Dr. Stefan König – Senior Data Scientist bei der Ehrenmüller GmbH

Season 5· 15. Februar 2022· 4241

Episode cover: Dr. Stefan König – Senior Data Scientist bei der Ehrenmüller GmbH
0:004241
  • Dr. Theo SteiningerCo-Founder & CEO at Erium
  • Dr. Stefan KönigSenior Data Scientist at Ehrenmüller GmbH

Overview

In this episode of the Erium Podcast, host Dr. Theo Steininger speaks with Dr. Stefan König, Senior Data Scientist at Ehrenmüller GmbH. Stefan shares insights into his day-to-day work as an AI service provider for mid-sized companies, explains what truly makes AI projects successful, and offers practical experience on project management, tech stack, and how to derive good decisions from model outputs.

About the guest

Dr. Stefan König is a Senior Data Scientist at Ehrenmüller GmbH, an AI consulting company based in the Allgäu region that develops tailored AI software solutions for innovative mid-sized businesses. After completing his doctorate in mathematics, he joined Blue Yonder in Hamburg in 2013, working on algorithmic price optimization in e-commerce. He then moved to the clean-tech start-up Sonnen, a manufacturer of battery storage systems for photovoltaic installations. In 2019 he joined Ehrenmüller GmbH, which had been founded by his wife Julia. His project portfolio ranges from sales forecasting and automated procurement planning to machine control via computer vision and CNNs. He also works as a lecturer in data science at universities.

Summary

Day-to-day life as an AI service provider: small teams, many projects

Stefan describes his typical working day, which begins with a daily stand-up meeting where all colleagues briefly share what is on their plate. This is followed by classic project work across several parallel projects. Teams at Ehrenmüller are small - typically two to three people per project - and heterogeneously composed: a data scientist for the algorithmic side and a data engineer for infrastructure and software engineering. Stefan himself acts as a mentor who provides targeted support across projects and steps in when specific questions arise.

Direct client contact instead of long communication chains

A core principle at Ehrenmüller is direct collaboration between data scientists, data engineers, and the client - without intermediary project managers. Stefan emphasises that information is inevitably lost in long communication chains. Instead, the team relies on an agile approach with frequent iterations and early prototypes. A working prototype that addresses the core of the problem is shown to the client as early as possible - this brings undiscovered requirements to the surface early on, rather than having them emerge just before the end of the project.

What truly makes an ML project successful?

Stefan and Theo agree: model quality is necessary but not sufficient for project success. There is a quality threshold that must be crossed to make the use case viable at all - but whether it is 95 or 96 percent accuracy after that point is usually not decisive. Far more important is whether the solution is actually used in the client's daily operations in the end. Stefan defines project success by whether the client genuinely wants to use the delivered product every day because it brings real added value to their working life.

In-house development 'EMOps': infrastructure abstraction for faster project work

After several projects, Stefan noticed that many infrastructure tasks - file storage, database connectivity, model lifecycle management - are nearly identical across projects. Ehrenmüller therefore developed an internal Python package called 'EMOps' (Ehrenmüller Operations) that encapsulates these basic functionalities. The core idea is abstraction from the concrete infrastructure: the same code runs locally on the developer's machine against a local directory and in the production environment against AWS S3 - without any code changes, simply through different configurations. This allows data scientists to focus directly on the use case rather than repeatedly reimplementing the same technical foundations.

From prediction to decision: the underestimated potential

Stefan sees enormous untapped potential in the step from ML predictions to actual recommendations for action. Using the example of automated order planning, he illustrates: a sales forecast does not yet answer the actual question of how much should be ordered - because minimum order quantities, supplier terms, warehouse capacities, and product dependencies all play an equally important role. The same applies to autonomous driving: even if a neural network accurately detects a pedestrian, the question of what the optimal driving response is often remains too simplistically answered. Stefan advocates giving the decision layer after the prediction significantly more attention.

Mathematical foundations as an indispensable basis

Both speakers agree: solid mathematical knowledge - in particular linear algebra - is indispensable for demanding data science work. Anyone who only applies models at a high level of abstraction will start to struggle at the latest when a model fails to converge or produces unexpected results. Stefan names the simplex algorithm as his favourite algorithm, which combines linear algebra, mathematical optimisation, combinatorics, and convex geometry - exemplifying how fruitful the interplay of different mathematical disciplines can be.

Advice to his younger self: internships earlier and more often

When asked what he would advise his 20-year-old self, Stefan emphasises two things: first, the decision to study mathematics and then become a data scientist was, in hindsight, exactly right - even though he was uncertain at the time about what one could do professionally with a mathematics degree. Second, he wishes he had done internships earlier and more frequently in order to establish the connection between abstract theory and real-world application more quickly. Theo adds to this advice with equal relevance for physicists, mathematicians, and mechanical engineers: practical experience in industry during one's studies is a decisive career accelerator.

Key takeaways

  • Project success is not measured by model accuracy, but by whether the client uses the solution daily and willingly.
  • Early, functional prototypes are the most important communication tool with the client - they bring hidden requirements to light before they become a problem.
  • Direct communication between data scientist and client without intermediary layers reduces information loss and accelerates iterations.
  • The step from ML prediction to concrete decision is still insufficiently thought through in many projects and offers considerable optimisation potential.
  • Internally developed infrastructure abstractions such as the in-house 'EMOps' package make it possible to automate routine tasks across projects and keep the focus on the actual use case.
  • Solid mathematical foundations - in particular linear algebra - are essential for truly understanding ML models and solving problems in practice.
  • Mid-sized clients start AI projects driven by concrete problems, not for the sake of experimentation - this increases the likelihood that results will actually be transferred into operations.
  • Doing internships early during one's studies is one of the most valuable pieces of advice for aspiring data scientists.

Conclusion

The conversation with Dr. Stefan König makes clear that successful AI projects require far more than a well-trained model. Fast prototypes, direct client communication, consistent problem focus, and a deliberate approach to the gap between prediction and decision are the true success factors. Stefan's career path also shows that mathematical depth and the willingness to translate theory into real applications form a powerful and long-term fulfilling combination.

For students and career starters

Deepening mathematical foundations - in particular linear algebra - early on and grounding them in practice through industry internships pays off in the long run. Those who understand what is really happening inside a model can still intervene when it does not work straight away.

For data scientists and ML engineers in projects

Model accuracy is necessary but not sufficient: the focus should be directed early towards the core of the client's problem, infrastructure tasks should be consistently abstracted, and the translation of predictions into actionable decisions deserves significantly more attention.

For managers and project leads

Short communication paths between the development team and the client, problem-driven project selection, and a company culture that rewards early prototyping and consistent focus on the project core are decisive levers for ensuring that AI projects do not end up in a drawer.

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 Stefan König. Er ist Data Scientist bei Ehrenmüller und entwickelt mit seinem Team maßgeschneiderte KI Softwarelösungen für innovative mittelständische Unternehmen. 2013 startete er nach seiner Promotion in Mathematik bei Blue Hyundai in Hamburg. Nach 3 Jahren wechselte Doktor Stefan König nach einem kurzen Zwischenstopp zum Clean Tech Start-up Sonnen, einem Hersteller für Batteriespeichersysteme für Photovoltaikanlagen mit Hauptsitz in seiner Heimat im Allgäu. In der Zwischenzeit gründete Stephans Frau Julia die Ehrenmüller GmbH und begann damit, KI Projekte für Allgäuer Unternehmen umzusetzen. 2019 wechselte dann auch er zu Ehrenmüller. Die Bandbreite seiner Projekte erstreckt sich seitdem von Absatzprognosen über vollautomatische Einkaufsplanung bis hin zur automatischen Maschinensteuerung über Computervision und CNNs. Zudem hält Doktor Stefan König als Lehrbeauftragter Data Science Vorlesungen an Hochschulen. Privat spielt er im Akkordeonorchester seines Heimatorts und als engagierter Hobbyläufer nutzt er seinen Arbeitsweg entlang der Iller als Training für den nächsten Kempner Stadtlauf.

Speaker2: Herzlich willkommen zu 1 neuen Folge von The Ihrem Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Stefan König. Hallo Stefan, schön, dass Du da bist. Ja hallo, vielen Dank für die Einladung. Freut mich, dass ich heute hier sein darf. Gerne, gerne. Total cool, dass wir heute ins Gespräch kommen. Wir haben gerade deine Vita schon gehört von der Corinna gesprochen. Gibt's dazu was, das Du ergänzen möchtest? Hat es soweit gepasst?

Speaker0: Nee, also das habt ihr super zusammengefasst. 1 a, vielen Dank dafür.

Speaker2: Wunderbar. Dann würd mich interessieren und zwar, es ist jetzt 10 vor 10 der Zeitpunkt unserer Aufnahme. Hab ich dich vielleicht schon bei irgendwas unterbrochen oder geht's bei dir danach der Aufnahme so richtig los? Wie sieht bei dir der heutige Arbeitstag aus?

Speaker0: Also der Klassiker, womit eigentlich jeder Tag anfängt, das ist auch das Einzige, was heute schon vor dieser Aufnahme passiert ist, ist, wir haben morgens 9 immer son Daily Meeting. Also das ist Lose angelehnt an das zum Beispiel. Und das ist quasi so mein Start in den Tag immer. Also ich bin immer kurz vor 9 da da, mit diesem Start ich in den Tag. Und das ist so der Moment am Tag, wo eigentlich alle Kollegen aus der Firma, egal in welchen Projekten sie grade arbeiten, einmal zusammenkommen. Man, also wenn alle da sind, stellt man sich 'n Kreis auf und jeder sagt son bisschen, was heute anliegt. Und das ist so eigentlich der Moment, wo man weiß, okay, da trifft man alle, die arbeiten und man kann irgendwie Sachen auch zur Sprache bringen, wenn man irgendwo Abhängigkeiten hat oder so. Das heißt, das ist heute schon passiert und dann hab ich mich hier eingerichtet für diese Aufnahme. Und normalerweise würde es jetzt eigentlich mit klassischer Projektarbeit in verschiedensten Projekten weitergehen, wenn ich so an meinen typischen Tag denke. Also wir sind eigentlich, also wir sind halt 'n KI Dienstleister, das heißt, wir setzen KI Projekte für unsere Kunden Das heißt also, wenn ich in einem Wort zusammenfassen müsste, was ich jetzt heute den ganzen Tag noch machen würde, dann ist das Projektarbeit, also einfach verschiedene Projekte. Und da, wenn ich mir das so anschaue, was ich den ganzen Tag so mache, würde ich, glaub ich, behaupten, mach ich ziemlich viele verschiedene Projekte jeden Tag und jede Rolle, die man sich in sonem Projekt vorstellen kann, ist da eigentlich auch mal kurz mit dabei. Ah, okay, spannend. Das heißt, Du bist je nachdem, wie die Anforderung ist, in 'ner unterschiedlichen Rolle drin.

