Dr. Sergio Lopez-Gehler – Senior Consultant & Cloud Architect bei Machine Learning Reply

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Dr. Sergio Lopez-Gehler (»Paco«)Senior Consultant, Data Scientist & Cloud Architect at Machine Learning Reply
Overview
In this episode, host Dr. Theo Steininger speaks with Dr. Sergio Lopez-Gehler, Senior Consultant and Cloud Architect at Machine Learning Reply. The two discuss day-to-day life at a machine learning consultancy, typical challenges in implementing data science projects in German industry, and what separates successful projects from failed ones. As fellow physics graduates of TU Munich, both bring a natural-science perspective to practical ML topics.
About the guest
Dr. Sergio Lopez-Gehler, also known as 'Paco', is a Senior Consultant at Machine Learning Reply - a subsidiary of the Reply Group specialising in data science and machine learning. Before his consulting career, he spent five years researching theoretical astroparticle physics at TU Munich, where he worked on statistical inference, computer vision, Monte Carlo simulations, and project management. At ML Reply, he works on projects for clients in the automotive, insurance, banking, energy, and public sectors, and has developed a specialisation in cloud architecture and MLOps on AWS. Outside of work, he is an enthusiastic environmentalist, outdoor sports enthusiast, musician, and gamer.
Summary
Day-to-day life at an ML consultancy: from daily stand-ups to coding
Sergio describes his working day as anything but standardised, yet shaped by recurring elements: brief daily stand-ups with the team, client meetings for problem analysis, and - what he personally enjoys most - focused work sessions for coding, debugging, and documentation. Remote work during the COVID period changed the structure somewhat, but in some ways actually strengthened the focus on the core technical work.
What sets ML Reply apart from traditional consultancies: the full ML lifecycle
ML Reply positions itself not as a pure implementation consultancy, but as a partner that accompanies clients along the entire machine learning lifecycle: from ideation workshops and digital strategy through algorithm development to cloud architecture and MLOps. They always adapt to the client's existing infrastructure and tools rather than imposing a one-size-fits-all solution. The team consists of an interdisciplinary mix of physicists, mathematicians, biologists, and software developers, with an average age of around 26 to 27.
Typical pain points: data access, bureaucracy, and resistance to change
Both speakers share the experience that clients frequently want to start by building massive data lakes before any ML use case has even been defined - an approach that fundamentally contradicts agile ML projects. Sergio adds that in larger and older organisations, bureaucratic structures and the argument 'we've always done it this way' slow down change. He emphasises, however, that sustainable change is more likely to come from the bottom up - from enthusiastic developers on the client side - than from external consultants alone.
Success factors: clear goal definition, feature engineering, and client proximity
Drawing on his first formative project - a sales forecasting algorithm for a client with complex markets and product channels - Sergio explains what makes projects successful: first, jointly sharpening the actual target metric with the client; second, targeted feature engineering based on domain knowledge; and third, continuously adapting project goals as the project evolves. An initially simple-sounding forecasting problem was measurably improved by incorporating previously overlooked features, and laid the foundation for a long-term client relationship.
Technology stack: Python, AWS, and the value of ensemble methods
In his day-to-day work, Sergio relies on Python (Scikit-learn, TensorFlow, Pandas), VS Code, and macOS as his operating system, and feels at home in Unix-based environments. On the cloud side, he has a clear focus on AWS and uses its managed services for Spark, Kafka, and containers. His favourite approach in machine learning is ensemble methods such as Random Forests, because they deliver robust results with relatively little tuning effort and provide insights into the data through feature importance analyses.
Proactivity as a key competency: prototypes instead of presentations
A central success factor that Sergio highlights is proactivity within the team: rather than waiting for approvals, someone takes the initiative to prepare an initial - deliberately incomplete - prototype and shows it to the client. This rapid prototyping approach builds trust, enables fast iterations, and convinces even sceptical stakeholders more effectively than polished presentations. Theo adds that this approach represents an important cultural shift, particularly for people with an academic inclination towards perfectionism.
Advice to his younger self: programming as a foundational skill
When asked for advice he would give his twenty-year-old self, Sergio says he would have invested more time in practical programming earlier - not just in theoretical mathematics. He paraphrases his father, who said: reading and writing is level one of basic education, and programming should be level two. For physicists and other natural scientists looking to move into data science, building a solid foundation in software engineering early on is a decisive advantage.
Key takeaways
- ML Reply accompanies clients along the entire ML lifecycle - from ideation to production - always adapting to the existing infrastructure.
- Sustainable digitalisation is more likely to emerge from bottom-up enthusiasm on the client side than from external consulting impulses alone.
- Data access and the quality of available data are almost always a problem in practice - 'clean and available data' is an illusion.
- Defining clear target metrics together with the client and applying targeted feature engineering based on domain knowledge are decisive success factors.
- Ensemble methods such as Random Forests deliver strong results with little effort and are transparently interpretable through feature importance.
- Proactive rapid prototyping - showing incomplete but concrete solution approaches - convinces clients and stakeholders more effectively than fully developed concepts.
- Programming skills should be understood as a basic education, comparable to reading and writing - especially for natural scientists, a foundation to be built early.
Conclusion
The episode illustrates compellingly that successful ML consulting goes far beyond training models: it requires the ability to understand client problems precisely, identify internal champions, proceed iteratively and proactively, and combine technical and communicative competencies within the team. The path from a physics degree into applied data science is a common thread that makes clear that analytical thinking combined with early-acquired programming and engineering skills represents a powerful combination for the industry.
For students and young professionals
Invest early in practical programming skills and software engineering - analytical expertise alone is not enough in professional life. Proactivity and the willingness to show unfinished prototypes are more valuable than perfectionism.
For companies and decision-makers
Anyone who wants to use machine learning seriously should not start by filling data lakes, but rather define concrete use cases, involve the right internal champions, and aim for short iteration cycles instead of waterfall projects.
For data scientists and ML engineers in consulting roles
The entire ML lifecycle - from strategy through architecture to MLOps - should be mastered or covered within the team. Networking within your own organisation and adapting to client environments are just as important as technical excellence.
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 IRIUM Podcast ist Doktor Sergio López Guiller. Er ist Senior Consultant bei Reply in der Rolle 1 Data Scientist und Cloud Architekt. Er arbeitet an Projekten in allen Phasen der Machine Learning Pipeline, vom Entwurf der Infrastruktur bis hin zur Produktion und MLOps. Bevor seine Data Science Karriere begann, arbeitete er 5 Jahre lang als Forscher in der theoretischen Astroteilchenphysik an der TU München. Dabei beschäftigte er sich mit statistischer Inferenz, Computervision, Business Intelligence, Monte Carlo Simulationen und Projektmanagement. Als Datenwissenschaftler bei Reply hat er in verschiedenen Projekten für die Automobil-, Versicherungs- und Bankenbranche den öffentlichen Sektor und den Energiesektor gearbeitet. In weiteren Projekten war er auch als Cloud Architekt und Machine Learning Engineer tätig. Privat ist Doktor Sergio Lópezgela begeisterter Umweltschützer, Outdoorsportler, Musiker und Gamer.
