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

Season 2· 5. Mai 2020· 1372

Episode cover: Prof. Dr. Patrick Glauner – Professor mit Herz für Praxis
0:001372
  • Host (Erium Podcast)Host
  • Prof. Dr. Patrick GlaunerProfessor of AI at TH Deggendorf & Founder of Sky Rocket AI

Overview

In this episode of the Erium Podcast, the host speaks with Prof. Dr. Patrick Glauner, Professor of Artificial Intelligence at the Technical University of Applied Sciences Deggendorf and founder of the AI consulting firm Sky Rocket AI. The conversation covers his impressive career path, the importance of practice-oriented teaching, how to enter the data science job market successfully, and the symbiosis between research, industry, and higher education.

About the guest

Prof. Dr. Patrick Glauner became a Professor of Artificial Intelligence at the Technical University of Applied Sciences Deggendorf at the age of 30. He studied at Imperial College London (Master of Science in Machine Learning) and completed his PhD in Computer Science at the University of Luxembourg, where he investigated how electricity theft in developing and emerging countries can be detected using AI. Prior to that, he spent three years at CERN in Geneva, working in areas including Natural Language Processing and Information Retrieval. In January, he founded Sky Rocket AI GmbH, through which he advises companies on developing and implementing AI use cases. He deliberately holds his professorship on a part-time basis in order to maintain close ties with industry.

Summary

Professor and Entrepreneur at Once: A Deliberate Choice for Part-Time

Patrick Glauner explains why he has held his professorship on a part-time basis from the very beginning: at universities of applied sciences, the teaching load is very high, and those who teach full-time without remaining active in industry risk falling behind professionally. Since AI changes fundamentally within just a few years, he wanted to ensure that his teaching always stays close to reality. The 50:50 split between the university and his own consulting firm Sky Rocket AI makes exactly that possible.

His consulting firm helps companies not only develop AI projects as prototypes, but actually bring them into production. In practice, according to Glauner, almost all AI prototypes fail because organisational structures need to be adapted and management needs to be made aware of the topic.

From a Master's at Imperial College to an Industry PhD: What Really Prepares You

The Master's at Imperial College gave Glauner a broad and deep theoretical foundation in Machine Learning. However, he criticises the fact that the professors there had little industry experience, which kept the teaching very abstract.

Far more formative for him was his PhD at the University of Luxembourg, which was carried out in close collaboration with an industrial company. Using real data from Brazil, he developed methods for detecting electricity theft. The partner company regularly provided feedback from a practical perspective, which forced him to combine academic rigour with industrial applicability. He sees this experience as decisive for his later consulting work.

A Defining Chapter: Three Years at CERN

Towards the end of his bachelor's studies, Glauner moved to CERN in Geneva, where he first completed his bachelor's thesis and was subsequently taken on as a permanent employee. There he worked on document management systems with a focus on Natural Language Processing, search engines, and Information Retrieval. He describes the opportunity to collaborate with highly qualified experts from around the world as professionally very valuable.

Finding the Right Job in the Data Science Market: Look Critically

Glauner warns against being misled by job titles: not every position labelled 'Data Scientist' actually involves real data science. In some cases, the job amounts to simple Excel work. He recommends asking critical questions during job interviews, looking up the team on LinkedIn, and checking whether the described competencies of potential colleagues match what was promised in the interview.

What Good AI Education Should Look Like: Practice, Dialogue, and Real Data

Glauner designs his courses so that half the time is devoted to interactive lectures, which he treats as dialogues at eye level, and the other half to computer exercises using real data and modern tools such as current libraries and cloud services (e.g. AWS or Microsoft Azure).

He criticises the fact that academic training frequently relies on artificial, overly clean datasets that bear little resemblance to reality. In the medium term, he plans to work directly with companies in his courses so that students can tackle real problems. He also emphasises the need to integrate cloud skills into education, as these are indispensable in practice.