Speaker2: Bist Du da dann jeweils in einem oder in vielleicht auch verschiedenen Teams eingebettet? Arbeitest Du vielleicht auch mit Teams beim Kunden zusammen? Wie sieht das genau aus bei euch und bei dir? Das ist tatsächlich unterschiedlich, ob wir ein rein internes Team sind oder ob wir auch mit Kunden zusammen an 'nem Projekt entwickeln. Mhm.

Speaker0: Es ist so, von der Größe her sind wir bei uns typischerweise haben wir so 2 bis 3 Leute auf einem Projekt. Und andersrum haben wir auch eine Person, die meistens in 2 bis 3 Projekten gleichzeitig arbeitet, einfach weil's doch immer wieder mal Phasen gibt, wo man warten muss, bis irgendwie die Ergebnisse angeschaut wurden, ob man wieder Feedback kriegt. Das heißt, das ist so der Modus, also immer 2, 3 Leute, so kleine Teams pro Projekt. Und ich bin quasi, also ich versuch quasi den einzelnen Projekten, eigentlich jedem einzelnen Projekt als Mentor zur Verfügung zu stehen und geh dann quasi immer punktuell rein und unterstütze halt da, wo's grade Gesprächsbedarf gibt.

Speaker2: Cool. Okay, ich find vor allem die Teamgröße super spannend, wenn Du sagst, das ist dann so Teams mit 2 bis 3 Leuten, wenn ich's richtig verstanden hab, Du bist dann on top als dieser Mentoringbilder quasi Genau, ich

Speaker0: bin on top und komm quasi dazu und unterstütze das Team halt bei speziellen Fragen. Mhm. Mhm. Genau.

Speaker2: Wie wie sieht es denn nämlich aus, eben bei soner Teamgröße von 2 bis 3 Leuten? Wie setzt ihr da das Skillset der Einzelpersonen zusammen? Sind es heterogene oder eher homogene Gruppen bezüglich der Fähigkeiten der Einzelperson?

Speaker0: Das kommt natürlich drauf an, von wo man jetzt guckt, ne. Also wenn man von außen auf die Firma guckt, ist sind wir die Techniker und die, ich würd's mal sagen, die Domain Expertise liegt natürlich also vor allem beim Kunden. Wenn man jetzt von innen guckt, also aus unserer Perspektive haben wir schon heterogene Teams. Das heißt typischerweise, also wenn man 2 Leute nimmt, haben wir einen Data Scientist und einen Data Engineer auf dem Team. Der Data Scientist mehr so bisschen für die algorithmische Machine Learning Seite und der Data Engineer so eher für die Infrastruktur. Irgendwo muss der Code ja auch laufen und zuverlässig Ergebnisse produzieren. Okay und so Komponenten wie Software Engineering, habt ihr die dann auch noch bei euch in den Projekten gemacht? Genau, das ist das ist mehr oder weniger das, was die Data Engineers machen. Ah, okay. Also die Data Scientists versuchen wirklich das Modell ordentlich hinzukriegen Und die Rollenverteilung ist vielleicht 'n bisschen so, dass die Data Engineers, die versuchen, durch Software Engineering die Data Scientists so zu enablen, dass sie quasi sich die Mathematik kümmern können und die Software quasi das unterwegs macht.

Speaker2: Cool. Habt ihr da auch dann bezüglich, ich sagen wir jetzt, und Stakeholder Management da auch eine zentrale Rolle implementiert, die da nichts anderes macht? Ist es vielleicht auch dann Teil deiner Aufgabe, wenn Du sagst, Du Du Du gehst da punktuell vor allem menturierend rein? Das ist ja, so wie ich's interpretier, deutlich zwischenmenschlicher geprägt auch dann wahrscheinlich. Wie habt ihr das abgebildet?

Speaker0: Also was quasi die Beziehung mit dem Kunden angeht, also es ist nicht so, dass ich da dann quasi als Projektmanager reingehe und diese Verbindung versuche zu managen. Es ist schon so, dass jedes Projekt das quasi für sich selber macht. Und aus diesem Thema son bisschen die Gefahr rauszunehmen, versuchen wir das eigentlich so zu machen, dass wir auch mit den in der Zusammenarbeit mit dem Kunden einen, ich würd's mal sagen, einen agilen Ansatz irgendwie versuchen umzusetzen. Das heißt, wir treffen uns relativ häufig regelmäßig mit denen und versuchen, also in soner Art, also in kleinen Iterationen immer das Produkt zu verbessern. Und was mir relativ wichtig ist, ist, dass wir relativ früh am Anfang einen funktionierenden Prototypen haben, den man dem Kunden vorführen kann und sagen kann, guck mal, also wir haben das verstanden. So würde es aussehen, wenn wir dieses Problem lösen. So würde sich das anfühlen in der Produktion, trifft es in etwa deine Erwartungen. Und dadurch, dass man eben früh schon 'n Anschauungsobjekt hat und der Kunde sich sehr konkret vorstellen kann, wie das Ganze aussieht, kommen viele Sachen schon relativ früh auf den Tisch, die sonst eventuell erst später ran, also später aufkommen. Und dann ist natürlich der Super GAU für jedes Projekt, wenn kurz vor Ende irgendwie noch mal unbekannte ja, Features quasi aufkommen, an die man überhaupt nicht gedacht hat, die man überhaupt nicht implementiert hat. Genau, das heißt, das versuchen wir durch viel Kommunikation und durch ja kleine Inkremente an einem funktionierenden System irgendwie hinzukriegen,

Speaker2: dass wir da quasi immer mit dem Kunden synchron sind und eine Lösung entwickeln, die ihm tatsächlich auch was bringt im täglichen Einsatz dann. Wenn ich es richtig verstanden hab, dann sprechen vor allem eben Data Scientist und Data Engineer direkt mit dem Kunden, richtig? Ja, auf jeden Fall. Sehr gut. Also ich bin kein Keine Wegabfraktion.

Speaker0: Ja, ich bin kein Fan davon so riesige Kommunikationsketten aufzubauen. Also das quasi der Anwender sagt seinem Chef, ah das funktioniert irgendwie noch nicht so richtig, der spricht mit dem Projektmanager, der Projektmanager muss das wieder dem dem Data Scientist erklären. Also ich glaub, Du kennst alle diese Bilder, die bei LinkedIn kursieren von so Kommunikationsketten, wo auf jeden Schritt was verloren geht und am Ende der stillen Post kommt irgendwas raus, nur nicht das, was der Kunde sich eigentlich vorgestellt hat. Von dem her also versuchen wir das wirklich direkt auf Arbeitsebene zu klären mit direkter Zusammenarbeit. Da geht am wenigsten in der Kommunikation verloren.

Speaker2: Da würde ich jetzt dann gerne im Anschluss noch mal tiefer einsteigen, wie ihr das mit den Projekten genau bei euch managt, dass das erfolgreich ist. Noch mal kurz zu deiner Persönlichkeit. Der Background als Data Scientist, über Sonnen, dann jetzt hin zu der Rolle, in der Du jetzt steckst. Gibt's da einen roten Faden, der sich durchzieht im Sinne der Faszination fürs Thema, wo Du sagst, das ist eigentlich das, was mich immer festgehalten hat bei der Thematik und dass das jetzt immer immer mehr rauskommt?

Speaker0: Also der rote Faden hat vielleicht angefangen mit soner Faszination für Mathematik. Also das hab ich eigentlich echt echt erst am Anfang vom Studium entdeckt. Aber das hat mir, also das macht mir sehr viel Spaß irgendwie son Gedanken stringent logisch zu Ende zu formulieren und das irgendwie klar und verständlich herzuleiten. Und also das hat mich durch Studium und Promotion getragen. Das hat mir immer sehr viel Spaß gemacht. Aber was mich jetzt eigentlich so, also was ich auch dann am Ende der Promotion gemerkt hab und was mich jetzt jeden Tag eigentlich fesselt, ist dieses, wenn ich dieses, diesen mathematischen Werkzeugkasten irgendwie einsetzen kann, in der echten Welt für einen Kunden tatsächlich ein Problem aus seinem Alltag zu lösen. Mhm. Also das eine ist, sone schöne mathematische Theorie haben, die sehr elegant ist und gut funktioniert. Und das andere ist, ja, okay, ich schaff tatsächlich irgendwie Impact im echten Leben und ich hab jetzt irgendjemand das Leben tatsächlich einfacher gemacht und benutze meine Mathematik, damit irgendwas in der echten Welt zu machen. Und das hat sich eigentlich durch alle meine Stationen durchgezogen, ne. Also wenn ich an die 1. Station denk, da haben wir im Onlinehandel gemacht. Und das eine ist, sich das auf dem Papier auszurechnen, wie das aussehen sollte und was wohl 'n guter Preis wäre. Aber der Moment, den ich abgefeiert hab, ist, wenn der Preis im Onlineshop erscheint und man sieht dann tatsächlich, okay, der Preis ist da und 'n paar Tage später macht man die Abrechnung und sieht, okay, das war echt besser. Ja, ja, genau. Also das ist halt im Vergleich, wenn Du das vergleichst, wenn man so als also als Mathedoktorand, da sitzt man so vorm weißen Blatt Papier mit seinem Bleistift und überlegt sich irgendwas. Und dann dacht ich so, ja, mhm, das also wenn ich die Annahmen so zusammenstelle, das müsste funktionieren. Und dann hat man das irgendwann mal ziemlich stringent formuliert, denkt so, ja, sieht okay aus. Aber also bisschen übertrieben formuliert, das schwebt halt so im luftleeren Raum, ne. Und was eigentlich mir wirklich sehr viel Spaß macht, also was mich echt so jeden Tag antreibt, ist, wenn man das jetzt einsetzen kann und sagt, okay, da hat mir 'n Kunde sein Problem erklärt. Ich hab das mathematisch modelliert, hab dafür eine Lösung gefunden, hab theoretisch ausgerechnet, dass das zu tun ist und das die beste Lösung ist. Der Kunde hat das umgesetzt und am Ende ist es tatsächlich auch besser rausgekommen. Also das war bei Sonnen dann so, ne, die Interaktion mit der echten Welt, wenn man tatsächlich dann sone Maschine steuert und irgendwie an dem Strommessgerät sieht, dass sich da was tut. Das ist noch mal was ganz anderes, wie wenn man sich das aufm weißen Blatt ausgerechnet hat, dass das wohl gut wäre. Und in meiner jetzigen Arbeit ist es eigentlich genau das Gleiche. Also ein Moment, der mir zum Beispiel stark im Gedächtnis ist, ist, wir haben son ein Projekt gemacht, wo wir für den Kunden im Prinzip, also für den technischen Großhändler haben wir prognostiziert, wie viel Stück er von welchen Artikeln verkaufen wird und haben dann darauf aufbauend auch die ganze Bestellplanung gemacht. Also wir haben uns angeguckt, welche Rahmenbedingungen gibt's so? Wie kann man überhaupt bestellen? Und was wäre denn jetzt die beste Bestellung? Und da haben wir sehr viel Arbeit investiert, dieses ganze Modell hinzukriegen, alle Nebenbedingungen zu berücksichtigen, wie der überhaupt bestellen kann. Und wenn man dann sieht, okay, ich hab mir das überlegt, das müsste eigentlich funktionieren, der Kunde hat tatsächlich so bestellt. Und 'n paar Wochen später kommt die Abrechnung, er sagt, ja, das sieht gut aus, die Zahlen gehen alle in die richtige Richtung, dann ist das echt so, also das ist noch mal was anderes, als wenn man das nur auf dem Papier gesehen hat, wenn man einfach spürt, okay, das bringt ihm jetzt tatsächlich was im echten Leben. Man hat irgendwie mit der echten Welt interagiert. Ja, das ist so eigentlich, was mir am meisten Spaß macht in meiner täglichen Arbeit.