Speaker2: Herzlich willkommen zu 1 neuen Folge von The Erim Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Sergio Lópezgela Paco. Hi, servus. Schön, dass Du hier bist. Hallo Theo, vielen Dank für die Einladung. Sehr, sehr gerne. Man muss dazu sagen, wir kennen uns jetzt schon das ein oder andere ja, ursprünglich aus dem Physikstudium. Man hat's in 'nem Intro Kurt, TU München, Astroteilchenphysik, daher der gemeinsame akademische Ursprung von uns beiden und dann ja, haben sich die Wege getrennt. Du bist schlussendlich jetzt bei gelandet, kann man sagen. Und wir arbeiten dann doch ja, fast zufällig jetzt an sehr, sehr ähnlichen Themen und da hat sich's angeboten, dass wir mal hier im Podcast gemeinsam sprechen. Was mich sehr, sehr freut, wahnsinnig vielfältiges Tätigkeitsfeld, in dem Du momentan beschäftigt bist, aber dazu gleich mehr. Einmal noch kurz zur Intro, zur Vita, die wir gerade gehört haben. Passt es so oder gibt's auch Punkte, die Du ergänzen möchtest?
Speaker3: Nee, ich glaube, das war eigentlich ganz ganz richtig. Eine kurze Zusammenfassung von meinem Leben, ja. Kann man gut sagen. Alright, Alright, wunderbar.
Speaker2: Dann lass uns gleich mal in Medias Rees gehen. Wir haben gehört, Du arbeitest heute bei Reply. Konkret Mhm. Ich hab von dir gelernt, es gibt mehrere, man könnt fast sagen, Unterfirmen bei Reply, die sich alle mit eigenen Themen beschäftigen. Konkret, wenn ich richtig das hier in meine Information hab, bei m l reply, also Machine Learning reply. Ganz genau. Wie sieht denn da heute dein tagtäglicher Arbeitsductus aus? Wie wie wie beginnst Du deinen Tag? Was machst Du während der Hauptzeit? Wie schließt Du ab? Oder gibt's vielleicht auch gar nicht den typischen Arbeitsalltag?
Speaker3: Beschreib mal bitte, wie wie sieht das aus? Ja, ist ja eine komplizierte Frage, vor allem jetzt, dass der Lockdown dank dem Coronavirus irgendwie vergeht. Es ist schwierig mit einem gleichen Tag zu kommen. Aber nehmen wir an, suchen wir irgendwelche Ähnlichkeiten innerhalb des Tages zu finden. Also an sich, der Tag ist normalerweise sehr sehr voll mit mit einige Dailys und einige Syncs. Ich arbeite eigentlich mit sehr viele mit einigen Teams mit sehr begappten Menschen und was man sehr wertschätzt ist eigentlich kurz am Tag 15 Minuten einmal sich zu sinken, was hast Du gestern gemacht, was hast Du heute vor, was sind deine Schwierigkeiten, vielleicht auch ein bisschen Spaß daran haben. Und jetzt auch noch mal Thema Corona, das war auch ganz gut, weil man man könnte sich ziemlich einfach in einem Zimmer sperren und da einfach nur arbeiten und das hat auch natürlich sehr gut für die Psyche gemacht. Ja. Ja, dann nachher, das es wirklich abhängig war, was eigentlich bei uns der Kunde anhand hat. Sagen wir, man kann mit eine 1 gesunde Menge an Meetings denken. Die kommen normalerweise vormittags, nachmittags, aber schon irgendwie weder sehr früh noch viel zu spät, wo es darum geht eigentlich weitere Pain Points von von von Kunden zu verstehen. Ansonsten heißt es immer wieder, dass man allein dann einfach weiterarbeiten arbeiten kann, was uns Spaß macht, was mir Spaß macht, wenn man tatsächlich sagt, ich sag's immer so, die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die Arbeit leistet, die man eigentlich leisten solle. Coden, Debagen schreiben, Dokumentationsschreiben, was jeder Code hast, aber was natürlich auch sehr wichtig ist, haben wir auch drüber diskutiert. Ja, ich ich ich würde sagen, aber wie gesagt, also ich ich ich glaube, das ist so irgendwie ein Ausdruck von alles, was in jedem Tag passiert, aber dass es einem Tag so normal geht, ist eher selten.
Speaker2: Mhm, mhm. Du hast es grad schon angesprochen, ein wichtiger und vielleicht auch sogar der coolste Teil ist eben, sich die Hände schmutzig zu machen, zu coden, zu entwickeln. Man kann ja Data Science und Machine Learning auf verschiedenen Entwicklungsstufen betreiben. Ich kann entweder nur als Evangelist unterwegs sein und die Leute in Coachings bisschen informieren. Ich kann konkrete Use Cases implementieren als Berater und ich kann auch letztlich Data Science Produkte entwickeln. Wo genau seid ihr verortet, so wie ich das interpretiere bei Zweiterem, oder? Das heißt, ihr baut Lösungen für den Kunden, aber ihr baut wirklich was. Ihr redet nicht nur.
Speaker3: Ja, würde ich schon schon ein tendenatives Ja sagen, aber irgendwas, was sie entdeckt haben, also die die wie Du gesagt hast, die Ärmel Replay ist schon 1 1 1 junges Unternehmen in der Replay Konzentration, wie wir nennen, aber wir gehörten schon vorher, wir haben schon vorher gearbeitet in andere in anderen Firmen. In dem Sinne haben wir eigentlich schon sehr viel Erfahrung, in was in der Data Science Markt gibt. Oder gab's in den letzten, sagen wir mal 3 Jahren gefühlt 1 1 1 1 gutes Drift von 1 gewissen Skepsis oder vielleicht nicht Skepsis das Wort, eher 1 1 1, sagen wir mal, das wollten das Wasser testen, die Temperatur testen, was genau Machine Learning ist, was kann Machine Learning für uns tun und da würde er eigentlich sagen, deswegen meinte ich ja zu deinem zweiten Punkt, Machine Learning Cases umsetzen, aber mittlerweile sind die Kunden, ist die Industrie, ist die deutsche Industrie reif genug, dass dies nicht darum geht, Data Science zu entwickeln, sondern die da in in der Pipeline, in den in der Infrastruktur, in den Tools, in den Werkzeuge, die die schon bereits haben und tatsächlich die Implementation von denen. Mhm. Und wir sind gerade ziemlich stark da tätig, wo es darum geht, nicht nur Data Science Cases umzusetzen, sondern mit 'nem Kunden zu sprechen, was Data Science mit denen machen kann, was genau Data Science bedeutet. Und dann die Umsetzung von Ideation. Wir machen gute Ideation Workshops. Wir sind sehr gut in der digitalen Strategie auch unterwegs und wir gehen auch sehr streng dran, was genau wie genau der Kunde sehr schnell von Machine Learning was gewinnen kann. Und dann kommen wir, die Data Scientists auch mit rein, diskutieren mit dem Kunden weiter, dann machen natürlich wie gesagt noch mal die Finger dreckig, entwickeln das alles und schauen auch, dass von Engineering Seite das so gut in deren Umgebung, in deren Pipelines, in deren operativen Umgebungen schon es gibt und wie wir das anpassen können.
Speaker2: Das heißt, ihr macht die m l ops Komponente nicht mal nur nach dem eigenen nach dem hauseigenen Rezept, sondern ihr passt euch da auch noch den Kunden an. Ja, immer. Okay, crazy. Ja. Mhm. Alles klar. Dann verstehe ich da auch den zusätzlichen Part, den Du ja mit aufgenommen hast, nämlich den des Cloud Architekten, oder? Das diese Cloud Architekten, das deckt die MLOPs Komponente ab.