Book Project: 'Innovative Technologies for Market Leadership'

Alongside his professorship and consulting work, Glauner has completed a book as editor, to be published by Springer. The volume, subtitled 'Investing in the Future', comprises 19 chapters and around 320 pages. It covers a broad spectrum of future technologies ranging from AI and quantum computing to innovation processes, and brings together contributions from notable authors, including the CTO of a Microsoft national subsidiary.

Key takeaways

  • Holding a professorship part-time while remaining active in industry ensures the practical relevance of teaching in a rapidly evolving field like AI.
  • According to Glauner, an industry PhD using real data and a genuine corporate partner was more valuable for his later consulting work than the theoretical Master's degree.
  • In practice, almost all AI prototypes fail: companies need consulting support to adapt their organisational structures and bring AI into production.
  • When searching for jobs in data science, one should critically scrutinise job descriptions and actively research potential colleagues and managers.
  • Good AI education relies on dialogue-oriented lectures, computer exercises with real data, modern tools, and cloud services rather than artificial textbook datasets.
  • Cloud skills (AWS, Microsoft Azure, etc.) are indispensable in practice and need to be more strongly integrated into university education.

Conclusion

Prof. Dr. Patrick Glauner demonstrates how to successfully bridge the gap between academia and industry, and why this bridge is crucial for a future-proof AI education. His career path from CERN through an industry PhD to a professorship with his own consulting firm makes one thing clear: closeness to practice is not a weakness of an academic career, but one of its greatest strengths.

For Students and Young Professionals

Anyone looking for a job in data science should scrutinise job offers critically and not focus solely on the title. Practical experience, such as through an industry PhD or side projects, prepares you far better for professional practice than purely theoretical academic achievements.

For Educators and Universities

AI education should consistently rely on real data, current tools, and cloud services, and integrate corporate collaborations into the curriculum in order to prepare graduates optimally for the job market.

For Companies and Executives

AI projects rarely fail because of the technology itself, but due to a lack of organisational adaptation and insufficient management understanding. External consulting can help navigate the path from prototype to real-world deployment.

Show full transcript

Speaker0: Ihr hört die IRIUM Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker1: Heute habe ich den Gründer von Sky Rocket a I und Professor für künstliche Intelligenz, Doktor Patrick Clowner, zu Gast. Auf was sollte man während seinem Studium achten, danach gut in die Arbeitswelt zu kommen? Wie muss Lehre im Bereich verschiedenen Ländern gestaltet werden? Und warum war seine Promotion viel sinnvoller für seine Beratungstätigkeit als sein Master? All das erzählt er uns jetzt. Am Imperial College in am Imperial College in London, dann Ph d in Computer Science an der University of Luxemburg, wo er untersucht hat, wie Elektrizitätsdiebstahl in Entwicklungs- und Schwellenländern mit KI bekämpft werden kann, seit Januar oder besagt im Januar die Firma Sky Rocket r I gegründet, in der Unternehmen geholfen wird, mit KI aufzurüsten und seit Februar Professor für künstliche Intelligenz an der Technischen Hochschule in Deggendorf und das mit 30 Jahren. Das sind nur ein paar Meilensterne. Ich hab sicherlich einiges vergessen. Es gibt viel über Sie zu erzählen. Freut mich sehr, dass Sie da sind, Professor Doktor Patrick Launer. Ja, hallo. Toll, dass Sie da sind.

Speaker2: Wie geht's Ihnen? Ja, mir geht's bestens. Zurzeit ist ja die Coronapandemie und die zwingt uns natürlich, im Homeoffice zu arbeiten, da waren dann die Pendelzeiten weg. Das ist aus dem Gesichtspunkt gar nicht so schlecht momentan.