Speaker2: Ja. Ich kann das total nachvollziehen und erinnere mich da auch gerade ein paar Situationen, die diese beiden Seiten der Medaille, die Du gerade beschrieben hast, auch genauso widerspiegeln. Und zwar ich weiß noch sehr gut, kurz kurze Erklärung, also wenn wenn man Mathe in der Schule hat, dann ist es ja eigentlich keine Mathematik, sondern rechnen in den allarbeitest Fällen, ja. Und dann, ich weiß es supergut im Physikstudium Analysis 1 mit 'nem Matheprof und alle haben geächzt unter den mathematischen Beweisen zu führen waren Und dann ging's wieder los und er meinte dann nur so, ach, jetzt stellen Sie sich nicht so an, wir beweisen hier etwas und dann haben Sie eine definitiv bewiesen gültige Aussage, Wo im Leben hat man denn schon diese Sicherheit? Ja, das ist echt krass und und der hat es so spaßeshalber am Rande erzählt, aber das ist eigentlich das krasse, was Du von der Mathematik auch kriegst. Du kriegst Gewissheit, dass unter gegebenen Annahmen etwas definitiv wahr oder definitiv falsch ist. Wahnsinn, ja. Und auf der anderen Seite, das fand ich dann eben auch so cool, so wie Du es beschreibst, dass man Themen, die sich erst mal nur am Blatt Papier abspielen, in die Realität bringt, war jetzt immer noch wissenschaftlicher Kontext, aber nichtsdestotrotz, dann am Max Planck Institut bei meinem Doktorfahrtin, Thorsten Enslien, der auf der einen Seite wahnsinnig viel im Bereich Informationstheorie theoretisch gearbeitet hat und nach wie vor Macht und aber immer im im im Blick hatte und hat, wie kriege ich das auf echte physikalische Probleme angewandt? Und auf Basis der Arbeit von Maxim und dann später mir und dann jetzt mittlerweile, ich weiß jetzt die Teamkonstellation nicht ganz genau, aber Raimalaike ist auch mit drin, wurde jetzt beispielsweise aus Daten vom Gaia Satelliten eine 3D Staubkarte der Milchstraße jetzt final erstellen. Und das ist ja total cool, weißt, erst hast projizierte 2D Daten und Parallaxen Informationen und jetzt am Ende ist es eine 3D Karte des Staubs, durch die Du durchfliegen kannst. Das ist einfach super cool und das eine geht nicht unter das andere.

Speaker0: Ja, also das finde ich auch, ich hab mir im Vorfeld gedacht, also bei Astrophysik ist es so, dass ihr tatsächlich auch Sterne noch entdeckt. Weil das stelle ich mir auch einen ziemlich erhebenden Moment vor eigentlich, wenn man so quasi vor seinem Papier sitzt, so wie wir das gerade beschrieben haben. Man fügt so alles zusammen, was man so weiß und überlegt sich so und denkt, da müsste 1 sein. Und dann richtet man das Teleskop aus und schaut da drauf und dann sieht man ja, da ist tatsächlich 1. Also das stell ich mir super erhebend vor, wenn so was tatsächlich klappt und man da irgendwie was Neues entdeckt.

Speaker2: Ich glaub, diese Emotion war vor allem bei der bei der bei der Entdeckung oder dem dem Nachweis der schwarzen Loch merger gegeben, bei den mit den Gravitationswellen. Das war jetzt vor ein paar Jahren erst, dass dass man wirklich direkt über das Lego Experiment, was glaube ich nachweisen konnte, Gravitationswellen von dem und dem Ereignis und man kann die ja sogar dann ungefähr verorten, wo sich das Ganze abgespielt hat. Total cool. Ja, noch mal noch mal zurück auf deinen Arbeitsalltag in den Projekten. Wenn Du sagst, das Mentorat, das Du in den Projekten mit ja reinbringst, hat jetzt nicht nur was mit der Algorithmik zu tun. Ist das dann auch eine der der größten Baustellen oder oder Herausforderungsfelder, wo Du auch noch dazulernst? Oder gibt's auch in der Algorithmik jeden Tag Dinge, wo Du dich dann erst noch mal durch 'n Paper durchlesen oder reinlesen musst? Wo wo ist bei dir momentan in der aktuellen Rolle die Lernkurve?

Speaker0: Also so die das kommt durchaus vor, dass wir für neue Projekte uns durch Paper lesen und gucken, okay, was was ist denn der Stand der Technik auf dem Gebiet? Wie kann man das überhaupt angehen? Hat das schon mal jemand gemacht? Wie funktioniert so was? Das ist so, also das ist sicher ein Teil der Arbeit, dass wir uns sagen, okay, das sieht interessant aus, lass uns das mal im Detail anschauen. Also wir haben auch sone interne Weiterbildungsveranstaltung, das nennen wir den Buchclub. Also das ist im Prinzip wie son Seminar an der Uni, wo wir uns einmal pro Woche treffen und dann bereitet 1 'n Thema vor, was ihn in seinem Projekt grade beschäftigt und wo er irgendwie tiefer einsteigen will. Und bereitet das quasi für die ganze Firma vor, sodass jeder bisschen was mitkriegt, was Neues mitkriegt und diese eine Person halt wirklich die Chance hat, in die Tiefe da in diesem Thema einzusteigen. Und das heißt, das kommt durchaus vor, dass man noch mal was Neues dazulernen muss, was Algorithmik angeht. Nachdem wir aber im im Vorfeld gesagt haben, wir wollen ja drüber sprechen, was macht son Machine Learning Projekt erfolgreich und worauf kommt's wirklich an? Also ich würd, ich weiß nicht, wie's dir da gegangen ist. Also als ich als als Wissenschaftler von der Uni gekommen bin, hab ich mich also voll in diesen Bereich reingestürzt, ne. Algorithmen und man braucht irgendwie objektive Kennzahlen, irgendwie zu bewerten, dass das Modell auch ordentlich funktioniert. Und stürzt sich da auf den Mean Square Error und alle anderen möglichen Metriken und versucht die besser hinzukriegen. Aber eine Sache, die ich dann relativ schnell festgestellt hab, ist, also die tatsächliche Modell Performance oder das letzte bisschen da rauszuholen, ist eigentlich in den allerselten Fällen der Knackpunkt von sonem Projekt. Also wenn's wirklich hart drum geht, wird das Projekt erfolgreich oder nicht, dann ist, also ist 'n gutes Modell zwar gut, ne, 'n besseres Modell ist besser, aber 'n gutes Modell würde ich sagen, ist nicht mal die halbe Miete das Projekt, damit es erfolgreich wird. Ja. Also siehst Du das ähnlich oder?

Speaker2: Das kann man bei unserer Unternehmensentwicklung auch ganz klar nachvollziehen. Wir hatten zunächst absoluten Fokus auf wir bauen ein Package, mit dem man die besten Modelle bauen kann. Ja, absoluter Fokus darauf. Und heute sind wir deutlich mehr auch in dem Bereich des Ideation Prozesses mit drin. Das heißt, wie wie wie find ich erst mal raus, was ich überhaupt zu coden hab beziehungsweise was ich zu modellieren hab. Da bin ich absolut bei dir, ja. Und auch bezüglich der von 'nem Modell bei uns im, da war mal, hieß die Referentin mit drin. Und die hat die Rolle des Analytics Translators vorgestellt. Find ich superspannend, weil dann Gedanke mit drin war, wo Modelacuracy wirklich Mehrwert bringt, wenn man sie beachtet und zwar in 'nem Gegenbeweis, nämlich dass man sagt, okay, wenn ich ein gewisses Mindestmaß an der Queracy brauche, damit dieser Use Case überhaupt funktionieren kann und ich weiß, dass ich unter selbst Laborbedingungen diese nicht erreichen werde, dann hab ich einen einen Ausschluss mir hergeleitet, ja, dass das Projekt nicht funktionieren kann. Aber ansonsten ist alles viel zu vage beziehungsweise viel zu schwer vorher absehbar. Na ja, erstens, wo landet man dann am Ende mit der mit der Modellgenauigkeit und ist es dann wirklich, wie Du sagst, kriegsentscheiden, ob's jetzt 95 oder 96 Prozent sind?

Speaker0: Ja. Ja, also das würde ich voll, also würde ich voll und ganz unterschreiben. Also man es gibt so eine gewisse Schwelle. Genau. Dann muss man irgendwie drüber springen, damit man qualitativ zeigen kann, dass das Modell gut genug funktionieren kann, den Use Case überhaupt zu ermöglichen. Aber dann ist es, also dann kommen noch so viele Sachen, die danach wichtig sind, dass es auf das letzte Prozent von dem Modell jetzt, also besser ist immer besser, aber dass es auf das letzte Prozent auch nicht mehr ankommt, weil andere Effekte einen viel größeren Einfluss dann auf den Projekterfolg haben, als tatsächlich da aus dem Modell noch 'n bisschen was rauszuholen.

Speaker2: Richtig, definitiv. Lass uns eben genau auf diesen Aspekt auch noch mal genauer gucken, nämlich Projekterfolg. Was war aus deiner Sicht in 1 bisherigen Laufbahn und es muss jetzt gar nicht bei Ehrenmüller sein, kann natürlich aber muss das Projekt, wo Du sagst, aus welchem Grund auch immer, das finde ich auch spannend, den Aspekt, das war das absolut erfolgreichste Ding, das bisher durchgezogen wurde.