Speaker3: Genau, das das jetzt für mich insbesondere ich natürlich Kollegen, die stärker in anderen auch Bereichen sind, wie zum Beispiel Docker und Containers oder auch sogar einige Frontend Entwicklung. Aber wo wo ich hinsichtlich die Data Science entwickelt habe, war Thema Cloud, Architektur, was mir sehr sehr viel Spaß macht, wo es genau wie Du gesagt hast, in Richtung m l ops darum geht, nicht nur die Data Science zu machen, sondern wie Du wie Du gut weißt, Du kannst nicht mit einem keinem Laptop gute Data Science machen, Du brauchst Infrastruktur, man braucht Pipelines, man braucht Clusters und die lässt sich, die lassen sich ja einfach in der Cloud zu zu bedienen.
Speaker2: Du hast es gerade schon angesprochen, nämlich deine Kollegen. Kannst Du das vielleicht noch kurz beschreiben? Wie sieht das Teamumfeld bei dir aus? Wie groß ist das Team? Welche Fähigkeiten habt ihr da drin? Sind es eher Generalisten oder habt ihr für jede Rolle einzelnen Spezialisten drauf und eine Spezialistin?
Speaker3: Mhm. Also bei uns ist Team, wir sind wie gesagt sehr, sehr, sehr, sehr breit. Ja, die die die ja denken immer in der ganze, im ganzen Lifecycle von Machine Learning. Und wir haben Leute, die unterschiedlich stark sind. Wir haben auch sehr viele Wissenschaftler wie ich, wie Du Physiker, Mathematiker, auch Leute von der Biologie, die gelandet sind und genau, also wir haben gute Leute, die sehr gut in der Strategie unterwegs sind, aber es ist sind nicht zu verstehen, wie in der, sagen wir mal altmodischen Standardberatung, Unternehmensberatung, sondern es wirklich sind Leute, die eine Begeisterung für Strategie haben, aber sehr stark auch technisch unterwegs sind. Zum Thema auch noch mal, wie der Kunde auch alles verwirklichen kann. Wir haben Digital Scientists, wir haben Machine Learning Engineers, wir haben Entwickler oder Leute, die auch entwickelt haben, die jetzt in der Data Science gehen. Würde ich sagen, alles dreht sich immer Data Science drumherum, aber es sind alle noch Skills, die man dazu braucht, aber noch noch zuzüglich. Und auch muss ich zugeben, also die unsere unsere Druck ist ziemlich jung. Wir haben einen Altersdurchschnitt, glaube ich, in den ganzen von den ganzen Blick von 26, 27 Jahren von überall aus der Welt. Das macht auch sehr viel Spaß und wir haben auch in dem Sinne eine gute Philosophie, dass wir im Team auch sehr gut vom Charakter und von der von der Spaßseite auch passen müssen. Wir sind Leute, die sehr gerne Spaß am Arbeit haben und wir machen auch Wir sorgen uns unseren Spaß in dem Sinne. Wir wir wir wir sind im Sinne auch sehr gut unterwegs. Und auch noch als allerletztes, wir gehen auch als Team zum Kunde. Es ist eher mittlerweile selten, dass wir eine One Man Show leisten, wo wir einem Data Scientist zum Kunden schicken, sondern wir versuchen immer, funktioniert vielleicht nicht immer, aber dass wir als ganzes Team gehen. Wie gesagt, dass jeder einige Wissen mit dem Teil von der von dem Lifecycle bedeckt und dass wir uns als Team dann präsentieren.
Speaker2: Alright. Und da muss ich kurz ausholen. Bei mir im Beruf gibt's eine Komponente, die mich regelmäßig frustriert und zwar erfahre ich häufig folgende Situation, Interessent möchte in Machine Learning einsteigen, hat auch konkrete Ideen, aber es gibt noch 'n paar Hausaufgaben bei der Datenbasis zu machen. Und dann höre ich folgenden Satz immer immer wieder, nämlich, ja Theo, das ist alles total spannend und da machen wir auf jeden Fall weiter, aber als Erstes machen wir den Data Lake voll, so richtig voll. Und da geht mir immer die Hutschnur, weil das das absolute Gegenteil von AdilML ist und ich jetzt schon weiß, dass die mindestens die Hälfte der Daten im Data Lake entweder, ja genau, die eine Hälfte wird niemals gebraucht werden und die andere Hälfte wird unbrauchbar sein. Ja, und das ist so ein Ding, da komme ich mir immer vor wie in so einem Kampf gegen Windmühlen, wobei stetig, ja, wir arbeiten da dran und die Leute, die realisieren das auch immer mehr, okay, machine learning keine Wasserfallprojektstruktur bitte, sondern wirklich ganz, ganz kurz Iterationszyklen. Aber das ist son Punkt, der mich frustriert. Jetzt hat es sich sehr, sehr gut angehört, was Du da geschildert hast. Team, Struktur, Kompetenz, Herangehensweise an Projekte, Ansprache der Kunden. Gibt's da auch etwas, das dich frustriert vielleicht in diesem Szenario einfach oder irgendwas Banales, schmeckt bei euch der Kaffee scheiße, ich weiß es nicht, ja, aber gibt's da etwas?
Speaker3: Banales, einfach nur als Spaß. Wir haben viel zu viele Süßigkeiten und ich hatte schon meine Schmerzen davon bekommen. Ja, vielleicht nicht so banal, aber ja, aber aber jetzt kurze Spaß bei der Seite. Also ich finde, was Du sagst, es trifft mich sehr. Also also schon eigentlich, Du hast es Du hast sehr gute Wörter dafür benutzt. Daten sind nicht da. Wir hatten schon mehrmals auch mit Kunden gesprochen, also wenn wenn es darum geht, wir wollen sofort loslegen und vor dem Anfang vom vom vom Projekt, wo wir sagen, wir können sehr gerne schon sofort loslegen, aber bitte hält halte die Daten bereit. Und wir haben, also ich hab Geschichten gehört, jetzt ich mich persönlich, aber Leute, wo wo wo wo wo die haben bekommen, ja, das ist die Daten sind da und die sind clean. Und ich glaube, das ist das ist Ich glaube existiert sowas nicht. Datenklinik sowieso eine wichtige Aufgabe, aber wo wir als Statistik schon bereit sind, bewusst sind, dass wir es machen müssen und eigentlich sollten wir es auch machen, weil wir Kinder auch zu unserem Bedarf. Genau. Aber dass die Daten gibt, Datenzugung ist schon eine Sache. Ist schon ein Problem, weil weil ich glaube viele viele Unternehmen Ich ich würde mich jetzt auch auf deutsche Unternehmen beziehen. Ich kenne mich nicht so besonders gut aus, außerhalb auf dem deutschen oder, das heißt von der vom Dachbereich. Die die die wir merken hier in Deutschland, dass von der Infrastruktur sehr und von der Kardadoption ein bisschen hinterher den anderen großen entwickelten Ländern wie Japan oder USA stehen. Und viele viele viele Leute wollen gleichzeitig Thema Data Lake, was sehr sehr viele Leute anspricht, Thema Cloud, Thema Kafka ab und zu und dann natürlich Thema Machine Learning und die wollen das alles in der digitale Agenda packen und dann es geht natürlich, also ich ich ich ich stehe ganz hinter zu, was Du was Du sagst. Und vielleicht, was ich noch dazu sagen würde, ist das manchmal stehen innerhalb von von Unternehmen und je größer, je schlimmer, je älter, je schlimmer, große bürokratischen Hindernissen, wo es darum geht, dass Mensch a mit Mensch b reden muss und dann mit Mensch c abstimmen, dass Mensch d damit informiert ist und dann eine von diesen 4, 5 Menschen ist der Meinung, man hört sich immer, wir haben es bis jetzt immer so gemacht, warum müssen wir ändern? Wir haben bis jetzt immer unser Cluster im Keller bedient, warum müssen wir in der Cloud? Wir haben immer Statistik benutzt, unsere Entscheidungen zu treffen, warum müssen wir mit Data Science benutzen? Und das ist natürlich dann kompliziert zu überreden und das ist manchmal frustrierend, was sind normalerweise sehr schlaue Leute. Es ist nicht Leute, die Du sehr eigentlich gut erklären kannst, dass Machine Learning ist und schon irgendwie runterbrechen kannst, dass es darum geht, die verstehen es nicht und unsere Aufgabe ist eben zu zu erklären, was es ist. Was macht mir sehr viel Spaß, auch von der Universität, das weißt Du, ich hab sehr gerne Tutuübungen gehalten und sehr gerne Leute Biker Sachen beigebracht, Aber wenn Leute intelligent sind und es verstehen, aber trotzdem irgendwie aus irgendeinem Grund, dass bis jetzt immer so funktioniert hat und jetzt, warum wollen wir es jetzt ändern? Das ist schon so ein dickfristieren, würde ich sagen. Nichtsdestotrotz. Meine Kinder.