Speaker1: Genau. Ist tatsächlich für mich auch relevant. Normalerweise, nach Erium rauszufahren, fahr ich immer nach Garching von der München von der Stadtmitte aus München und da sparten Sie sich dann doch einiges an Zeit. Da haben Sie völlig recht. Genau, dann möchte ich Sie direkt mal fragen, wie sah denn Ihr Tag bis jetzt aus? Ich bin heute sehr damit beschäftigt,

Speaker2: noch Unterlagen für meinen Kurs zu erstellen. Ich unterrüght dieses Semester 3 Kurse. Für 2 Kurse hab ich die Unterlagen schon komplett erstellt und für den dritten Kurs Algorithmen und Datenstrukturen, da bin ich jetzt noch dran, die Folien fertigzustellen.

Speaker1: Haben Sie da ein gewisses Ziel im Sinne? Denn ich ich kann mir gut vorstellen, dass es manche Kurse gibt, die auch auf eine gewisse Branche abzielen. Also jetzt zum Beispiel gibt es sicherlich gewisse Vorlesungen im Bereich Data Science und, Science und, die einen dann vielleicht in die Richtung Industrie und oder Industrie und Produktion berichten. Gibt es da eine bestimmte Branche, wo Ihre Kurse drauf abzählen oder ist das sehr, sehr allgemein gehalten?

Speaker2: Die aktuellen Kurse sind sehr allgemein gehalten, branchenübergreifend. Für mich ist es immer wichtig, auch in den Grundlagenvorlesungen immer die den Bezug zur Realität reinzubringen, also dass man da nicht irgendwelche Luftschlösser baut, sondern zeigt, das wird in der Praxis so funktionieren, das wird anders funktionieren, vielleicht auch anders, als es in den Büchern steht. Nichtsdestotrotz möchte ich auch mittelfristig industriespezifische Kurse anbieten, beispielsweise zum Maschinenbau, da ich ja in der Vergangenheit auch im Maschinenbau und der KI tätig war.

Speaker1: Mhm. Also tatsächlich auch was zum Anfassen und quasi nicht nur trockene Theorie, sondern auch, hey, wir sehen, wo wird das angewendet. Ist das für Sie die Freiheit, die Sie sich rausnehmen können? Also das würde mich vielleicht auch interessieren tatsächlich, wie es so ist als Professor.

Speaker2: Ist man da an gewisse, sage ich mal, Lehrpläne gebunden wie jetzt in der Schule oder wie viel Freiheit haben Sie denn da bei der Gestaltung Ihrer Kurse? Man hat sehr viele Freiheiten. Man ist als Professor zwar im öffentlichen Dienst tätig, hat aber ein Dienstrecht eigener Art und das heißt, man hat in dem Sinn keinen Vorgesetzten, sondern man muss natürlich immer schauen, wer unterrichtet welche Kurse. Das ist in der Regel was, was man kollegial festlegt mit den anderen Professoren. Aber wenn man jetzt eine Vorlesung bekommt, die heißt beispielsweise maschinelles Lernen oder Programmierung, dann ist es einem relativ überlassen, was man da eigentlich genau unterrichtet. Natürlich muss man sich mit den Kollegen abstimmen, dass man nicht das Gleiche unterrichtet, vielleicht wie in Kursen davor, sondern dass man da natürlich Kurse baut, die sinnvoll aufeinander aufbauen. Nichtsdestotrotz hat man da sehr, sehr viele Freiheiten.

Speaker1: Das heißt, unter Absprache mit den Kollegen kann man da sehr viele Freiheiten haben. Speziell, ich mein, wenn man jetzt einen Kurs hat, der maschinelles Lernen heißt, das Feld ist ja relativ groß, sag ich jetzt mal. Wer die 1. Staffel gehört hat vom welche Richtungen man da einschlagen kann. Und aber ja, das ist doch tatsächlich ein sehr gutes Ding bei dem Beruf. Haben Sie denn noch irgendwas, wo Sie sagen würden, ah, Professor, da gibt's einen Punkt an dem Beruf, wo ich sag, müsste nicht unbedingt sein, ist etwas nervig.