Speaker0: Ja, also das ist eine schwierige Frage, also weil man eigentlich vorher erst mal erklären muss, was ist denn eigentlich ein erfolgreiches Projekt? Und also gut, die Modellgüte haben wir gerade schon mal so bisschen rausgenommen als alleiniger Indikator für den Erfolg von dem Projekt. Ich hab im Vorfeld 'n bisschen überlegt, wie ich das für mich beurteilen würde. Und hab dann so Sachen wie Umsatzpotenziale und so was, also irgendwas Quantitatives, wo man wirklich sehr objektiv messen kann, was das Projekt gebracht hat, mir überlegt. Das fand ich aber an vielen Stellen auch zu kurz und am Ende bin ich dann eigentlich dabei gelandet, dass ich sagen würde, also ein erfolgreiches Projekt, also oder 'n Projekt ist eigentlich dann sehr erfolgreich, wenn man irgendwas gebaut hat, was also in unserem Fall der Kunde tatsächlich in seinem täglichen Einsatz wirklich einsetzen will. Also man hat 'n Machine Learning Modell für irgendwas eingesetzt und man hat alle Anforderungen von dem Kunden so gut aufgenommen, dass das Modell, was man da gebaut hat, tatsächlich so großen Mehrwert liefert für den Kunden, dass er wirklich jeden Tag dieses Projekt oder dieses Produkt einsetzen will und man hat quasi was gebaut, was ihm wirklich in seiner täglichen Arbeit nutzt. Und das finde ich, also egal wie groß das Projekt ist, wie viel Umsatz da am Ende durch die Umsetzung dieses Projekts beim Kunden entsteht, finde ich das eigentlich einen schönen Beweis dafür, okay, das Projekt ist wirklich, also ist wirklich 'n Erfolg geworden. Das läuft jeden Tag stabil vor sich hin und der Kunde freut sich, dass es ihm das Leben einfacher macht.

Speaker2: Ich höre da eine Komponente raus und zwar des, dass Du sofort in der operativen Anwendung der Lösung schon jetzt gedanklich drin bist, richtig? Und das unterscheidet sich 'n bisschen davon, was ich auch oft hör, nämlich vor allem bei größeren Konzernen. Also wenn wenn der Kunde 'n größerer Konzern ist, dass das fast Wurst ist, ob jetzt eine 1 Lösung dann eingesetzt wird oder nicht. Aber alleine, dass man mit sonem Riesen Tanker wie 'n Konzern durch diesen Kreativprozess und den den auch aus meiner Sicht Science Prozess Data Science durchgegangen ist, allein das wird dann schon als Erfolg gewertet. Warum? Weil dieser Konzern einen Kulturwandel durchzumachen hat. Und da stellt sich für mich jetzt eine sehr, sehr spannende Frage, nämlich die Mittelständler, mit denen ihr da zusammenarbeitet, haben die aufgrund vielleicht ihrer kleineren Größe oder anderen Strukturen, sind die schon einen Schritt weiter, was diese Kultur angeht? Haben die vielleicht schon mehr, ja fühlen die sich in einem explorativen Prozess schon eher wohl oder brauchen die das vielleicht gar nicht, weil das Zusammenarbeitsmodell mit KI als eigene Bubble, ja, immer die dieses sein wird, mit externen Partnern zu arbeiten, die diese Kultur der Data Science perfekt internalisiert haben und ich als Mittelständ, ich brauch das gar nicht.

Speaker0: Ja, also das, was Du eingangs da grad beschrieben hast, ist vielleicht echt das wie ein nicht erfolgreiches Projekt aussieht, ne. Man hat monatelang an 'nem Projekt gearbeitet, hat quasi einmal gezeigt, ja, das würde funktionieren. Und dann aus irgendwelchen politischen Gründen oder so was verschwindet das Projekt in der Schublade und bleibt da einfach liegen. Und also das ist tatsächlich so, dass uns das also nicht so passiert. Und also das liegt vielleicht wirklich daran, dass wir für kleine und mittelständische Unternehmen arbeiten. Und da ist es tatsächlich so, dass also die machen nicht, also ich behaupte jetzt, die machen nicht ein KI Projekt, mal zu sehen, wie sich das anfühlen würde, wenn man was mit KI macht oder so. Sondern also auch wenn wir mit denen ins Gespräch kommen, das ist eigentlich eine unserer ersten Fragen ist eigentlich, ja okay, wo drückt denn der Schuh? Was ist denn ein Problem, was dich im Arbeitsalltag so beschäftigt? Und dann gehen wir wirklich ganz problembezogen da an und sagen, okay, das ist das Problem. Ja, okay, dafür könnte man diesen KI Ansatz nehmen, da könnte man Folgendes bauen und dann könnte das so und so aussehen. Und dann, also ich mein, da sind die Entscheidungswege natürlich kürzer, ne. Oft sprechen wir vielleicht sogar direkt mit dem Geschäftsführer. Und dann hat das Projekt auch quasi 'n gewissen Zug. Mhm. Und dadurch, dass wir sehr früh zeigen, wie das aussehen würde, also läuft es nicht Gefahr, dass das in sone ja theoretisches Gedankenexperiment Richtung abrutscht, sondern wir versuchen eigentlich noch bevor wir an dem Modell tunen irgendwie diese, ich würd's mal Datenversorgungskette nennen, wir versuchen diese Kette zu schließen, sodass wir sehr früh sagen, okay, wenn ihr uns diese Daten rein gebt, dann würden wir mit folgender Antwort antworten. Sodass relativ schnell klar ist, okay, so sieht es im täglichen Betrieb aus, das würde die KI machen und jetzt wird sie von Woche zu Woche nur noch besser und wir können unsere Prozesse da son bisschen drauf einstellen, dass das funktioniert.

Speaker2: Hast Du wie 'n Klick da mir am Anfang.

Speaker0: Ja, also es ist 'n Backend, was wir machen, aber Ja klar. Klar. Genau. Wir versuchen auf vor allem schnell dem Kunden zu zeigen, so würde das für dich aussehen und so wird sich das in deine Prozesse integrieren. Also auch diese Gefahr zu vermeiden, dass man quasi im luftleeren Raum irgendwas diskutiert, wie es sein könnte, was dann aber nie in Produktion überführt wird.

Speaker2: Wenn ich's richtig verstanden hab, ist dann der Entwicklungsprozess bei euren Kunden derjenige, dass die vielleicht dann noch mal besser verstehen, wo man eine Machine Learning Lösung einsetzen könnte, aber die würden die jetzt nie dann selbst bauen, oder? Also der Gedanke dann jetzt 'n Team von irgendwie 5 oder 6 oder 7 Data Scientist, Data Engineers und so weiter und so fort da reinzusetzen, dafür ist die Firma dann vielleicht auch zu klein oder?

Speaker0: Die unsere Kunden dann Der der Kunden, ja ja genau genau. Die Mittelständler. Das das variiert son bisschen. Also da gibt's eigentlich echt alle Szenarien. Also es gibt das, was ich eingangs beschrieben hatte, dieses Projekt, wo wir automatisiert Bestellungen auslösen, das haben wir umgesetzt. Mhm. Und Bestellungen auslösen, das haben wir umgesetzt. Mhm. Mhm. Und sind quasi immer noch der Ansprechpartner, wenn's jetzt inhaltliche Fragen zu dem Projekt gibt. Es gibt aber durchaus auch andere Projekte, wo wir quasi die Speerspitze waren. Wir haben angefangen und haben einmal vorgeführt, okay, der und der Ansatz, das könnte funktionieren, das sieht gut aus. Das integriert sich in unseren Prozess. Und dann ist beim Kunden quasi dieses Thema rum 'n Team gewachsen, die dieses Projekt dann mehr und mehr übernommen haben, sodass wir heute eigentlich in soner partnerschaftlichen Zusammenarbeit sind. Und quasi uns gegenseitig die Tickets zuweisen und sagen, okay, das wär, glaub ich, besser, wenn wenn Du das machst oder das wär jetzt besser, wenn ihr das noch mal machen könntet oder so was. Also das ist son bisschen, hängt vielleicht davon ab, wie der Kunde, also wo das Geschäftsmodell vom Kunden ist, ne. Wenn der selber Softwareanbieter ist, dann tut er sich natürlich leichter, in diesen Softwareentwicklungsprozess mit KI einzusteigen. Wohingegen, wenn der Kunde jetzt 'n Händler ist, dann stellt er jetzt vielleicht nicht noch einen extra Data Scientist an, der dann die ganze Zeit die Modelle

Speaker2: sich anschauen muss. Ja klar, klar. Magst Du mit mir einmal kurz auch noch mehr in die technische Tiefe eintauchen? Und zwar gerade wenn's ein Artefakt gibt, das dann beim Kunden deployed wird, finde ich immer sehr, sehr spannend, wie baut man denn die die komplette Chain davor auf? Und vielleicht, je nachdem, auf wie viel Du verraten möchtest, kannst Du beschreiben, wie wie sieht denn euer euer Werkzeugkasten aus? Entwickelt ihr, also ganz, ganz angefangen, entwickelt ihr 'n Python oder vielleicht eine Giulia, in R? Genau. Gibt's Packages, die ihr überwiegend nutzt, einfach 'n Gefühl dafür zu kriegen, wie läuft bei euch dann der Prozess?

Speaker0: Also Werkzeugkasten ist auf jeden Fall Python Ecosystem und dann eigentlich die klassischen Data Science Bibliotheken, ne. Pandas, NonPay, Cycid Learning ist ganz vorne mit dabei. Und wenn's Richtung Deep Learning geht, also Tenor Flow und natürlich mit 'ner leichten Referenz für Python. Okay. Und das heißt, also das ist so der der Softwarestack. Infrastrukturmäßig sind wir hauptsächlich in AWS unterwegs und nutzen das manchmal auch in Azure, aber eigentlich hauptsächlich in AWS. Und genau, was Du angesprochen hast, das ist tatsächlich auch son Punkt, den man gerne übersieht, find ich, dass, also wie wir schon gesagt haben, das Modell entwickeln ist das eine, aber dann tatsächlich Software, dieses Modell rumzuschreiben, die dieses Modell auch in Produktion überführt. Und also keine Ahnung, wenn ich verschiedene Trainings laufen hab, ist das eine, dass ich da auf meinem Notebook das einmal so hinkriege, dass es gute Ergebnisse hat. Und dann schreib ich das in mein Paper und veröffentlich das. Und das andere ist, ich trainiere für Tausende von Produkten, Tausende verschiedene Modelle. Ich muss auf jedem Produkt irgendwie überwachen, okay, welches ist denn jetzt das beste Modell? Welches markier ich denn jetzt als Produktivmodell? Und dann muss ich in der Produktivanwendung natürlich in der Lage sein, dieses Produktivmodell wiederzufinden, aus dem richtigen Speicher zu laden, einzusetzen und dann die Vorhersage von diesem Modell auch irgendwie zu 'ner Entscheidung zu bringen. Also in diesem Nachbestellbeispiel ist es schön, wenn ich jetzt weiß, ob ich 77 oder 78 Stück verkaufen will in den nächsten 4 Wochen. Aber was ich am Ende ja eigentlich beantworten will, ist die Frage, ja, wie viel soll ich denn jetzt bestellen? Und wenn ich jetzt dazu noch die Info packe, okay, ich kann dieses Produkt zum Beispiel nur in Fünfhunderter Blöcken oder also in so großen Fünfhunderter Packs bestellen, dann muss ich hinterher noch ganz schön viel auch intelligente Software investieren, aus dieser Modellvorhersage irgendwie zu dieser Entscheidung zu kommen, wie viel bestelle ich denn jetzt tatsächlich, wenn ich alle möglichen Nebenbedingungen noch berücksichtigen muss? Und da find ich, geht relativ viel Arbeit in jedem Projekt auch rein. Also zum einen, diese technische Grundlage zu schaffen und alles quasi die Produktivmodelle über ihren Lebenszyklus zu begleiten und auch, hinterher irgendwie gute Entscheidungen aus dieser Modell Performance, aus diesem aus dieser Modellvorhersage rauszukriegen.

