Silvia Gramling – Von Simulation Technology zur Machine Learning Developerin

- Host (The Erium Podcast)Host
- Silvia GramlingMachine Learning Development Engineer at Festo
Overview
In this episode of the Erium Podcast, Silvia Gramling joins as a guest - a Machine Learning Development Engineer at Festo, a company specialising in automation technology. She shares how her journey from studying Simulation Technology at the University of Stuttgart led her into industrial ML practice, what role expert conversations and data preparation play in her day-to-day work, and what she learned on the job that her studies never taught her.
About the guest
Silvia Gramling completed her Master of Science in Simulation Technology at the University of Stuttgart in 2019. During her studies she already worked as a student employee at Festo, a leading automation technology company, and wrote her master's thesis there as well. Today she works as a Machine Learning Development Engineer at Festo, contributing to ML projects with direct practical relevance in the field of automation technology.
Summary
The ML Working Day: Project Coordination and Expert Conversations
Silvia describes her professional day-to-day life as heavily shaped by project coordination. At the start of an ML project, she works together with clients to clarify the state of the data, define the problem, and establish what outcome is expected. As part of this process, the team openly weighs whether machine learning is even the right approach, or whether control engineering methods might be a better fit.
A central element of her work is the expert conversation: Silvia emphasises that communicating with specialists from other fields is essential for interpreting data correctly and checking models for plausibility. As a data scientist, it is her job to explain how algorithms work to people who are not ML experts, so that they can assess model behaviour themselves.
Misconceptions About ML: The Push-Button Myth
According to Silvia, many colleagues outside the data science field have an inflated idea of what machine learning can do - often tied to the notion that a model works almost automatically and independently. In reality, ML projects require intensive human effort, particularly when it comes to choosing the cost function and hyperparameters. Expert knowledge feeds directly into defining the desired model behaviour and cannot be fully automated.
Silvia advocates keeping models as simple as possible. For many problems, straightforward approaches are sufficient, and unnecessary complexity should not be added.
Data Preparation: The Underestimated Time Sink
One of the biggest surprises in her professional life was how much time goes into data preparation - estimated at more than half of the total working time. During studies, one typically receives academic datasets that are already perfectly prepared, with no missing values or labelling issues. In practice, labels often have to be defined from scratch or assigned retrospectively, which in turn requires expert conversations.
Once a good feel for the data has been developed and it has been visualised, the choice of algorithm often becomes almost self-evident - this step turns out to be less demanding than initially expected.
From University to Industry: Simulation Technology as a Gateway to ML
Silvia's degree programme in Simulation Technology is mathematically oriented and gave her a solid foundation for entering the ML field, even though it is not a dedicated data science programme. The mathematical grounding proved especially helpful when reading scientific papers. She only discovered machine learning as an area of interest towards the end of her studies - driven by genuine passion rather than strategic calculation.
In hindsight, her broad knowledge of control engineering and simulation mechanics came together well, as both areas resurface in her ML projects at Festo today.
Writing a Master's Thesis at a Company: Practical Relevance as a Decisive Advantage
Silvia wrote her master's thesis directly at Festo and sees this as a deliberate choice to try out professional practice. The greatest advantage: the work had a direct connection to reality, solved a genuine problem for the company, and was intended to feed into actual software. At the same time, she got to know her colleagues and their way of working, and could test whether this professional field and this employer were the right fit for her.
A master's thesis at a university, on the other hand, offers more opportunity to dive deeper into research. Silvia recommends weighing up the options according to your own interests: those who want to go into industry benefit from a company environment, while those aiming for research should get to know institutes and their areas of focus.
Being Honest with Yourself: Finding Your Interests and Changing Course
Silvia emphasises how important self-initiative and self-reflection are during studies and throughout professional life. It is not a mistake to try out a subject area and then realise it does not truly excite you. Recognising this is itself a form of progress. Those who are honest with themselves and actively search for what genuinely interests them will ultimately find a more fulfilling career - and that is exactly the path she herself has taken.
Key takeaways
- Expert conversations are a central and time-intensive part of ML work in industry - they are indispensable for checking the plausibility of models.
- ML is not a push-button process: choosing the cost function and hyperparameters requires human expertise and cannot be fully automated.
- Data preparation takes up more than half of working time in practice - something that is greatly underestimated during studies, where clean, ready-made example datasets are the norm.
- Simple models are often sufficient and should be preferred before adding unnecessary complexity.
- Writing a master's thesis at a company offers direct practical relevance and allows students to get to know a potential employer and professional field in advance.