Speaker2: Bisher noch nicht. Nichtsdestotrotz ist hat man natürlich an soner Hochschule auch immer viele Prozesse, viele Verwaltungsschritte und so weiter, die teilweise auch sehr viel Zeit rauben. Und da ist es für mich auch wichtig, dass wir in der Hochschule in den nächsten Jahren auch intern uns viel mehr digitalisieren. Wir haben zum Beispiel alle möglichen Studiengänge in unserer Fakultät. In jeder in jedem Studiengang haben wir andere Studien- und Prüfungsordnungen. Wir haben unterschiedliche Prozesse und da müssen wir natürlich harmonisieren. Und wenn wir dann noch mit IT viele dieser Prozesse noch weiter automatisieren können, dann können wir da auf jeden Fall sehr viel Zeit sparen.

Speaker1: Jetzt haben Sie ja nebenbei noch im Januar auch Sky Rocket AI gegründet, wo eben Firmen dabei beraten werden sollen beraten werden sollen, AI Use Cases zu entwickeln oder generell für die kommende, den kommenden starken technologischen Wandel sich gut aufzurüsten. Wie viel Zeit nimmt das denn ein? Also sagen Sie, sind Sie 80 Prozent der Zeit Professor und restlichen 20 bei Sky Rocket AI oder wie verteilt sich das genau?

Speaker2: Das teilt sich so 50 50 auf, da ich die Professur in Teilzeit ausübe. Mhm. Für mich war hat war das natürlich eine große Chance, mit 30 Jahren Professor zu werden. Aber ich hab mir dann auch gesagt, gut, wenn man mal Professor ist, dann macht man das eigentlich bis mal zur Pension, also die nächsten 40 Jahre, 40 Jahre plus. Und die KI verändert sich aber so gewaltig innerhalb weniger Jahre. Und wenn man dann natürlich als Professor ein sehr hohes Lehrdebutat hat, was ja an den Fachhochschulen der Fall ist, dann wird man da fachlich ganz schnell abgehängt und unterrichtet dann vielleicht die nächsten 35 Jahre lauter Dinge, die wenig mit der Realität zu tun haben. Und deshalb hab ich mir gesagt für den Anfang, ich möcht die Stelle in Teilzeit ausüben und hab dann parallel noch Zeit für andere Themen, wie beispielsweise für mein Beratungsunternehmen die Sky Rocket AI GmbH, da weiterhin viel in der Industrie zu sein, zu sehen, was in der Industrie passiert. Und davon profitiert natürlich auch die Lehre an der Hochschule sehr stark, weil man die realen Anforderungen aus der Industrie mitbringt. Man sieht, was verändert sich jede Woche in der Industrie und hat natürlich auch weiterhin sehr gute Kontakte, wovon am Ende auch die Hochschule und die Studierenden profitieren können.

Speaker1: Also auch im Sinne der Lehre weiterhin in der Industrie bleiben und so auch dafür sorgen, dass der Unterricht und die Lehre, die Sie geben, sehr weit weiterhin zum Anfassen sind und so besser greifen bei den Studenten.

Speaker2: Exakt.

Speaker1: Dann kurz zu Sky Rocket AI. Warum haben Sie sich denn, gibt's noch einen anderen Grund, warum Sie sich dafür entschieden haben, die GMBH zu gründen, außer dass Sie die, die Sie, sag ich mal, Symbiose zwischen Lehre und weiterhin in Industrie bleiben hatten? Oder ist es einfach auch Ihre Leidenschaft? Ist auch meine Leidenschaft.

Speaker2: Mir macht Beratung sehr viel Spaß und ich glaub, dass wir in Deutschland oder generell in Europa momentan nur eigentlich an den Möglichkeiten kratzen. Da geht noch viel, viel mehr. Man sieht zwar immer dann im Internet und in irgendwelchen Papern tolle KI oder Prototypen, aber wir müssen halt auch sagen, in der Realität scheitern fast alle dieser Dinge. Und ganz nur eigentlich ganz wenige dieser oder Prototypen oder was auch immer schaffen es mal in den Produktivbetrieb. Und das hat natürlich auch damit zu tun, dass man Organisationsstrukturen anpassen muss. Das Management muss 'n Verständnis für solche Themen entwickeln. Und dabei begleite ich Unternehmen durch meine Beratungstätigkeiten.

