl von Kunden in einem bestimmten Segment oder so was. Da kann man da sicherlich auch noch mal Spezialfunktionen dazu einbringen.
Speaker2: Okay, ich höre da raus, ganz klarer Fokus, Product Management, Marktsegmentierung als absolute richtungsweisende Komponente und dann die Bewertung hinsichtlich der technischen Realisierbarkeit als zusätzlicher Faktor mit der Kunst eben nein zu sagen und nicht alles zu machen, was technisch möglich ist. Ja. All rein. Und wie habt ihr das realisiert? Das war ein wichtiger Aspekt, der mir noch einfällt ist.
Speaker3: Also ich glaube, es gibt viele Projekte, die ich immer so kennengelernt hab außerhalb, die auch gesagt haben, so boah, wir wollen jetzt unbedingt was mit ML machen. Wir wollen unbedingt was mit künstlicher Intelligenz machen halt. Ja, genau. Ist glaube ich der falsche Ansatz, ja. Also ich ich sag das immer, klar, begeistert mich im L. Klar, begeistert mich künstliche Intelligenz. Keine Frage halt, ja. Aber wenn man's mit 'ner einfachen Heuristik lösen kann oder einfache Verfahren einbringen kann, die dann halt eben genau diese 90 Prozent Lösung liefern, ja? Dann bitte das eben halt, ja? Also man sollte nicht jetzt in Biegen und Brechen versuchen, irgendwas mit Machine Learning zu machen, sondern lieber zu schauen, okay, wie kriege ich das Anwenderproblem gelöst und dann zu schauen, welche Algorithmen oder welche Verfahren gehen denn eigentlich? Und wenn's am Ende des Tages wirklich eine einfache Heuristik ist, dann ist die wahrscheinlich die beste Lösung.
Speaker2: Tatsächlich, das ist eine der ersten Fragen bei uns in der Projekt Evaluierung, ob's überhaupt sowas werden kann oder sollte, nämlich gibt's alternative Ansätze, die nicht mit Statistik arbeiten? Und genau diesen Punkt nehme ich auszuräumen, okay, wir können's mit Machine Learning lösen, aber man wir könnten's auch deterministisch regeln. Ja. Und mit deutlich geringerer Unsicherheit, mit 'ner höheren Reproduzierbarkeit,
Speaker3: ja dann, come on, let's do it. Ja. Absolut. Also ohne pragmatisch sein, also nicht irgendwie verliebt in irgendwelche Algorithmen sein. Also so würde mich auch faszinieren oder so was halt. Das ist Und es liegt aber natürlich nahe, wir sehen es sehr häufig, Firmen, die diesen Evolutionsschritt
Speaker2: durchlaufen haben der Datenkonnektivität, die haben dann auf einmal Zugang zu sehr, sehr großen Datenmengen oder zumindest vielfältigen Datenquellen und denken sich dann, da muss man doch was draus machen können. Ja, ja. Ja, ja, und zwar erst mal angucken. Ich fand es total klasse, wie Du das ganz am Anfang auch dargestellt hast. Erstmal wichtigster Schritt, Daten visuell darstellen und zugänglich machen, ist schon mal ein großer Schritt. Und das dann durchzuforsten, da sind viele dann schon mal lange beschäftigt. Was mich da aber noch mal im Detail interessiert, dieses Produkt Management und ganz klare Fokussieren auf auch skalierbare Themen ist eine der Königsdisziplin. War das eine Einzelperson, die das bei euch geleistet hat? Warst Du das im Team, der das so auch gesteuert hat oder war das eine Teamleistung letztlich? Wie habt ihr das hingekriegt? Weil das noch hinzuzufügen, man muss ja von sehr vielen verschiedenen Themen was verstehen. Man muss ja doch verstehen, wie Data Science funktioniert. Man muss verstehen, wie m l ops funktioniert und man muss funktionieren, wie Geschäftsmodelle funktionieren. Das ist ja alles zusammen.