Speaker2: Okay. 2 Fragen dazu. Das heißt, ihr baut's für den Kunden eine komplette MLOps Pipeline de facto auf, oder?

Speaker0: Ja, also in den ersten Projekten, die wir gemacht haben, haben wir das so gemacht. Mhm. Und dann haben wir so, keine Ahnung, nach 2, 3 Projekten haben wir das angeschaut und haben gesagt, okay, das ist eigentlich, also völlig unabhängig von dem Use Case, den wir da gerade bearbeiten, gibt's da viele so Komponenten, die sind in jedem Projekt irgendwie ziemlich identisch. Also wirklich das Banalste ist, ich muss vielleicht irgendwo Dateien abspeichern können. Und ich würd das gerne irgendwie so machen, dass ich als Data Scientist jetzt nicht dauernd drüber nachdenken muss, speicher ich die jetzt auf die Festplatte, speicher ich die jetzt zu zu s 3 in irgend 'n Cloud Storage oder speicher ich die sonst wo hin, sondern ich möchte einfach irgend eine Möglichkeit in jedem Projekt, ganz egal, was ich mache, möchte ich eine Möglichkeit, wie ich Dateien abspeichern kann. Genauso in fast allen Projekten braucht man irgendwie eine Verbindung zu irgend 'ner Datenbank, egal welcher Art. Und was wir grade angerissen hatten, dieses Modell Lebenszyklusmanagement, in jedem Projekt trainiert man wahrscheinlich irgendwelche Modelle und man muss irgendwie überwachen, okay, mit welchen Hyperparametern hab ich denn das jetzt trainiert, dass das so gut funktioniert hat? Und ist das jetzt mein Produktivmodell? Wo liegt 'n das? Und wenn ich die, also wenn die produktive Anwendung tatsächlich läuft, wo find ich denn das Produktivmodell und wie setz ich das ein? Und wie gesagt, unabhängig vom konkreten Use Case ist es ziemlich identisch über fast alle Projekte, die wir machen. Und was wir dann gemacht haben, ist, wir haben gesagt, okay, dann lass uns das doch mal anschauen. Das haben wir jetzt immer in leichten Variationen immer 'n bisschen anders gelöst. Lass uns mal einen Schritt zurückgehen und quasi auf unsere Rechnung außerhalb von jeden Projekten uns hinsetzen und für jedes von diesen Anwendungsfeldern mal eine Best Practice Lösung implementieren, die wir einmal, also konzentriert in einem Package sammeln, was wir dann in jedem Projekt einfach importieren können, sodass wir nicht jedes Mal ganz vorne anfangen können, sondern so den soliden Grundstock haben. Und alles, was wir im Projekt brauchen, quasi schon da ist, sodass wir, wenn wir in das Projekt reingehen, tatsächlich anfangen können, den Use Case zu bearbeiten und nicht zum fünften Mal die Datenbankverbindung zum Beispiel implementieren müssen. Okay,

Speaker2: wenn ich's richtig verstanden hab, Du hast gerade gesagt Modul, das dann importiert wird. Das heißt, das ist eine letztlich selbst geschriebene Softwarebibliothek

Speaker0: oder? Genau, das ist 'n selbst geschriebenes Python Package. Also wir nennen es liebevoll den EMOPs. Steht ausgeschrieben für EMOps, also für Erdenmüller Operations. Ja, ja, ja. Er hat sich aber irgendwie eingebürgert, dass man es EMOps ausspricht. Und das ist eigentlich so das Standardpackage, was also wenn wir 'n neues Projekt anfangen, dann haben wir quasi da son Template, wie das Projekt immer aussieht. Haben schon son Command Line Interface, mit dem man so einzelne Befehle starten kann. Mhm. Und dann ist quasi die Infrastruktur, die man braucht, 'n Projekt zu machen, ist schon mal da. Man kann wirklich anfangen, sich direkt auf das Modell und den Use Case zu stürzen. Moment, weil ihr die die die Interfaces implementiert habt,

Speaker2: zum Beispiel dann in AWS oder in Azure entsprechende Infrastruktur automatisiert nach diesem Schema zu bauen oder? Genau, ist ja sowas wie Kein Python Package, das ist jetzt nur lokal bei mir am Computer dann seinen Unfug erledigt.

Speaker0: Genau, also was wir da also an bei der Gelegenheit gleich mitgemacht haben ist, dass wir uns 'n Stück weit von der tatsächlichen Infrastruktur abstrahieren. Wow. Das heißt, wir haben dieses Python Package, mit dem wir sagen, ich möchte eine Datei abspeichern zum Beispiel. Und dann steht einfach in der Config für dieses Projekt, okay, wenn die Config Stefan Local dev ist, dann verbirgt sich hinter diesem Storage Objekt einfach 'n Verzeichnis auf meiner Festplatte, wohin gespeichert wird. Wenn aber da die produktiv konflikt liegt, dann verbirgt sich dahinter 'n s 3 und dann wird da reingeschrieben. Mhm. Und was wir dadurch halt hinkriegen, ist, dass der Code, den der schreibt, ist exakt der gleiche. Dem ist es ziemlich egal, wo das jetzt ausgeführt wird. Und der unten drunter kümmert sich dann drum, dass es halt entweder auf der Festplatte oder bei AWS in s 3 abgelegt wird. Ja, ja, ja.

Speaker2: Cool. Ja, eine krasse krasses Beispiel für erfolgreiche Abstraktion von Ressourcen im Projekt.

Speaker0: Cool. Ja, also das hat sich in kürzester Zeit eigentlich etabliert, dass wir dieses Package benutzen und also einfach, weil's wirklich in der täglichen Arbeit hilft, dass man schnell sich den interessanten Teil des Projekts kümmern kann und weniger mit so also technischen Hausaufgaben

Speaker2: quasi unterwegs ist. Ja, ja, ja. Ich hab Bemühungen in dieser Art jetzt schon einige Male gesehen, auch bei uns im Haus, ja. Lag natürlich die Frage auch nahe, inwiefern wir da abstrahieren. In gewisser Art und Weise haben wir's ja auch getan mit Hallerium Inference, wo wir gemerkt haben, okay, die basedion Modelle, die müssen wir jetzt nicht immer per Hand ausrechnen und dann per Hand implementieren, sondern klar, ja, das ist ja die Abstraktion in der Softwareentwicklung. Was mich da aber sehr, sehr jetzt interessieren würde, wenn Du das teilen magst, Du hast vorhin erwähnt, ich hab Templates oder ja, doch diese diese Vorlagen für verschiedene Problemklassen. Und da würd mich interessieren, auf welcher Flughöhe bewegt sich diese Abstraktion? Sind es so generische Klassen wie alles, was ein Prädiktionsmodell betrifft? Alles, was eine Anomalieirektion betrifft, ja? Also dass es wirklich so in diesen Überkategorien geclustert ist. Oder gibt es tiefer in eine Granularität rein, weil ich auch gemerkt hab bei den Gesprächspartnern, mit denen ich mich unterhalten hab, dass dort drin eine große Unsicherheit herrscht. So wo wo geht man rein, ja, weil natürlich je höher ich's versuche aufzuhängen, desto universaler muss es sein und desto mehr muss ich wieder konfigurieren und desto mehr Arbeit hab ich letztlich mit dem Tool, dass mir eigentlich Arbeit abnehmen sollte, ne. Puh. So.

Speaker0: Wie habt ihr das gelöst? Ja, also genau. An der Frage hatten wir auch 'n paar Diskussionen, wie wir's jetzt aufziehen sollen. Also was wir, wir haben versucht, das wie sone Art, also Bibliothek im in Unterscheidung zu 'nem Framework zu machen. Also sprich, wir versuch wir versuchen nicht, dass wir jedes Modell in eine vordefinierte Klasse pressen, wo man dann quasi alles erben kann und für das Modell alles erledigt ist. Sondern wir haben quasi das versucht, quasi wie son Tablett anzubieten und sagen, okay, hier sind Funktionen für Sachen, die wir oft machen. Wenn Du als Data Scientest glaubst, das hilft dir, dann pickt dir diese Funktion raus und benutzt es. Dann musst Du halt im Zweifelsfall noch mal genau sagen, wie dein Modell aussieht und das 'n bisschen an dein Modell anpassen. Und das macht wirklich nur so was ganz Generisches, dass es irgendwie sich merkt, okay, das ist das Produktivmodell und so weiter. Aber ohne zu sagen, okay, jedes Produktivmodell kann mit der gleichen Funktion geladen werden, sondern Du musst quasi als Data Sciences schreibst Du die Funktion, die das Modell lädt. Und was EMOPs dir abnimmt, ist quasi, wo ist 'n das Modell? Wo muss ich 'n das herholen? Wie find ich das Produktivmodell? Welche Einstellungen waren da und so weiter? Und das ist quasi son sehr, sehr allgemeiner Service, den man, also wo man alle möglichen Sachen an Modellen abspeichern kann. Also weil wir einfach gemerkt haben, okay, wenn wir versuchen, das alles über einen Kamm zu sharen, dann ist es viel zu viel, was man irgendwie einstellen muss. Dann haben wir gesagt, das lassen wir einfach komplett frei und die Arbeit muss der Data Scientist für sein konkretes Modell machen. Wir stellen wirklich nur sone ganz grundlegende Ladefunktion zur Verfügung, die einen halt unterstützt. Und wenn man sie benutzen will, benutzt man sie. Und wenn man es doch ganz anders machen will, dann macht man es einfach ganz anders. Mhm. Mhm.

Speaker2: Okay, verstanden. Das heißt, ich würd's so ausdrücken, ihr habt's die Einzelfunktionalitäten geclustert, abstrahiert und letztlich wird Funktionalitätskompositionen betrieben statt Vererbung. Und gleichzeitig, wenn ich das richtig verstanden hab, steckt ja aber auch eine Run time mit drin, oder? An die dann konkret die Frage gestellt wird, gib mir Datensatz x y, wo auch immer der dann herkommt, Aber diese, die ist dann wiederum komplett generisch. Korrekt? Oder unterscheidet ihr da auch? Damit, nee, diese.