Speaker1: Mhm. Auf jeden Fall eine wichtige Tätigkeit, ist auch eine Sache, die wir bei Ihrem immer ganz oft ansprechen, die interdisziplinäre Kommunikation, ne. Die Technologien, die Machine Learning und AI generell mit sich bringen, die sind mannigfaltig anwendbar, ja. Das gibt's von Produktion in der Industrie bis hin zu Medizin. Und die Leute, die Medizin studiert haben oder sag ich mal Ingenieur wurden, die haben jetzt nicht direkt 'n abgeschlossenes Data Science Studium. Und da braucht es Leute, die beraten und die Kommunikation fördern, auch in den Teams, ne. Also es kann sein, dass plötzlich jemand, der Ingenieur ist, zusammenarbeitet mit 'nem Data Scientist. Und da muss dann eben diese interdisziplinäre Kommunikation gestärkt werden. Also auf jeden Fall eine Supersache, die Sie da mit Sky Rocket AI machen. Jetzt kurz, ich hatte es am Anfang kurz angerissen. Sie haben einen auch sehr beeindruckenden Studienverlauf. Sie haben einen Master of Science in Machine Learning vom und Ihren PhD gemacht mit einem sehr interessanten Thema. Ich kann's gerne noch mal wiederholen, Elektrizitätsdiebstahl in Entwicklungs- und Schwellenländern mit KI bekämpfen. Das ist jetzt nicht der genaue Titel, aber das war auch 1 der Themen, soweit ich weiß. Was würden Sie denn sagen, hat Sie in Ihrem Studium jetzt abgesehen von dem Fachlichen vielleicht gut auf ihre jetzige Tätigkeit vorbereitet, ja? Also speziell im Bezug auf Sky Rocket AI und die Beratung, ja? Denn ich kann mir gut vorstellen, dass speziell auch im Mars und eben in dem PhD viel Theorie auch dabei war. Aber was würden Sie denn jetzt sagen, in Bezug auf Sky Rocket AI hat Sie während dem Studium besonders gut vorbereitet auf das, was Sie jetzt tun? Ja, also ich hatte den Master, wie Sie's gesagt haben, am gemacht.

Speaker2: Die hatten damals schon, also 20 14, 20 15, einen kompletten Masterstudiengang in Machine Learning angeboten. Das fand ich eigentlich sehr sinnvoll, da ein sehr breites und tiefes Wissen zu akquirieren. Nichtsdestotrotz war das Ganze sehr, sehr theoretisch. Das Imperial College ist zwar eine der Topunis in England, aber die Profitoren waren meistens nie in der Industrie. Also da werden natürlich auch viele Luftschlösser gebaut und eigentlich wenig von dem, was man da am Ende dann sieht, funktioniert genauso in der Praxis. Nichtsdestotrotz war der Master sehr sinnvoll, grade 'n breites und tiefes Wissen zu bekommen. Besonders sinnvoll war aber meine Promotion. Wie Sie erwähnt haben, ja, es ging darum, Stromdiebstahl in Entwicklungs- und schweren Ländern zu erkennen mithilfe von KI. Und dieses Projekt ist in Zusammenarbeit mit einem Industrieunternehmen erfolgt. Ein Industrieunternehmen, das baut Software im Bereich SmartCrit und unterstützt Stromanbieter mit Analysen. Und somit hatten wir ein reales Problem für mein Promotionsprojekt, also diesen Diebstahl zu erkennen. Wir hatten reale Daten bekommen aus Brasilien und konnten auf realen Daten arbeiten und dann hat man mal Ergebnisse erzielt, die waren vielleicht aus wissenschaftlicher Sicht interessant, aber da hat dann das Partnerunternehmen gesagt, ja, aber das wird so nicht funktionieren in der Praxis, weil Und dann konnte man natürlich das weiter verfeinern und das war eigentlich sehr spannend, weil man musste natürlich 'n wissenschaftlichen Beitrag liefern, aber das Ganze auch so am Ende umsetzen, dass es einen Mehrwert in der Industrie schaffen kann. Und aus dem Gesichtspunkt war die Promotion sehr, sehr hilfreich.