Speaker3: Ja, also im Wesentlichen ist das eine Teamleistung gewesen oder sowas halt. Das jetzt einem Einzelnen zuzusprechen, nein, auf keinen Fall halt, ne. Wohl ist es allerdings so, dass wir natürlich auch in den Erstkontakten mit Kunden oder dann, wenn wir über das 1. Mal über das Thema halt reden, schon, ja, son Bauchgefühl entwickelt haben. Geht das so oder geht das nicht halt mit der Zeit halt, ne? Mhm. Und da sind dann in der Tat einfach so 2, 3 Personen jetzt im gesamten Team, die, denke ich mal, dort auch 'n gutes Gespür entwickelt haben, zu sehen und schon frühzeitig zu erkennen, okay, das da ist Musik drin oder nee, das lassen wir besser, ne? Also das das sind schon die die Sachen halt. Genau, aber ansonsten ist das, glaube ich, wirklich Teamerfahrung. Man kann das jetzt nicht irgendwie festmachen an irgendwelchen Metriken oder KPIs oder sowas, warum wir jetzt uns dafür oder dagegen entscheiden, sondern das ist eigentlich Erfahrung.
Speaker2: Alles klar. Eine Frage zum Schluss noch. Wenn Du die Gelegenheit hättest, welchen Rat würdest Du deinem zwanzigjährigen Ich geben?
Speaker3: Ja. Tja, es ist eine gute Frage. Also ich würde definitiv ganz klar sagen, man sollte sich immer weiterentwickeln und sich nie mit dem zufriedengeben, was man schon erreicht hat. Und das ist, glaube ich, eine 1 ganz wichtige wichtige Erkenntnis, die mir gekommen ist. Man muss sich ständig weiterentwickeln, insbesondere in diesen Zeiten, wo wir 'n unglaublicher Technologiewandel halt haben. Und da schritt so halt mit dem technologischen Wandel ist etwas, was wirklich sehr, sehr schwierig ist. Und da muss man früh anfangen und ich weiß nicht, für mich persönlich Ich würd's eigentlich alles wieder genauso machen. Ich würd vielleicht etwas früher ins Ausland gehen, ja? Ich hab recht spät den Weg ins Ausland gesucht. Das hatte auch, denke ich mal, private oder andere Gründe halt und würde vielleicht noch 'n bisschen mehr Zeit im Ausland verbringen, da auch mehr Erfahrungen noch zu sammeln. Aber so, wie gesagt, in London war ich ja 'ne 'ne 'ne Zeit lang, das hätte gerne noch mal 'ne Station mehr sein dürfen oder so was halt, aber das, ja hat die Zeit dann irgendwie nicht so richtig hergegeben halt. Und das wär, glaube ich, etwas, das würde ich heut vielleicht anders machen, ja. Alles
Speaker2: klar. Wahnsinn. Markus, vielen, vielen Dank. Ein sehr, sehr interessantes Gespräch. Ich nehme für mich jetzt spontan 3 Punkte mit raus, nämlich erstens, der Kunde muss es selbst ausprobieren können und selbst damit arbeiten können, ums weiterzuentwickeln, 'n Gefühl für eine Lösung zu kriegen, die sich im Machine Learning abspielt außerhalb der bisher bekannten Erkenntnisspähre. Zweitens möge das beste Modell gewinnen, was auch immer es ist. Und drittens, ein starkes Team ist viel viel mehr wert als eine starke Einzelperson. Ja. In diesem Sinne, herzlichen Dank, dass Du heute zu der Eröffnung der fünften Staffel von die Ibrahim Podcast zu Gast warst. Es war ein sehr, sehr großes Vergnügen. Ich drück euch die Daumen, dass ihr weiterhin so erfolgreich bei Weidmüller mit der Lösung seid, dass Du als Einzelpersönlichkeit erfolgreich bist, auch wenn vielleicht irgendwann eine nächste Station ansteht nach Müller. Wer weiß, wer weiß? Und ja, noch mal herzlichen Dank Markus an alle Hörer. Ich hoffe, ihr hört's gefallen. Seid gespannt auf die nächsten Gäste. Master.
Speaker0: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The Ireom Podcast.