Speaker0: Also wir nennen das das Konzept irgendwie Stage. Also wir haben halt ein Projekt, das läuft in verschiedenen Stages, also produktiv Development, Local Dev oder so was. Mhm. Und für jede von diesen Stages gibt's im Prinzip eine Config, wo die ganzen Parameter drinstehen für diese Stage. Und damit könnte man alles Mögliche machen. Also damit kann man jetzt nicht nur Machine Learning Projekte umsetzen, sondern das ist einfach so, ich hab ein Softwareprojekt, was ich in verschiedenen Umgebungen ausführen will und dabei halt verschiedene Infrastruktur zugrunde liegt und verschiedene Einstellungen gelten. God it, okay.

Speaker2: Cool. So, und dann, ich hatte vorhin erwähnt, ich hab 2 Fragen, nachdem wir jetzt zu der ersten sehr ausführlich gesprochen haben, die 2. Vielleicht bissel kürzer, nämlich wie weit geht ihr Richtung User Interfacing? Du hattest nämlich auch erwähnt, ihr baut letztlich eine Backend Architektur oder oder oder etwas, das im im Backend läuft, wenn ich's richtig verstanden hab. Gehört dann in im im Prototypenen auch dazu, mal 'n oder oder 1 1 1 einfache Oberfläche vielleicht mit Stream dazu bauen oder mit keine Ahnung, Flask, weiß der Teufel? Oder ist das bei euch komplett raus und letztlich geht's immer über ein Interface, das beim Kunden schon existiert und sei es irgendwie Power BI oder so?

Speaker0: Ja, also genau das, was wir, was Du grad beschrieben hast, sowas würden wir, bieten wir schon mit an, dass wir quasi Visualisierungen machen zu den Daten, mit denen wir arbeiten. Also der Klassiker wäre in Tableau oder in Parright. Mit mit plotlydash irgendwie son Dashboard oder so was. Ja. Also solche Dashboards würden wir schon machen, wenn's jetzt wirklich drum geht, 'n anspruchsvolles User Interface, wo der Benutzer alles Mögliche klicken kann und dann quasi mit dem Backend über sprechen muss oder so was, dann würden wir eher eine Frontend, also Agentur dazu nehmen. Genau. Was wir machen, ist tatsächlich halt, also Datenvisualisierung ja, aber jetzt, wenn's eine wirklich eine Anwendung werden soll, wo's mehr als Plots gibt, dann ist es nicht mehr so unsere Baustelle. God it, okay, okay. Ja, aber entspricht halt einfach auch dem

Speaker2: Schuster, bleibt bei deinen Leisten, oder? Ja. Ihr macht's das, was ihr perfekt könnt. Ja, ja, ja. Sehr, sehr, sehr vernünftig. Cool. Alright. Ich find das schon mal sehr, sehr spannend. Lass uns dann nachher auch noch mal tiefer in den in den Projektprozess eintauchen. Kurze Break, ja. Okay. Ich würd gern noch mal paar Fragen zu deiner Persönlichkeit stellen, Beziehung, oh, das hört sich jetzt gefährlich an, als es ist. 1 1 1 Sache, die mich sehr interessieren würde, insbesondere auf dein aufgrund deines Backgrounds als Mathematiker, Du denn einen Lieblingsalgorithmus und wenn ja, warum?

Speaker0: Also wenn ich, ich glaube, wenn ich 'n Patent auf die lr Zerlegung anmelden könnte, dann würde ich das sehr gerne machen. Also weil das ist, glaub ich, die Basis von jedem einigermaßen anspruchsvollen Algorithmus. Das ist so die Grundlage von allem, was man irgendwie am Computer rechnen kann. Geht leider nicht. Lieblingsalgorithmus, also 'n Algorithmus, der für mich, also grad auch, weil ich früher Mathe gemacht hab, ich war in der mathematischen Optimierung unterwegs und eigentlich 'n Algorithmus, der mich sehr geprägt hat und der mir auch irgendwie ans Herz gewachsen ist, ist der Simplex Algorithmus. Ich weiß nicht, ob der, der was sagt. Mhm. Den kann man einsetzen, lineare Optimierungsprobleme zu lösen. Und also zum Optimierungsprobleme zu lösen. Und also zum einen ist der super nützlich, weil man lineare Optimierungsprobleme damit lösen kann und damit kann man ganz schön viel machen. Und zum anderen hat der echt son bisschen, also der vereint so alle Disziplinen, in denen ich so als Mathematiker damals unterwegs war. Also gut, das ist die Basis ist linearalgebra. Dann ist es mathematische Optimierung, ist die Aufgabenstellung. Und dann ist es auch sehr viel Kombinatorik und konvexe Geometrie. Das heißt, man hat ganz viele Blickwinkel, mit denen man auf die, also aus denen man auf diesen Algorithmus gucken kann. Und eigentlich ist das sehr befruchtend so, wenn man aus verschiedenen Richtungen drauf drauf schaut und immer wieder neue Sachen da entdecken kann. Das heißt, würde ich vielleicht den Simplex Algorithmus als mein Lieblingsalgorithmus hier klassifizieren.

Speaker2: Cool. In diesem Sinne an alle Zuhörer, die vielleicht noch im Studium stecken. Machine Learning und lineare Algebra, go Hand in Hand. Ja, nicht unterschätzen bitte. Das heißt, LR Zerlegung, Gasalgorithmus, Leute, das das muss im Schlaf funktionieren. Übrigens auch auch eine Geschichte, die wir bei uns in den Einstellungsverfahren testen, ohne vorher vorzuwarnen, ja. An der Tafel so, jetzt jetzt machen wir mal eine kleine Zerlegung. Ja.

Speaker0: Also ich weiß gar nicht, ob ich jemals in die Versuchung gekommen bin, dass ich selber sone LR Zerlegung machen musste, aber es hilft ungemein, wenn man versteht, was da eigentlich abgeht und was son Computer ausrechnen kann und was er halt nicht ausrechnen kann. Mhm. Also dass man, wenn irgendwas hochgradig nicht linear ist, erst mal über Linearisierung nachdenken muss, damit man überhaupt 'n Hebel kriegt, den man mit 'nem Computer in Angriff nehmen kann.

Speaker2: Aber aus meiner Sicht essenziell, wenn Du wirklich tief vor allem in der Rolle, ich würd mal sagen, 1 Senior Data Scientist auch arbeiten möchtest. Ja, weil was was passiert denn in der Realität? Du wendest ein Modell auf Daten an, beziehungsweise Du versuchst ein Modell zu trainieren mit Daten. So, jetzt funktioniert's, alle sind happy, ja, aber was ist, wenn Du das Modell nicht zum Konvergieren kriegst? Und da beginnt ja dann der Spaß. Und wir hatten das bei den Bewerbungsgesprächen, die wir geführt haben, ganz klar gemerkt, besitzt die Bewerberin, der Bewerber irgendwo und sei es nur ein bisschen mathematischen Background, hat hat der oder die sich die lineare Algebra angeguckt oder eben nicht. Und das macht halt 'n Riesenunterschied aus dann, ob jetzt mal ganz plakativ gesprochen, Du noch in der restlichen Projektlaufzeit das Modell zum Fliegen kriegst oder Und ich fand's erschütternd, wie viele Data Scientists da draußen rumlaufen, auch mit krassen vermeintlichen CVs und es dann an den grundlegendsten Dingen scheitert, wo ich mir denk so, ey krass, wenn Du einmal in der Realität 'n Problem aufdreht, Du bist doch überhaupt nicht in der Lage, das dann noch zu zu zu fixen, ja. Von daher, ich kann das nur oder ich unterstreiche das immer wieder, dass die mathematischen Grundlagen für Machine Learning wahnsinnig wichtig sind, wenn man über 'n gewisses Einsteigerlevel hinauskommen möchte.

Speaker0: Ja, also da gebe ich dir 100 Prozent recht. Also ich mein, das ist schön, wenn man quasi so high level mal son Modell ausprobieren kann und es funktioniert auf Anhieb. Genau. Aber sobald man irgendwie die kleinsten Probleme hat, braucht man 'n analytisches Verständnis, was dieses Modell überhaupt macht und was da funktionieren kann und was man gar nicht erst probieren braucht. Mhm. Also das hilft ungemein. Also sonst sieht man halt, okay, es geht nicht und dann ist man am Ende mit seinem Latein.

Speaker2: Ja, ja, definitiv. Insofern, ich bin total begeistert von deinem Plädoyer für die LR Zerlegung. Sehr cool. Wunderbar. Gut, Du, 2. Frage und zwar, wo glaubst Du nur, dass im Bereich Machine Learning in Zukunft noch am meisten passieren wird, weil ja doch ziemlich viel auch Richtung Abstraktion geht, AutoML Bemühungen eben versucht wird, diese Komplexität von den von den Leuten fernzuhalten, die wir gerade beschrieben haben. Wo glaubst Du, geht's am fernzuhalten, die wir gerade beschrieben haben. Wo glaubst Du, geht's am meisten vorwärts?