Speaker2: Ja. Und zwar, wenn wenn man ihnen was auftischt, so, oh, das sieht aber gut aus. Willst Du's essen? Nein. Ja, bisschen sehr ähnlich, oder? Prinzip von Data Science verstanden, aber kommt irgendwie nicht in der in der im Arbeitsalltag bei den Menschen. Ja. Ja, schade.
Speaker3: Ja. Zum Guten sehe ich schon, also ich sehe da die nicht die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die die das Change kann eher schlecht von Beratern kommen. Mhm. Ich glaube, das sollte von einem Unternehmen Bottom up kommen und ich glaube zumindest in den Kunden, mit denen ich bearbeitet habe, natürlich haben wir, also mit den großen Kunden haben wir eher mit den Entwicklern gesprochen und die Entwicklern waren schon begeistert und die Entwicklern haben selber die Kraft ausgeübt, deren Managers und dann den drüber hinaus die Managers von den Managers weiter diese diese Botschaft zu vermitteln. Mhm. Mhm.
Speaker2: Ja, ja, sehr cool, sehr cool. Dabei hilft's natürlich, wenn am Ende alle des Projekts, wenn alle am Ende des Projekts von sich behaupten können, dass das Projekt erfolgreich war. Und da hab ich auch schon alles erlebt. Wie ist denn das bei euch? Wie ist denn üblicherweise oder gibt's überhaupt 'n üblicherweise Erfolg im Projekt definiert? Muss das immer eine monetäre Erfolgskomponente sein? Das heißt, das Projekt erzielt einen ganz knallharten ROI oder geht's auch weichere Faktoren? In welchem, ja, in in welchem Playground bist Du da vor allem unterwegs?
Speaker3: Also für uns als Berater, man könnte es so sehen, dass man einfach die Tage bezahlt und dann einfach die die Tagen vergehen lässt und dann jeden Tag einfach Bild. Das tun wir nicht. Wir sind sehr gerne Projekte, wo wo klare Ziele gibt, die zu verwirklichen sie gibt, aber die werden natürlich sehr unterschiedlich von Kunde zu Kunde. Natürlich als allererste, naiver Weise kann man sagen, wurde der Ziel, was am Anfang an gezeichnet worden ist, erreicht? Die Antwort ist normalerweise nein, weil am Anfang kamen Ideen, die die Genau. Die genau, der Umweg war anders und man hat entdeckt, jetzt nicht wir sind in der Mitte gelandet, sondern wir mit dem Kunden haben gemerkt, dass vielleicht der Ziel nicht optimal war und haben wir darüber hinaus mal optimiert. Und da haben wir gesagt, wir können es besser machen. Also oder die die die 1. Idee, da hatten wir ja nicht son ganzes Bild. Also wenn man 6 Monate mit dem Kunde arbeitet, man hat natürlich ein besseres Bild, was eigentlich das Problem ist, als wenn man einige Meetings, einige Sales Meetings dann hat und versucht irgendwie das weiter zu kommunizieren. Also das ist tatsächlich, dass man gleichzeitig diesem Ziel mit dem Kunden updated und dann dann dann es neu schafft. Dann muss man natürlich denken, hatte ich auch in eigene Projekte, wo wo wo wo die Performance auch von der Data Science Perspektive kam. Tatsächlich die Standardmetriken, wo wir gewohnt sind, Performance, F 1 Score. Wie ist es, wie ist der Performance von dem Modell jetzt, was es vorher war mit alten Modellen, mit mit Statistik oder mit sogar, dass das irgendjemand irgendwas behauptet hat und und und da zum Beispiel diese Zahlen waren von von von der große Bedeutung, wo wir Erfolg gemessen haben. Wir haben auch natürlich von der von der Zufriedenheit vom Kunden auch Wir schätzen sehr viel drauf und dann am Ende 1 Projektes, am Ende 1 Vertrages wollen wir unbedingt Feedback vom Kunden nehmen und das jetzt nicht weder ich noch meinem Chef oder meine Managers, das geht über die ganze Replay holding durch und das heißt, die können sich ganz ganz oben sagen und offen sagen, was deren Meinung ist und wir bekommen auch eigentlich Meinung von von von von von von von der Holding her. Und und und da schätzen wir sehr viel, dass wir das wird ein Kunde immer immer glücklich halten. Okay,
Speaker2: alright. Und gibt's da sone Art Vorfilter, dass wirklich nur noch die Projekte bei euch ankommen, bei denen eine Machine Learning Solution wirklich die richtige Solution ist oder kommt es auch mal vor, dass ihr Projekte nach so, na, ein, 2 Sprints vielleicht ab hey, Moment mal, hier braucht man gar kein Machine Learning. Mhm. Hier tut's eine einfache Mittelwertberechnung oder irgendwie was ganz Einfaches. Mhm. Mhm. Ja.
Speaker3: Also wir wir wir schauen tatsächlich, dass wir die Projekte, die wir finden, irgendwie zu uns passen und das merken unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere unsere Partner ziemlich schnell. Okay, also eure Partner sind da der Filter, okay. Genau, genau. Die merken ziemlich schnell, ob tatsächlich da der der der der der der der der der der Projekt zu uns passt. Die sind auch ziemlich ziemlich reif und zu sagen, sowas ziemlich Standard, erzähl mir dann pay ihn. Was was ist dein Hauptproblem? Und dann dann kann ich dir sagen, ob dir Machine Learning die irgendwo hilfreich sein kann. Vielleicht ein Filter, was ich vorher erwähnt habe, dass wir haben, ist auch, dass wir die Projekte auch nicht als eine One Man Show bekommen. Also tatsächlich, dass der Kunde einen Algorithmus entwickelt haben will, innerhalb 1 Monats oder 2 Monate ohne für einen Detail ist da ausreichend und tatsächlich, wir wollen unsere unsere unsere ganzes Opfer benutzen, indem wir die, wie gesagt, die digitale Agenda einen Schritt weiter, also vom digitale Agenda von einem Kunde einen Schritt weiter schaffen können und das ist noch mal Thema Ideation, Thema Strategie, Thema Thema Thema an den Technologien diskutieren, was für die Technologien da zur Verfügung stehen. Entwicklung von Plattformen, wie Du sagst, Ausführung vom Data Lake und dann Entwicklung von Algorithmen und dann die die ganze Enelobs Geschichte nachher kommt, in Production setzen und dann ja. Also das tatsächlich die Projekte, die wir schauen, dass hoffentlich so viele Elemente dann mit beteiligt sind.