Speaker1: Also und auch die intensive Zusammenarbeit mit einem mit 1 Firma aus der Industrie, die da eben auch noch mal anderen Input gibt während der Arbeit, die man da verrichtet, hat sie da auf jeden Fall weitergebracht. Sehr interessant. Was würden Sie denn sagen, war bei Ihnen das außergewöhnlichste Ereignis in Ihrem universitären oder auch beruflichen Werdegang, was Sie besonders geprägt hat? Oder wo Sie sagen, da habe ich eine Lehre draus gezogen, die ich heute immer noch für mich wahrnehme

Speaker2: und mich daran halte? Ich hatte 3 Jahre lang am CERN gearbeitet. Also das CERN ist ja die europäische Organisation für Kernforschung mit Sitz in Genf in der Schweiz. Ich bin damals Ende meines Bachelorstudiums ans CERN gewechselt, hatte dann da erst mal meine Bachelorthesis gemacht und wurde dann auch gleich im Anschluss danach übernommen als Festangestellter und hatte mich da sehr viel mit der Entwicklung von Dokumentenmanagementsystemen beschäftigt, mit auch 'nem starken Fokus auf Natural Language Processing, auf Suchmaschinen, auf Information Retrieval und solche Themen. Das war sehr, sehr spannend aus technologischer Sicht und natürlich die Möglichkeit, an 'ner Institution mit dem CERN mitarbeiten zu können, das ist schon sehr gewaltig.

Speaker1: Mhm. Was würden Sie denn sagen, war denn da so der Spirit, ne? Also man man kennt's, also CERN ist vielen Leuten ein Begriff. Würden Sie denn sagen, der die der die Atmosphäre, die dort herrscht, hat Ihre Ihre Arbeit da sehr gut auch befruchtet und auch sehr motiviert und angetrieben und oder und wo Sie auch heute noch was draus zerren vielleicht sogar? Ja, man hatte da natürlich die Chance, mit sehr, sehr talentierten

Speaker2: und sehr ausgewiesenen Experten zusammenzuarbeiten. Ich hatte da fachlich einiges mitgenommen und rückblickend war das eine sehr interessante Zeit.

Speaker1: Mhm. Dann vielleicht jetzt noch zum Schluss ein paar weitergehende Fragen. Was würden Sie denn sagen, Sie als Professor, macht es denn schwierig für viele junge Menschen, den richtigen Job im Bereich Data Science zu finden, ja? Also ich hatte vorhin schon mal kurz vor dem Gespräch angesprochen, einen Job im Bereich Data Science zu finden ist, natürlich muss man die gewisse Ausbildung dafür haben, ja, aber an sich ist da auch viel Nachfrage. Aber es gibt, wie gesagt, mannigfaltige Möglichkeiten. Wir hatten das auch schon oft angesprochen in vorherigen Folgen. Wie findet man denn da den richtigen Job?

Speaker2: Ja, also nicht alles, wo Data Science draufsteht, ist dann Data Science. Das ist so mein Eindruck. Es gibt dann natürlich viele Unternehmen, die sagen, ja, wir suchen 'n Data Scientist und am Ende darf der in Excel irgendwie werde manipulieren und bisschen was hin- und herschieben. Das ist dann natürlich nicht das, was man sich da drunter vorgestellt hat. Also man sollte da schon sehr genau hinschauen. Natürlich im Interview sollte man auch kritische Fragen stellen, auch vielleicht wer ist dann eigentlich mein Vorgesetzter? Wer wer wären die potenziellen Kollegen? Da hilft natürlich auch mal auf LinkedIn zu schauen, wer sind diese Leute? Was tun die? Welche Kompetenzen haben die? Und ist das ungefähr das, was mir auch versprochen wurde oder erzählt wurde im Interview? Also man sollte das auf jeden Fall schon sehr kritisch sehen, weil in vielen Fällen heißt es zwar Data Science, aber