Speaker0: Also was man jetzt so gesehen hat, die letzten Jahre ist eigentlich okay, es sind immer mehr Daten dazugekommen, die Rechenleistung ist gestiegen und also eigentlich fand ich das ziemlich beeindruckend, was man so über die letzten Jahre hinbekommen hat, wo man sieht, okay, man hat richtig gute Modelle, die irgendwie eine in irgendeiner Form machen. Und das find ich eigentlich ziemlich gut, da ist man relativ weit gekommen. Also das ist so dieses. Und wo ich glaube, wo man noch extrem viel liegen lässt, ist der Bereich, der sich daran anschließt eigentlich, wenn man jetzt tatsächlich dieses Analytics machen kann. Also noch mal auf dieses Nachbestellungsprojekt zurückzukommen. Die eine Sache ist vorherzusagen, wie viel wird abgesetzt? Aber die eigentliche Frage ist, wie viel soll ich denn bestellen? Und da ist, meiner Meinung nach wird es in vielen Projekten immer noch 'n bisschen stiefmütterlich behandelt und da ist, glaub ich, sehr viel Potenzial, was man irgendwie noch heben könnte. Also vielleicht, noch mal 'n 'n zweites Beispiel zu machen. Beim autonomen Fahren, das ist mittlerweile megabeeindruckend, was diese neuronalen Netze da alles erkennen. Das kann der ziemlich gut sagen, okay, da ist 'n Fußgänger und der wird jetzt 'n Schritt auf die Straße machen. Aber das ist superinteressante und relevante Information, aber da geht das Problem eigentlich erst los, weil was das Auto ja jetzt machen muss, ist, es muss irgendwie entscheiden, was fange ich denn jetzt an mit dieser Information? Also ich will jetzt gar nicht auf dieses, soll ich die Oma oder auf das Baby zuhalten, Frage raus. Sondern ich sehe, okay, da macht einen einen Schritt auf die Straße. Und also bisschen überspitzt formuliert, was in vielen Projekten gemacht wird, dann gibt's irgend son Schwellwert. Mhm. Und wenn der Schritt auf die Straße lang genug ist, dann macht das Auto eine Vollbremsung und wenn nicht, dann fährt das Auto einfach durch. Mhm. Und da gibt's, also geh mal davon aus, dass die das nicht so machen, aber überspitzt formuliert ist es oft so, okay, man hat irgendwie sone, vielleicht sogar sone Verteilung, dann wird irgendwie mit sonem Schwellwert da durchgeholzt und dann wird entweder das eine oder das andere gemacht. Aber dieser quasi Entscheidungsraum, den das Auto da hat, ne, das kann sich entscheiden, okay, ich fahr 'n bisschen langsamer, warte, bis der durch ist. Ich fahr links an dem vorbei, ich fahr rechts an dem vorbei, ich mach vielleicht tatsächlich eine Vollbremsung oder nee, ist alles gut, der ist noch so weit weg. Ich fahr da einfach zügig dran vorbei, dann kommt der erst, wenn ich schon durch bin. Da ist extrem viel Modellierungspotenzial, wo man sich die Frage stellen muss, okay, mit diesen ganzen Predictions, die man jetzt machen kann, wie setzt man die denn jetzt in tatsächliche Entscheidungen in der jeweiligen Situation Und da, glaub ich, kann man noch extrem viel rausholen. Also grade, weil wie gesagt, in manchen Projekten, also alle fokussieren immer so auf das Machine Learning Modell und das wird fein getunet. Und dann hat man 'n supercooles Modell und dann wird holzhammermäßig das zu 1 Entscheidung verarbeitet, die vielleicht 'n bisschen, ja, oder bisschen genauer gefällt werden könnte, wo man viel mehr rausholen kann, als man jetzt im Moment vielleicht so macht.

Speaker2: Das war der Grund, warum wir uns auch mit kausaler Inferenz jetzt in letzter Zeit vermehrt beschäftigt haben. Genau der Punkt, den Du beschreibst. Ich hatte irgendwann das Bild mal im Kopf, na ja, es gibt halt viele Dinge, fair enough. Da ist, wenn Du die hast, die Entscheidung oder das, was Du zu tun hast, ist dann selbstivident, so, ich geborene dir die Lottozahlen der nächsten Ziehung. Ja, dann ist klar, was man macht. Aber auf der anderen Seite, wir sehen das total häufig bei vor allem Industrie Use Cases, wo es dann darum geht, eine Anlage zu steuern. Da hast Du nicht so binäre Entscheidungen, wie Du sie gerade beschrieben hast, neben dieser Vollbremsung ja, nein, ja, sondern das ist ja dann wirklich ein Regeln 1 Anlage, die dann letztlich dann auch noch die Daten verändert, die Du in Zukunft haben wirst, ja. Es da bist Du sofort in 'nem Renforcement Szenario drin. Und da hab ich auch den Eindruck, dass es noch irgendwo ausgeklammert wird. Vielleicht wollen wir froh sein kann, wenn in den Köpfen der Leute jetzt erst mal so ankommt, okay, Machine Learning Prediction. Aber

Speaker0: es ist definitiv ja nicht das Ende der Fahnenstange. Definitiv nicht. Also deinen zu deinem Beispiel noch kurz. Also wenn man die Lottozahlen vorhersagt, dann ist super klar, was man machen muss. Man setzt also kreuzt diese 6 Zahlen an. Aber also wenn wir ehrlich sind, typischerweise Also wir werden kein Machine Learning Modell entwickeln, dass die Lottozahlen vorhersagen. Typischerweise die Modelle, die wir so entwickeln sind so, ja, wir schaffen's vielleicht mit neunundneunzigprozentiger Sicherheit 5 von diesen 6 Zahlen vorherzusagen. Mhm. Und dann geht der Spaß eigentlich los. Wenn ich dir ziemlich sicher sage, dass folgende 5 Zahlen am Samstag gezogen werden, dann ist es dir freigestellt, wie viele Kästchen füllst Du denn jetzt aus und wie Ja,

Speaker2: Ja, finde ich finde ich sehr sehr spannend. Wie wie geht's denn ihr davor? Wenn ihr da im Dialog mit dem Kunden seid und auch drüber sprecht, welche Use Cases sollen denn angepackt werden in Zukunft? Ja, da da ist ja dann das irgendwo auch 'n Henne Ei Problem. Okay, wenn ich noch nicht weiß, kann ich, bei dem Beispiel zu bleiben, vielleicht 5 Zahlen mit der Genauigkeit vorhersagen oder vielleicht nur 4 damit dafür mit 'ner höheren Genauigkeit. Da hängt ja dann vieles auch davon ab, wie am Ende die Lösung aussieht, die beim Anwender landet, ja. Habt ihr da für euch auch einen Prozess erarbeitet, das zu strukturieren? Diese Interaktion, die Exploration mit dem Kunden?

Speaker0: Also gerade wenn das noch so frei ist und nicht genau klar ist, das und das soll gemacht werden, sondern quasi man son Themenfeld abgesteckt hat, ist es echt oft so, dass wir am Anfang, wir starten vielleicht mit sonem Use Case Workshop, wo wir uns verschiedene Probleme angucken und dann erst mal wirklich auf dem Papier sone Bewertung vornehmen, okay, wie dringend ist das Problem? Also was ist der Impact von 'ner Lösung für dieses Problem und wie machbar ist es? Und was wir dann aber machen, ist tatsächlich immer sehr früh, sehr konkret mal 'n ersten Prototypen bauen und also viele Seiten, so viele Seiteneffekte weg. Also nicht Genau. In den Details fallen, sondern wirklich gucken, dass man in sehr kurzer Zeit irgend 'n Prototypen baut, der das den Kern des Problems trifft und das Problem löst. Und dann sieht man schon, in welche Richtung das geht. Also ob das machbar ist und ob man da weiter investieren soll. Oder wenn man quasi 3, 4 von diesen Prototypen hat, dann sieht man ja, okay, das sieht super gut aus. Das klappt einwandfrei. Und da ist es echt noch schwierig, nicht gedacht. Das heißt, das Ziel ist wirklich, so schnell wie möglich was Konkretes zu sehen, an dem man iterieren kann und wo man abschätzen kann. Das ist erfolgsversprechend oder gut, das wird eine ganz schön lange Reise, wenn wir da diesen Weg einschlagen.

Speaker2: Okay, okay. Und auch noch mal auf die Tools gefragt, das finde ich immer superspannend. Du hast diesen Workshop erwähnt, hört sich für mich auch nach 'ner Art Datenstrategieformat an, sich erst mal eine 1 Richtung zu geben. Arbeitet ihr da mit Post its oder Myro, PowerPoint?

Speaker0: Ja, also vor Coronazeiten tatsächlich am Whiteboard mit Stift und Post its. Und ja, ansonsten online bei also diversen Meeting Tools. Also kommt immer drauf an, was die Präferenzen des Kunden sind, wo wir dann da grade unterwegs sind. Mhm. Mhm. Genau, aber was wir dann versuchen, ist halt son Konzept zu machen, diese ganz einzelnen Use Cases detailliert zu beschreiben und dann relativ schnell konkret zu werden und

Speaker2: quasi zu sehen, wie sich das tatsächlich anfühlen würde. Ah, okay, okay, okay. Also sofort ins Konkrete rein, in in die Beschreibung und Du hast vorhin erwähnt, diese Seiteneffekte abzuschneiden, ja, dass es etwas

Speaker0: atomares wird letztlich oder das handelbar wird. Verstehe ich das richtig? Genau, also die Idee ist, so schnell wie möglich auf den Kern des, also auf den Kern des Problems zu fokussieren beziehungsweise rauszufinden, was überhaupt der Kern des Problems ist. Also sprich, wenn man so, jetzt komme ich noch mal auf dieses Nachbestellbeispiel, wenn man quasi so locker plaudert, dann denkt man so, ja, das ist irgendwie, man muss irgendwie prognostizieren, wie viele Artikel da so verkauft werden. Und dann baut man zum Beispiel 'n Prototypen und dann sieht man ja, das wird ganz also wird ganz gut vorhergesagt. Und dann kommt quasi beim ersten Meeting raus, ja okay, aber wir haben eigentlich, das können wir nur in so großen also in so großen Boxen bestellen. Mhm. Ich muss entscheiden, ob ich davon 500 oder 0 bestelle. Und ja, außerdem gibt's noch irgendwelche Rabatte. Und wenn ich bei dem Lieferanten was bestell, dann bestell ich von dem anderen Produkt vielleicht gleich noch was mit, weil dann muss ich sowieso die Lieferung bezahlen. Und dann wird relativ schnell klar, dass dieses Absätzevorhersagen halt nur 'n Teil des Problems ist und der Kern eigentlich in diesen ganzen Abhängigkeiten zwischen den Produkten untereinander und was sind die Konditionen hier und was sind die Konditionen da und wie groß ist eigentlich das Lager? Dass da noch viel mehr Musik spielt als eigentlich nur in dem Erstellen der Vorhersagen. Und also was ich persönlich wichtig finde, ist, dass solche, also so was übersieht man gern, wenn man so locker auf soner Konferenz einfach son bisschen plaudert. Und wenn man sehr konkret zeigt, so würde es ausschauen, dann provoziert man, dass diese Punkte sehr, sehr früh auf den Tisch kommen. Das heißt also, wenn man irgendwie noch einen wesentlichen Aspekt beim Kunden übersehen hat, dann befördert man den am ehesten zutage, wenn man sehr, sehr schnell, sehr, sehr konkret ihm zeigt, so würde es aussehen. Das ist einfach, also glaub ich, halt eine Kommunikationsgeschichte, weil die sind die Experten in ihrer Domäne. Wir tauchen da als Data Scientist so vielleicht von außen 'n bisschen in diese Sphäre rein. Uns fehlt jede Menge Wissen, was die einfach implizit annehmen die ganze Zeit. Und da quasi nicht auf seinen eigenen impliziten Annahmen irgendwas zu bauen, was völlig an den Anforderungen vorbeigeht, find ich's extrem wichtig, sehr schnell versuchen, auf den Kern zu fokussieren und dann quasi mit kleinen Inkrementen das immer zu verbessern und die Lösung immer größer und tragfähiger zu machen. Mhm. Alright, verstanden. Habt ihr diese Rolle, die Du grade beschrieben hast, dieses Runterbrechen,

Speaker2: reinbohren, was ist wirklich der Kern des Problems? Habt ihr das dann bei euch auch noch mal institutionalisiert in Form 1 Rolle, die dann meinetwegen beim Data Scientisten liegt? Weil sich's für mich ja schon definitiv jetzt rauskristallisiert, dass diese Rolle der absolute ja, Entscheidungsfaktor letztlich ist, vor allem in der frühen Phase des Projekts, dass dass man sich nicht irgendwo verrennt.