Speaker2: Cool, sehr spannend. Da müssen wir, glaube ich, nur noch kurz als Erklärung hinzufügen. Ich weiß nicht, ob allen Zuhörern die Positionsbezeichnungslogik in Beratungen klar ist, wenn wir von Partnern sprechen, ja? Vielleicht magst Du das Ganze kurz einordnen mit Associate Consultant Senior Consultant Partner, die
Speaker3: Ja, also also bei uns ich ja hier ziemlich ziemlich, wir haben nicht so viele Stufen und wir sind die Berater, dann haben wir unsere Managers, die sind diejenigen, die auch im Projekt mit beteiligt sind, Projektmanagement durchführen und dann die die die die sorgen, dass wir Berater in Projekten beteiligt sind und ob's wenn irgendwelche Probleme bekommen, das sind unsere direkte Ansprechpartner und dann haben wir unsere Partners, also von der m l reply, wir haben 2 Partners und die sind diejenigen, die auch an den richtigen Leuten kommen und mit den richtigen Leuten sprechen können und schnell Entscheidungen treffen können zu was für Projekte gibt, was für Möglichkeiten gibt, wo man Machine Learning einsetzen kann und so weiter.
Speaker2: Alright, perfekt. Super. Eine 1 Frage liegt mir auf der Zunge und zwar gibt's ein Machine Learning Projekt in deiner bisherigen Laufbahn, muss auch gar nicht bei Replay gewesen sein, zwangsläufig, das deutlich überdurchschnittlich erfolgreich war im Gegensatz zu allen anderen oder sind alle deine Projekte einfach crazy, ausum?
Speaker3: Alle sind schon ziemlich ziemlich spannend, das muss man zugeben und wir hatten schon ziemlich viele Erfolge in allem. Ich ich ich habe ziemlich viel Glück gehabt, dass dass meine Kunden auch sehr angenehm zu arbeiten waren und wir haben auch im Sinne immer diese Folge uns geschafft und alle alle alle Schwierigkeiten zusammen erobert. Lustigerweise, wo ich, sagen wir mal nicht am erfolgreichsten, aber am glücklichsten war und jetzt im Nachhinein würde ich auch sagen, dass das Projekt ziemlich erfolgreich war, war lustigerweise meinem ersten, alle mal eine meiner ersten Projekten bei bei bei bei der Replay, wo es darum ging, am Sales for Casting Algorithmus zu entwickeln. Und ich meine mittlerweile bin ich auch reifer und weiß, dass Sales for Casting im 2. Platz nach nach Marktentwicklung steht von, es geht wirklich nicht. Also spielt so viele menschliche Psyche da, dass Du's nicht Du brauchst eher Du musst irgendjemand, die die die Terrodkarten liest, ne? Hast Du vielleicht das Recherche? Ist natürlich übertrieben, Machine Learning kann sehr vieles. Was das was ich sagen will, ist, dass natürlich Machine Learning, da kommt sehr schnell in diesen 2 Felder an den Grenzen. Nochmal, weil weil weil weil so viele menschliche Psyche da eine Rolle spielt und die kann man sehr schlecht parametrisieren. Nichtsdestotrotz nichtsdestotrotz haben wir, müssen wir Sales Forecasting machen für unseren Kunden. Die hatte auch sehr viele Schwierigkeiten, wie zum Beispiel die hat unterschiedliche Märkte, unterschiedliche Produkte, unterschiedliche Kanäle, wie man die Produkte verkauft worden sind. Und die hatten einen auch ein sehr hoch bürokratische Methode, die Sales Forecasting zu machen. Die hatten fähige Leute, die sich dann mal eben es getroffen haben, Markt angeschaut und gesagt haben, wir denken dann dieses Quartal, das im Monat gut sein wird, schlecht sein wird. Und wir haben einem einem ein Machine Learning Modell da da da entwickelt und wir kamen sehr gut, sehr schnell auf gute auf sehr gute Vorhersagen im Gegensatz zu zu was es vorher kam. Der war auch wie gesagt, natürlich kam sehr schnell in den Limits. Wir haben jetzt nicht so viele wahnsinnig gute Performances geschafft. Man blieb immer so bei bei vielleicht 60 Prozent oder sowas, aber das war schon schon schon ziemlich gut. Und dann das Schöne daran war und dann ich würde sagen, was mich auch an der Beratung sehr begeistert ist, dass jedes jedes Projekt ist einem einem einem eine Tür auf weitere Projekte und dann tatsächlich dieses Projekt hat sich dazu entwickelt, dass der Projekt, dass wir haben geschafft, den Kunden zu zu zu zu begeistern, dass man schön Learning sehr vieles für unser Kunden machen kann und auch weitere Projekte dann mit denen befasst geschafft und wir sind wir haben immer noch eine sehr enge Beziehung zum Beispiel mit diesem Kunden.
Speaker2: Ja gut, wobei bei den bei den Sales Forecasts, da kurz einzusteigen, kommt halt drauf an, wie die bisher gearbeitet haben oder? Denn sowas wie saisonale Effekte, die jetzt nicht so wahnsinnig chaotisch und stochastisch ablaufen, die kann ich ja doch recht gut wieder über den Regresor modellieren. Ja. Ja. Das stimmt auch. War das Projekt dann erfolgreich eben, weil Machine Learning so was ganz gut kann oder gab's da noch sone Secret Ingredent bei euch im Team vielleicht? Habt ihr die Leute gut abgeholt? Ich versuche mich zu verstehen, was ist der wirklich der Schlüssel dafür, dass meine Projekte und insbesondere dieses Projekt so gut angekommen ist?
Speaker3: Ich Also eine Schlüssel glaube ich ist tatsächlich und das können vielleicht wir als Physiker besonders gut, Es ist es ist mit mit deinem Metri zu kommen, mit 1 Zahl. Was willst Du genau? Was was ist Problem? Und ich glaube, dass das Also wenn wenn wenn der Pain vom Kunde jetzt nicht in diesem Projekt, aber in andere Projekten ist, Wir investieren sehr viel zu Ressources in x oder y. Normalerweise ist tatsächlich dieses x oder y nicht, wo Du daran optimieren willst. Ja, ja, ja. Und und und da hatten wir im Kunden zusammen tatsächlich diskutiert, okay, es gibt tatsächlich diese Zahl, wo wir hinauslaufen, nämlich das Sales Forecasting, aber was steckt wirklich dahinter? Also was was es gibt nicht eine Menge an Euro zu kommen, sondern sondern Mengen an Verkäufe oder Menge an an an an an an Volumen an Verkäufe ändern, die die Verkäufe auch also Saisonaleffekte. Es gibt die Standard natürlich, aber gibt's tatsächlich irgendeinen Grund, warum ein Kunde eher 50, keine Ahnung, 50 Bleistifte kauft anstatt 50 Kunde einem Bleistift, die man vielleicht sowas erkennen kann. Und das haben wir natürlich dann in unserem Modell dann dann dann dann also bei Feature Engineering zum Beispiel das künstliche Schaf, dass dass diese diese diese Sachen, dass wir uns zusammen gucken gedacht haben, dass eine wichtige Rolle spielen soll, in unserem Modell reingepackt. Und danach waren unser Modell natürlich sehr erfolgreich, die tatsächlich uns sehr oft zu sagen, nein, diese Metro spielt überhaupt keine Rolle, aber ab und zu kam tatsächlich so eine nicht eine Metrik, eine 1 Feature, wo Du sagst, also der jetzt ist zum Beispiel jetzt im Random Forest kann man sehr gut sehen, wie wie gut die Features sind und der kam den zweiten, also im zweiten Platz nach irgendwas sehr, sehr, sehr Offensichtlich. Und das hat natürlich das Modell sehr, sehr, sehr weiter verbessert.