Speaker1: es hat nur wenig mit Data Science zu tun. Also auch als als kleine Referenz auf eine vorherige Folge, die wir mal hatten zu Bewerbungen bei zum Beispiel einem Start-up. Gutes Kriterium ist immer, schaut euch an, wie läuft der Bewerbungsprozess ab bei 1 Firma, ja? Also wenn man schnell schnell genommen wird, dann ist es entweder ein Zeichen dafür, dass man besonders herausragend und besonders gut ist oder sie suchen händeringend nach jemandem und dann sollte man eher vorsichtig sein, ja. Wenn man jetzt, wenn aber allerdings Leute aus dem Team auch in den Bewerbungsprozess mit reinintegriert werden und gefragt werden, hey, was hält man von der Person, dann heißt das, dass viel Wert auf gute Projektarbeit im Team gelegt wird, was dann auch eben das Arbeits die Arbeitsatmosphäre gut, ja, beeinflusst. Exakt. Genau. Dann jetzt zum Abschluss vielleicht noch eine Frage zur Lehre. Wie finden Sie denn speziell im Bereich AI und Machine Learning, sollte denn die Lehre gestaltet werden, ja? Da können Sie vielleicht auch einen kleinen, eine kleine Bitte an an andere Professoren in dem Bereich oder auch eben den Bereich Statistik geben. Wie sollte man denn da im Hinblick auf den digitalen Wandel auch die Lehre gestalten? Vielleicht kleine kleiner Schwank wieder aus aus der, meine Vorlesung an der LMU, ich studier Mathematik momentan im Master und während dem Bachelor hat man da nicht wirklich viel mit Programmieren zu tun. Natürlich ist es immer noch 'n Mathematikstudium, das ist in gewisser Weise gerechtfertigt, aber weil mittlerweile die Berufsaussichten für Mathematiker auch viel einfach in die Richtung Software gehen und auch manche viele in in die Richtung Data Science und Machine Learning da sich bewegen. Wie finden Sie, sollte man denn da die Lehre gestalten? Weil am Ende wird nicht jeder Professor, was ja auffällig in Ordnung ist und nicht jeder bleibt dann quasi nur in der Theorie. Was würden Sie sagen, wie sollte man die Lehre gestalten? Ja, also ich gestalte meine Vorlesungen

Speaker2: oder meine Lehrveranstaltungen dahingehend, dass wir 50 Prozent der Zeit Vorlesungen haben, aber das sind dann keine Monologe, sondern Vorlesungen sind für mich Dialoge, in denen sich der Lehrende und die Studierenden auf Augenhöhe begegnen. Also dass man viel auch Diskussionen hat und nicht nur vorne was runterrattert, sondern auch immer natürlich die Wahl hin- und herspielt, dass man viel diskutiert. Das ist mir sehr wichtig und in der zweiten Hälfte der Lehrveranstaltungen Rechnerübungen durchführt, wo man auch wirklich auf Daten arbeitet, Dinge ausprobiert, moderne Tools einsetzt, moderne Bibliotheken und nicht irgendwelche Dinge von vor 20 Jahren. Und dann ist es für mich auch wichtig, dass wir reale Daten nutzen. Es gibt unendlich viele Beispiele im Internet, wo dann mit Amnest oder mit irgend 'nem anderen akademischen Datensatz gearbeitet wird. Das ist zwar schön und gut, aber das hat wenig mit der Realität zu tun. Und deshalb ist es für mich auch wichtig, dass man sich reale Daten anschaut, vielleicht beispielsweise von Kaggle oder es gibt ja so viele Möglichkeiten, wo man heutzutage Datensätze findet. Was genau mittelfristig in meinen Veranstaltungen machen möchte, ist konkret auch in diesen Praxisteilen in den Lehrveranstaltungen mit Unternehmen zusammenzuarbeiten, dass da einfach die Studenten reale Probleme sehen und reale Probleme bearbeiten. Das ist für mich sehr, sehr wichtig. Was auch wichtig ist, dass wir natürlich Cloud Services nutzen. Es gibt heut noch so viele, auch Informatikabsolventen, die eigentlich keine oder nur ganz wenige Berührpunkte mit Cloud Services hatten. Und in der Praxis werden die natürlich benötigt, dass man beispielsweise mit AWS umgehen kann, dass man mit der Microsoft Cloud, was auch immer umgehen kann. Und das ist für mich auch wichtig, dass man das mit in die Lehre integriert.