Speaker0: Ich weiß nicht, ob wir explizit eine Rolle dafür haben. Das also wenn ich das jetzt mal so sagen darf, das ist vielleicht son bisschen unsere Firmenphilosophie. Und eigentlich alle Mitarbeiter versuchen quasi genau das zu machen, ne, rauszufinden, was ist eigentlich der Kern des Problems und möglichst schnell einen Prototypen zu bauen, der mal funktioniert und an dem dann zu iterieren. Das also versuchen wir tatsächlich über alle Rollen hinweg. Als Kultur, ja. Mhm. Ja, als Kultur zu etablieren, dass man immer fragt, okay, was wollen wir eigentlich machen? Und wenn jetzt ein Tag Zeit ist, das zu lösen, es muss heute Abend fertig werden, was würden wir bauen? Mhm. Mhm. Coole Frage. Ja. Coole Frage.

Speaker2: Ja, spannend. Das ist nämlich 'n regelmäßiger Streitpunkt. Wie wie kriege ich das rein? Ja, also die Situation, dass 'n Projekt vielleicht am Ziel vorbeiging, das hatte wahrscheinlich gegeben ausreichend Projekterfahrung jeder mal. Und dann stellt sich eben genau die die Frage als Teamleiter, was mach ich jetzt? Setz ich eine Person rein oder definier diese Rolle und konzentrier diese Expertise des des Produkt- und Projektmanagements in dem Fall oder distributier ich das gleichmäßig auf alle. Das finde ich sehr, sehr cool, dass es bei euch funktioniert über diese Kultur, ja, dass da alle gemeinsam an dieser Thematik arbeiten, dass der Fokus nicht verloren geht. Cool, ja, Nicht schlecht. Und siehst Du in soner Aufstellung in der Zusammenarbeit mit dem Kunden auch ab und zu mal Red Flags oder hast Du da was, nachdem Du die Augen offen hältst und wenn es auftritt oder vorkommt, wenn dir das zu Augen kommt, dann nimmst Du sofort Telefon in die Hand und intervenierst?

Speaker0: Also so richtig krasse Showstopper, wenn man in dem Projekt ist, wo man sagt, okay, hier geht's jetzt gar nicht weiter, Fallen mir jetzt grad gar nicht so ein. Also was was vielleicht, also was erschreckend oft vorkommt, das klingt jetzt vielleicht 'n bisschen banal, aber der absolute Showstopper für son Data Science Projekt ist, keine Daten. Und das ist, also dieses Thema KI und Data Science ist ja jetzt wirklich grad in aller Munde und alle interessieren sich dafür. Und das passiert schon mal, dass man auf soner Konferenz mit Leuten spricht und dann geht's irgend sone Maschine und man soll irgendwie gut von Schlechtteilen unterscheiden oder sonst irgendwas. Und wir fragen dann ja, okay, welche Sensormesswerte haben Sie denn? Welche Daten nimmt denn diese Maschine so auf? Und dann kommen so Antworten wie, ja, wie genau meinen Sie das mit diesen Daten? Und und dann also muss man tatsächlich, also dann gibt's vielleicht erst mal kein Data Science Projekt wie das, was wir ursprünglich im Kopf hatten, sondern da muss man tatsächlich echt 'n Schritt zurückgehen und quasi quasi mit dem Kunden überlegen, okay, wie könnte man denn, welche Sensoren könnte man denn anbringen an der Maschine und wie könnte man dafür sorgen, dass man Daten hat? Wie viele Daten braucht man, das Problem zu lösen, was man da machen will? Und dann muss man da quasi eine Stufe weiter vorne anfangen und erst mal die Infrastruktur dafür schaffen. Ja, aber dann kriegt man's eigentlich Also, wenn man wenn man die Kommunikation gut im Griff hat und nicht quasi kurz vor Ende des Projekts noch Sachen auftauchen, die bis jetzt nie 'n Thema waren, aber die megakritisch für den Projekt im Erfolg sind, kriegt man's eigentlich immer gut hin. Also wenn man's schafft, die kritischen Sachen sehr, sehr weit vorne zu klären.

Speaker2: Ja. Ich musste wirklich grad schmunzeln, als Du gesagt hast, keine Daten, weil ich das absolut auch teile. Na ja, ohne ohne ohne Daten. Ich ich find's dann immer verwunderlich, welches Bild von KI in den Köpfen der Leuten steckt, aber sei's drum. Wobei ich letztlich, muss ich auch sagen, dann froh bin, wenn sozusagen, man braucht ja beides, eine klare Problemstellung, an der ich arbeiten möchte und die Daten dazu. Und wenn ich die Wahl hab, ist mir nämlich auch schon 'n paar Mal passiert, die die die Aussage, na, wir haben hier Daten. Ja, was möchten Sie denn für 'n Problem damit lösen? Ja, keine Ahnung, aber wir haben Daten. Wir wollen jetzt was damit machen. Da muss ich sagen, das ist mir dann lieber, jemanden, einen Kunden zu haben, der sagt, ich hab hier 'n Problem, aber ich hab die Daten noch nicht dazu. Okay, da können wir dran arbeiten, aber das andere, von der anderen Seite zu kommen, ist mega schmerzhaft.

Speaker0: Ja, sehe ich auch so. Also wir kommen immer vom Problem her und fragen erst mal, was ist das Problem und dann gucken wir, wie wir es lösen können. Dieses Jahr, wir haben hier Daten, was kann man jetzt denn damit machen? Also das ist schon Ja, alles in dem immer gesagt, das Projekt ist erfolgreich, wenn's am Ende benutzt wird. Und wenn man eigentlich kein Problem hat und diese Lösung gar nicht unbedingt benutzen muss, weil man eigentlich so ganz zufrieden ist,

Speaker2: dann ist das schon prädestiniert, son bisschen in diese Richtung abzubiegen, dass es vielleicht am Ende in der Schublade landet, das Projekt. Ja, ja, ja, ja. Aber sehe ich sehe ich regelmäßig und zwar vor allem jetzt ganz persönlich in 2 Bereichen. Das eine, das ist die Anbindung von von Automatisierungstechnik. Ja, wenn dann angefangen wird, PLCs deren Daten zentral zu bündeln, geht auch total schief, weil deren Daten überhaupt gar nicht dafür ausgelegt waren, zentral verarbeitet zu werden. Stichwort Zeitstempel Synchronität oder so Zeug, ja. Irre. Und das andere ist der Bereich Logistik. Da fallen auch 'n Haufen Daten an. Man man man schließt die alle an den Data Lake und denkt sich, ja, da können wir doch jetzt bestimmt was Tolles damit machen. Aber na ja, oftmals sehr schmerzhaft. Von daher mein Plädoyer an der Stelle, Leute, macht es genauso wie Stefan sagt, ja, geht's von den Daten aus, geht's vom Problem aus, geht's vom Problem aus. Lass uns in die Abschlussfrage einsteigen. Mich interessiert, welchen Rat würdest Du deinem zwanzigjährigen Ich geben?

Speaker0: Also ich glaub, als ich so 20 war, das war so die Zeit, wo wo ich grade so mit dem Zivi fertig war und da hab ich grad überlegt, was ich studieren will, war vielleicht grad so die Entscheidung, ja okay, ich studier Mathe. Und wenn ich mich da dran zurückerinner, war ich damals sehr unsicher und also ich wusste überhaupt nicht, was man Mathe später mal machen kann. Weil es also gibt jetzt keinen, der son Schild Diplom Mathematiker sich unten hinmacht und dann sone Mathematikerpraxis aufmacht oder so. Ist der Vergleich. Damals war ich sehr, sehr unsicher, was diese Entscheidung angeht. Und also mit dem Wissen von heute würd ich sagen, das war eine super Entscheidung. Also auf jeden Fall Mathe studieren und eigentlich auch gerne danach einfach Data Scientist werden. Also das ist eine, finde ich jetzt im Nachhinein, war eine gute Entscheidung, das hab ich bis jetzt zu keiner Sekunde bereut. Wenn ich mir einen Tipp noch mitgeben dürfte, dann würde ich mir wahrscheinlich raten, früher und öfter Praktika zu machen. Mhm. Mhm. Also das, hab zwar 'n Praktikum gemacht während des Studiums, aber ich glaube, da das wäre schon gut gewesen, sehr früh zu sehen, okay, ach, das kann man mit Lineare Algebra machen. Also so wie wir das gerade vorhin gesagt haben, ne, ach, okay, und da sind die eigentlichen Probleme und darauf kommt's an. Das war zwar eine solide Matheausbildung, aber also für mich persönlich wär's schön gewesen, früher einfach noch mehr Bezug, also so wie ich das vorher zum echten Leben genannt hab, also mehr Bezug zum echten Leben zu kriegen und zu sehen, okay, diese Theorie, die mir der Proft da in der Vorlesung erklärt, die kann ich dafür in der Praxis einsetzen und wirklich was Handfestes damit anfangen. Ja, ich glaub so, das wären die Sachen, die ich mir mitgeben würde. Absolut relatable, auch von meiner persönlichen Seite her.

Speaker2: Stefan, ich danke dir vielmals. Sehr, sehr cooles Gespräch. Ich danke dir für deine Offenheit und Transparenz. Du hast uns ja wirklich Einblick gegeben in auch die Internals bei euch in der Firma, wie er mit den Plattformen umgeht, was ihr abstrahiert, was ihr dann in dem Projekt noch mal per Hand macht. Fand ich megaspannend. Und ich denke, als Take home Message können sich die Zuhörer definitiv mitnehmen, geht's das mit dem Praktika an? Kann ich nur unterschreiben? Insbesondere, da ja neben den Mathematikern sehr, sehr viele Data Scientists auch aus der Physik rauskommen und wir da in sonem Tal der Blinden uns befinden. Die Mathematiker hab ich den Eindruck, die müssen Praktika machen, weil die sind wieder so zu theoretisch. Die Maschinenbauer, die müssen Praktika machen, weil die sind halt sehr praktisch unterwegs. Aber die Physiker, wir hatten bis auf die Physikpraktika an der Uni kein einziges Pflichtpraktikum in der Wirtschaft. Zieht's euch das rein, dann klappt's mit der Karriere auch dann in der Data Science. Da tut mir sich 'n echten Gefallen. Stefan, noch mal vielen herzlichen Dank.

Speaker0: Ja, auch vielen Dank von meiner Seite. Hat mir sehr viel

Speaker2: Spaß gemacht. In diesem Sinne an alle Zuhörer, bleibt gesund, macht's es gut. Ich wünsch euch viel Erfolg im Studium, in den Projekten Master die Complexity.

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.

More episodes from season 5 →