Speaker2: Cool. Spannend, megaspannend. Lass uns mal einen kurzen Break einlegen und 'n kleines Intermitt zu machen. Ich würd dir gern 'n paar Fragen stellen, die jetzt nicht unmittelbar was mit zu tun haben müssen oder deinem aktuellen Job als Berater. Und zwar würd mich interessieren, hast Du einen Lieblingsalgorithmus und wenn ja, warum? Wenn wenn nein auch, warum?
Speaker3: Ja, ja. Ich ich glaub, Du denkst schon irgendwie an Machine Learning Algorithmus, oder? Ach, muss nicht sein. Kann kann auch irgendwas Kurioses sein. Ja, leider ich ich ich stelle so eine Frage und mir fällt eigentlich kein kein kein kein kein nicht Machine Learning Algorithmus, der mir jetzt noch einfallen kann. Natürlich hat man Sachen irgendwann mit Sortierungsalgorithmus begeistert, aber mir fällt gerade eben die die die die ich ich würde sagen, wenn man Machine Learning bleibt, ah, tatsächlich, random forests würde ich sagen und generell Ensemble Machine Learning Modelle, allein durch die Tatsache, dass man so einem, würde ich sagen, einen juristischen Approach macht, wie was eine Modelle kann, dann können 2 besser Mhm. Und die gleichen sich aus, wenn beide falsch sind, dann dann irgendwo irgendwie die Wahrheit muss in der Mitte stehen. Und und und das zeigt sich immer wieder so so so immer weiter, dass es so der Fall ist. Also man kann einen wunderschönen wunder also komplexes Traditionsmodell mit was weiß ich, wie viele Regulalisierungsparameter und Features und so weiter. Aber da muss man sehr viel Zeit investieren und normalerweise so was ähnliches schafft mit mit mit einem reinem nicht hoch editiertes Running Forest Algorithmus Algorithmus.
Speaker2: Alright. Du, dann gehe ich gleich zur nächsten Frage und zwar welchen Technologie Stack benutzt Du und warum?
Speaker3: Du meinst, ich ich ich okay, ich sag einfach alles und vielleicht trifft irgendwas nicht. Volle Bandbreite, können wir gleich mal loslegen.
Speaker2: Benutzt Du eine selbstkompilierte Linux Distribution oder bist Du auf Windows, Mac bis hoch zu, bei dir läuft alles in in PyTorch
Speaker3: oder programmierst Du Ja, okay, okay, okay, okay. Und dann ganz am Anfang rührst Du auf auf irgendwas, wo ich, sage mal, es, wo wo wo wo wo ich meine Meinung sehr stark geendet habe. Also ich war Und ich bin da ein großer Windows begeisterter Mensch. Ich finde die Philosophie, wie man Windows Produkte umgeht gut und ich finde Windows Produkte sehr gut. Leider, leider, leider haben die Kollegen bei Microsoft noch nicht eine volle, eine volle, was wäre das richtige Wort, eine volle Interaktion, eine volle Implementierung oder die haben Unix nicht so wirklich geschafft, da zu implementieren. Es gibt pauschal, ja. Es gibt auch Afrika Cola, aber man will letztendlich Coca Cola, weißt Du. Also man kann's alles. Es ist gut, aber und Ins Game of Linux Ja, sehr gerne. Sehr oft benutzt. Ja, super. Fand ich echt super. Aber sehr, sehr schnell bin ich tatsächlich bei Apple gelandet und und ich benutze eigentlich in dem Sinne seit gute 6 Monate Apple. Ich bin ziemlich happy mit alles, was da so steht und ich kann sehr vieles machen und ich fühle mich schon daheim wegen Unix. Wie Du weißt in der Uni, es gab nicht anders, weil es soll auch nicht anders geben und da fühle ich mich auch sehr wohl. Man solle mit UniX und Linux Distributions alles schaffen und und bei EEZ arbeite ich bei MerC, genau. Genau irgendwie bin ich da weiter geh, wie es Code, weiter noch mal zurück zu Microsoft. Großer Fan. Alle alle alle die Extensions funktionieren super. Jupiter auch natürlich sehr oft. Für die Entwicklung von Python, nochmal Thema Python, sehr viel Python, sehr viel Basch. Ich versuche mir so vieles wie möglich selber zu machen. Ich bin gerade an der an der an der an der an der Lernphase von Containers. Ich finde die Idee faszinierend und versuche mich selber da da einzulesen. Was alles so ist. Thema Machine Learning natürlich die Standards SK Lern, Tense Flow, kleines bisschen, wo ich am meisten bei bei Ilyo mit dir gelernt habe. Und dann wie gesagt Pandas, die ganze Standardlibraries, die man so gut kennt. Und dann sehr stark auch wie gesagt zum Thema Cloud Architektur. Ich bin bei AWS, ich hab da einen Fokus und dann benutze ich sehr viele Tools, die die AWS bereitstellt und beziehungsweise Umgebungen, wie mit der man einfacher an hochkomplizierte Technologien kommen kann, wie zum Beispiel Spark, wie zum Beispiel Kafka, wie zum Beispiel auch wieder Containers, die lassen 6 Jahre einfach mit AWS bedienen.
Speaker2: Ja, ja. Okay und welche Rolle oder spielen die überhaupt eine Rolle? So ja eher eher geschlossene Ökosysteme von Anbietern wie Databricks oder wie ist der Anbieter C3, die auch noch mal zurückzukommen auf das Thema m l ops, ja, dass sie komplette Pipelines anbieten, so wie Du's geschildert hast mit, Du programmierst 'n Python und 'nem Bash, das hört sich eher so an, wie wenn Du das wirklich auf den Kunden maßgeschneidert baust, anstatt dem jetzt sone Standardlösung zu geben oder kommt es eher vom Kunden?
Speaker3: Wie wie sieht das aus? Das kommt vom Kunden normalerweise. Wir haben schon, würde ich sagen, große Erfahrung und wenn man alle unsere Berater betrachtet mit mit mit alle Plattformen, die eigentlich schon es gibt, Bekannten, Unbekannten, Ultra X, Dat IQ und alles, aber und wir schauen auch, wir versuchen auch, wir kennen diese Lösungen und manchmal wird wurde der Kunde sehr viel damit von einem von diesen Lösungen geholfen sein. Aber das genau, also dieses letzte Wort hat der Kunde und wir passen uns immer am Kunde an.