Speaker1: Aus Ihrem Werdegang lässt sich schon schließen, dass da Sie ja noch viele andere Talente besitzen und auch viele andere Leidenschaften, gibt es denn noch andere Sachen neben Ihrer Tätigkeit als Professor und Ihrer Arbeit bei Sky Ragle der AI, die Sie noch nebenbei

Speaker2: haben? Ja, ich hab ganz frisch jetzt ein Buch fertiggestellt. Das wird in den nächsten Wochen erscheinen im Springerverlag. Das Buch heißt innovative Technologies for Market Leadership mit dem Untertitel Investing in the Future. Dieses Buch habe ich zusammen mit einem anderen Professor als Herausgeber aufgesetzt. Wir haben einen Teil der Kapitel beigesteuert, aber wir haben auch andere Kapitelautoren gewinnen können. In dem Buch geht's allgemein Innovation und Technologien, beispielsweise KI, sagen wir KI für die Stromversorgung, k KI Maschinenbau, KI in der Medizintechnik. Das Buch geht aber noch viel, viel breiter. Das geht auch in Biologie rein, das geht in Quantencomputing rein, das geht in Innovationsprozesse rein und wir konnten da sehr hochkarätige Autoren gewinnen, beispielsweise den CTO, 1 Microsoft Landesgesellschaft und viele weitere sehr namhafte Autoren und haben dieses Buch zusammengestellt. Es hat 19 Kapitel, circa 320 Seiten und wird jetzt in den nächsten Wochen in Druck gehen und bei Springer erscheinen.

Speaker1: Das klingt fantastisch. Wir werden sicherlich einen Link dann in die Beschreibung von unserem Podcast packen zu eben diesem Buch. Und wie gesagt, dann sag ich noch mal vielen Dank an Patrick Clauner. Toll, dass Sie dabei waren. Vielen Dank. Das war mein Interview mit Patrick Clauner. Seine akademischen Leistungen und die Tatsache, dass er so jung Professor geworden ist, sind schon sehr beeindruckend. Spielt ihr auch mit dem Gedanken, Professor zu werden? Und wie sehr versucht ihr bereits, während dem Studium alles in die richtigen Bahnen zu lenken? Was nervt euch so richtig an der Lehre im Bereich Data Science und Machine Was nervt euch so richtig an der Lehre im Bereich Data Science und Machine Learning? Gibt's irgendeinen Professor, der da komplett daneben liegt? Wo gibt's da wirklich noch Handlungsbedarf? Schreibt mir das. Ich freue mich wirklich auf eure Nachrichten. Eine Sache, die oft schiefgeht, ist, dass man künstliche Datensätze bekommt, die einfach viel schöner und sauberer sind, als es eigentlich der Fall ist. Wenn ihr wissen wollt, wie ätzend Daten aus der echten Welt werden können, dann hört doch mal in unsere Folge zu Missing Values aus der ersten Staffel rein. Master wie Komplexity.

Speaker0: Jeden Dienstag erscheint eine neue Folge von the irium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

More episodes from season 2 →