Speaker2: Alright. Jetzt sind wir doch wieder zurück auf den Job, siehste? Ja. Alright, Alright. Cool, okay. Dann noch mal vielleicht von der Technologie einen Schritt weg, eher hin zum Projekt- und Projektmanagement. Mhm. Was ich da total spannend finde, das sind so wirklich die die vielleicht gar nicht so präsenten Player im Team, im Projekt, die letztlich aber entscheidend für den Erfolg oder Misserfolg sind. Gibt's das bei euch in dem Umfeld auch? Gibt's das so hin Champions, vielleicht 'n Product Manager oder ja, eine Kümmererrolle oder ist es der Hardcore Mathematiker, die letztendlich den Unterschied ausmachen zwischen Erfolg und Misserfolg oder keine Ahnung, ja, kann es sein, dass es komplett egalisiert ist. Ist es wirklich das Team als, ja, in der Summe mehr als die Einzelteile. Wie wie sieht es bei euch aus oder deine Erfahrung noch?
Speaker3: Also einem einen großen Chilen Champion, die wir haben und das ist ein Luxus, die wir in der Replay haben ist. Also vielleicht kurzes zu zu zu wie Replay funktioniert. Wir sind eine große Holding. Hast Du schon bereits beschrieben? Die Replay ASE und denen gehört sämtliche Tochterunternehmen und jedes Unternehmen ist fokussiert auf einem auf einem, sagen wir mal Technologiestag. Es gibt natürlich Überlappungen selbstverständlich, aber den Fokus gibt und dann natürlich Spezialisierung gibt in unterschiedlichen Richtungen und wir hatten auch zum Beispiel einen Falle, wo wo wo wir mit mit Salesforce was machen müssten, mit den Salesforce APIs, mit Salesforce zu arbeiten Und eine der Replay Unternehmen spezialisiert sich auf Salesforce und wir hatten tatsächlich und das tun wir auf der Replay sehr oft. Du gehst auf den Manager, du kennst den Manager von 1 anderen Firma, du kennst den Partner von 1 anderen Firma, kennst Du sogar den richtigen Berater von der anderen Firma, sprichst Du an, hey Du, wir müssen damit arbeiten, kannst Du uns bitte kurz eine ja, 1 1 1 halbe Stunde Einführung Crushkurs geben? Wie können wir mit Sales for Shaekeheizung gehen? Und das hat uns sehr oft sehr oft sehr sehr sehr weit geholfen, weil das ist das ist so 1 1 1 Wir sind kleine Unternehmen, die eine große Unternehmen gehören und diese Networking ist da und wir sollten den dann ausnutzen. Und dann vielleicht jetzt in Projekten, ich würde sagen, ist eine nicht die Rolle. Diejenigen, die strahlt, ist die Proaktivität. Ich glaube, es ist 1 1 1 1 menschliche eine menschliches Fluch, das Wissen, mir tut's hier nicht hier weh, aber ich weiß nicht warum. Mhm. Und und und und man kann sämtliche Lösungen anbieten und versuchen manchmal mit dem Kunden, manchmal auch wir intern, die richtige Lösung zum Problem zu finden. Aber manchmal gibt es eine Kunde, die vielleicht mit damit irgendwie gut auskennt und sagt Leute, ich weiß, das ist gut für euch. Ja. Ihr seid skeptisch, aber ich nehme mir die Stunden kurz und ich bereite was für euch vor. Mhm. Und ich zeig's. Ihr dürft immer noch nein sagen, aber lasst mir euch zeigen, was genau wie das hier aussieht. Und sehr oft, sehr oft ist das schon 1 1 1 1 1, kann man damit die Leute überreden. Und nicht, weil wir jetzt irgendwas verkaufen wollen, weil die Produktivität kommt mit von die von der richtige Person. Die sagt, ich ich weiß das ganz richtig. Ich weiß ganz genau, wie ich euer Problem lösen kann und ich breite was für euch vor. Und es ist diese Produktivität, die einfach irgendjemand so sagt, das kann ich und dann kommt kommt der Berater, kommt der Manager mit mit mit fertige Sachen oder halbfertige Sachen, so wird's aussehen. Und dann dann das das hilft auch sehr viel, wenn es irgendwie einen Zeitdruck gibt, Kunden zu beruhigen oder richtige Lösungen zu finden oder Leute, die auch skeptisch waren davon entweder auch auch natürlich zu sagen, das ist ganz genau was, wovon ich Angst habe, das ist eben mein krasser Nein, hilft auch wahnsinnig weiter. Ja, dann meistens das auch. Aber normalerweise, genau. Aber normalerweise, man man hat da eine kleine Sache. Man man man schafft ein bisschen Licht drauf zu werfen.
Speaker2: Alright. Gibt's irgendwelche Rand Flags, nach denen ihr oder du vorgeht, wenn ihr wenn ihr die im Projekt sieht, dass da alle Alarmglocken losgehen und zum Beispiel eine Eskalation zum Partner stattfindet oder Projekte vielleicht gar nicht erst begonnen werden, obwohl sie eigentlich gut ausgesehen haben für den Partner?
Speaker3: Das ist eine schwierig, eine schwierige Frage.
Speaker2: Na okay, aber das bedeutet, dass das noch nicht vorkam, oder?
Speaker3: Also ich persönlich hatte ich noch nicht den Fall, wo eine Red Flag kam, wo wo wo es irgendwas gebrannt hat, wo 1 1 1 1 große Skalierung kommen müsste. Wir hatten natürlich wie gesagt einige Hindernisse, die tatsächlich ja bisschen vielleicht ein bisschen skalieren müssten, die letzten Entscheidung zu treffen, aber nicht, wo wir gesagt haben, hier kommen wir ja nicht weiter, das das das spricht uns nicht an. Also das ist hatten wir noch nicht einen Fall. Also ich, vielleicht hatten jetzt unsere Managers, unsere Partners den da, aber den den habe ich nicht mitbekommen.
Speaker2: Okay, es gibt auf jeden Fall einen eine Red Flag, die aber wahrscheinlich einfach an euren Partner nicht vorbeikommt. Das ist die, man möcht sich einfach mal 'n bisschen mit Machine Learning beschäftigen, weil's cool ist, aber so wirklich ernsthaft hat man nichts damit vor. Das das erleben wir einfach sehr, sehr häufig, fällt mir grad auf, dass wir Anfragen kriegen von, ja, da könnten wir noch mal son Workshop machen, ja? Dann frage ich, ja, wozu? Ja,
Speaker3: eine Hackathon und dann Ja, ja, ja. Und dann wird die Lösung gewartet, ja.
Speaker2: Alter, erst vor Kurzem, wir sind aus 'ner Challenge ausgestiegen. Da war wirklich die Erwartungshaltung, so, ja, ihr könnt hier 'n halbes Jahr umsonst für arbeiten und das ist ja okay, was haben wir davon? Ja, ja, so, wir machen uns so einen Presseartikel.
Speaker3: Ja, genau,
Speaker2: genau. Aber aber genau, so so wie ich eure Strukturen kenne da, sowas kommt an den Partner nicht verweilt. Gut, gut für die. Nee, gut für die. Und ich glaube,
Speaker3: ich glaube, das liegt auch streng daran von der von dieser, dass wir von dieser One Man Show weg gegangen sind Ja, ja. Und dass also da wir als Team gehen wollen, es braucht eine gewisse Widmung und eine gewisse Digitalisierung, digitaler Reifheits, gerade wenn so ein Wort überhaupt existiert Ja, doch doch. Dass die Kunden auch bereit sind. Und wir waren auch auch auch sehr Wir haben immer mit den richtigen Leuten gesprochen. Also dass die Leute auch innerhalb von der Firma hatten wir auch den Fall gehabt, dass unser Ansprechpartner wusste, was man an Machine Learning machen kann. Der war davon begeistert. Seine Chefs nicht so wirklich, aber der hatte uns gefragt, Leute hilft mir irgendwas zu schaffen und wir überreden meine Chefs und wir überreden das Konzert, dass das hier das Richtige ist. Und das ist vielleicht so ein halber red flag im Sinne von, die Managers wollen vielleicht irgendwas noch was Kleines und können nein sagen, aber das spricht uns sehr an, weil wir wollen tatsächlich Probleme mit dem Machine Learning Machine Learning lösen. Das ist keine Machine Learning ist nicht mehr in der Kindheit, ist in den Jugend, würde ich sagen und und und und wenn man solche Leute findet, wo man tatsächlich mit intern auch das weiter pushen kann, es ist es ist sehr spannend und und und gibt uns auch ein sehr gutes Blick, was Industrie ist und das ist auch Leute gibt, die das machen wollen. Ja, die Coaches, ja.
Speaker2: Alright. Cool, dann lass mich zum Schluss noch fragen, gibt's einen Rat, den Du deinem zwanzigjährigen Ich gerne geben wollen würdest, wenn das möglich wäre?
Speaker3: Schon einem. Ich weiß nicht, wie wie Du dich in diesem Kommentar identifiziert finden würdest, vielleicht eher gar nicht, aber als als als junger Physiker bist Du von der von der von der alleine von der Mathematik so begeistert und ich fand's richtig romantisch die Idee, es gibt Mia, meinen Stift, mein Papier und ich will diese schwierige gleichen lösen. Ich will den Markt gleichen leiten könnten, herleiten können. Ich ich dieses Integrale bricht ich 'n, zerbrich mir 'n Kopf und das will ich und das fand ich einfach super. Und ich hab deswegen die die mich sehe, wenn ich mit rechnen beschäftigt. Wir hatten einen guten Konkreter numerischen,
Speaker2: konkreten numerischen Rechnen, meinst Du?
Speaker3: Ja, ja, ja, ja, genau. Halt halt Computern, nee. Also ich hab sehr wenig jetzt in meiner freien Zeit irgendwie mit Dash coole Sachen gemacht oder Netzwerken. Wir hatten einen Kollegen, einen Kollegen von uns, der Kollegen, 1 1 1 1 guter Freund von mir, der mit uns studiert hat und der konnte sich wahnsinnig gut mit Lenutz Netzwerke und er hat auch 'n Physik probiert und allem, aber allein diesen Wissen an den Netzwerke hat ihm sehr viel weitergeholfen. Also das heißt als Physiker und deswegen sage ich nicht, ich weiß, Du warst schon von Anfang an sehr sehr begabt mit den Rechnern, aber ich weiß nicht, wie weit Du damit da bestätigt hast. Ich sehe wenig und vielleicht schon irgendwie, dass ich mit mit 1 oder die andere Programmiersprache irgendwie versuchen sollte, irgendwas Cooles zu wagen, irgendwas Lustiges zu machen. So dass man jetzt nicht im Nacken kommt, wenn man jetzt in der Promotion anfängt und passenden Simulationen machen muss, dass man von von Ola anfängt und ich müsste tatsächlich Da bin ich noch mal sehr glücklich, dass sich die die die die Chancen hatten, alles was drumherum von Activated, Datenbanken, Cloud, Machine Learning, Algorithmen am am Alles schon lernen könnte. Aber das war schon Genau. Wenn man schon früher machen kann als Physiker, schon, also würde ich schon mich raten.
Speaker2: Ja, steckt halt viel Software Engineering in der Thematik drin, ja. Ja.
Speaker3: Mittlerweile hat mein Papa mir gesagt, als ich. Also hatte, also das ist lustig. Das würde ich mich als Zwanzigjähriger sagen und mein Papa hat mir mit 10 gesagt. Heute, heute misst man, ob man Analphabet ist oder nicht, wenn man nicht lesen oder schreiben kann. Mittlerweile sollte es sein, ein Stufe 1 lesen schreiben, Stufe 2 programmieren und da da da muss ich nur dahinter stehen. Also ich glaube, wir müssen uns Also wir als Menschen müssen wirklich tatsächlich sorgen, dass alle Menschen damit umgehen können, weil das ist schon sehr, sehr, sehr wichtig und sehr nützlich und Rechner spielen da eine Rolle immer wieder mit mit uns, also.
Speaker2: Mega alright. Voll gut. Ich hab viel aus der Folge rausgenommen. Ich hab hier nebenbei 'n bisschen mitnotiert, so so kleine kleine Zusammenfassung. Ich hab gelernt, ihr habt insbesondere deswegen Erfolg bei euch in der Firma, weil ihr wirklich sehr, sehr gut filtert, was die Projekte angeht und mit den richtigen Leuten spricht, dann in den jeweiligen Firmen, aber auch untereinander in der, wie ist die der Replay Holding oder ist der richtige Name? Ist eine Holding. Also, ja, genau, also mit den richtigen Leuten sprechen nicht die Zeit verschwenden mit irgendjemanden, sondern am besten mit denen, die das Projekt wirklich wollen und dann gemeinsam damit die wirklichen Entscheidungsträger überzeugen. Zweitens, was ich sehr, sehr cool fand, das war das, der Kunde hat sowieso das letzte Wort bezüglich der Architektur und welche Tools eingesetzt werden, also und auch sehr, sehr spannend. Das fand ich tatsächlich den Ansatz auch einfach mal zu sagen, okay, Jungs, Mädels, ich geh hier proaktiv rein. Ich bau mal einen kleinen Prototypen. Mhm. Warum? Okay. Ja, ich kenn natürlich das Klischee der fleißigen Berater, die gerne noch bis 2 Uhr nachts was vorbereiten. Aber was steckt da dahinter? Da steckt da dahinter. Tun tun wir nicht als Klammer. Ja, ja, ja, umso besser, ja, aber was steckt da drin? Wenn ihr einen Prototypen zeigt oder was kurzes, Kleines vorbereitetes, dann zeigt ihr was Unperfektes, was Unvollständiges, eine Skizze und das machen nicht viele. Das ist auch eine Kulturfrage, wo ich denke, sich viele, insbesondere wenn sie von der Universität und einen Perfektionsanspruch haben, echt eine Scheibe abschneiden können. Rapid Prototyping, kurze Iterationszyklen, die Idee skizzieren Ende zu Ende, nicht nur Details, die dem Kunden zeigen, dass er sich 'n Bild davon machen kann, worum's überhaupt geht. Ist nämlich einfach eine komplett neue Thematik und dann geht's weiter und dann auch total cool von dir dargestellt, gibt's diesen Multiplikationseffekt von einem blöd zum nächsten. Also wie gesagt, ich hab sehr, sehr viel mitgenommen. Vielen, vielen Dank, Sergio, für die Zeit. Ich wünsch dir und deinen Kollegen und der Reply viel, viel Erfolg bei den Projekten. Ich hoffe, die Complexity Masters da draußen haben was gelernt. In dem Sinne, noch mal vielen Dank, Paco.
Speaker3: Danke dir, Theo, für die Einladung, für die coolen Themen und ich hab auch sehr vieles mitgenommen. Ich dank dir, war echt schön.
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 IRIUM Podcast.