- A non-direct degree programme such as Simulation Technology can provide a strong foundation for an ML career through its mathematical basis.
- Being honest with yourself about your own interests and being willing to change course are crucial for finding a fulfilling career path.
Conclusion
Silvia's story shows that a traditional data science degree is not a prerequisite for a successful ML career. What matters is a solid mathematical foundation, a willingness to communicate with domain experts, and a realistic picture of what ML work actually involves: a great deal of data preparation, intensive coordination, and the conviction to keep models as simple as necessary.
For Students and Career Starters
Writing a master's thesis at a company allows you to bridge theory and practice and to test early on whether a professional field is the right fit. What matters is following your own interests rather than acting out of a mere sense of obligation.
For Data Scientists in Industry
Expert conversations and data preparation are not peripheral tasks - they are the core of the work. The ability to communicate ML concepts clearly to non-experts is just as important as technical know-how.
For Companies and Clients Commissioning ML Projects
ML models do not emerge at the push of a button: clear problem definitions, close collaboration with data scientists, and a willingness to contribute domain expertise are decisive factors for project success.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute habe ich Silvia Kramling zu Gast. Sie ist Entwicklungsingenieurin für Machine Learning bei Festo, 1 Firma für Automatisierungstechnik. Und sie erzählt uns, wie Expertengespräche ablaufen, wann eine Masterarbeit bei einem Unternehmen sinnvoll ist und was ihr während des Studiums nicht erzählt wurde. Seid gespannt. 2019 hat sie ihren Master of Science in Simulation Technology an der Uni Stuttgart abgeschlossen, währenddessen bereits als Werkstudentin bei Festo, 1 Firma für Automatisierungstechnik gearbeitet und dort nun auch Angestellte als Entwicklungsingenieurin für maschinelles Lernen. Herzlich willkommen, Silvia Grahmling. Toll, dass Du da bist. Hallo, vielen Dank für die Einladung. Freut uns sehr. Wobei stör ich dich denn gerade? Hab ich dich gerade aus deiner Arbeit rausgerissen?
Speaker0: Was hast Du heute bis jetzt schon gemacht? Letzte Woche hatte ich Osterurlaub und hab mir deshalb heute Morgen bisher nur 'n Überblick über meinen Posteingang geschafft. Ich hab mich also erst mal ein paar organisatorische Themen gekümmert.
Speaker1: Also eher organisationstechnische Sachen. Wie sieht denn da deine Arbeitsweise aus? Nimmt das 'n großen Teil deiner Zeit ein oder was machst Du denn so den ganzen Tag?
Speaker2: Ja, Organisation gehört natürlich auch dazu, Aber grundsätzlich gibt's ja verschiedene Hauptaufgaben, die sich ja, die immer wiederkehren. Eine Hauptaufgabe sind Projektabstimmungen, bei denen wir uns mit verschiedenen Projektmitgliedern und den den Auftraggebern austauschen. Das startet bei, ja, bei der zu Beginn, wenn 'n Machine Learning Projekt gestartet wird, wo besprochen wird, wie sieht die Datenlage aus? Wie sieht das Problem aus? Was sind die Vorstellungen des Auftraggebers? Was soll am Ende rauskommen? Und dann wird eben überlegt, ja, macht Machine Learning als Methodik hier überhaupt Sinn? Oder gibt's vielleicht auch andere Methoden, mit denen dieses Problem auch angegangen werden kann? Genau, das wägen wir ab und Machine Learning muss hier nicht immer die, ja, die einzige Lösung sein. Da kann auch irgend 'n regelungstechnischer Ansatz, kann auch interessant sein zum Beispiel. Genau und dann tauschen wir uns eben aus zu der der Komponente oder dem Prozess, der eben modelliert werden muss. Und dann können wir, wenn die, wenn's Daten gibt, dann können wir uns mit den Daten auseinandersetzen, es da Analysen durchführen und uns mit dem Experten eben absprechen, ob wir hier die das gleiche Verständnis haben, die Daten richtig interpretieren. Und genau, dieses Expertengespräch ist auf jeden Fall 'n wichtiger Baustein in der Arbeit. Das kann ich nur so unterschreiben, wie's auch in der ersten Staffel erwähnt wurde. Genau. Auf jeden Fall ist es sehr wichtig, mit dem Experten die die Modelle auf Plausibilität zu überprüfen. Und tatsächlich nehmen die Expertengespräche wirklich viel Zeit ein. Ja.
Speaker1: Du hattest angesprochen, speziell jetzt auch die die Projektarbeit und die Expertengespräche, die wie wie sehen die genauso? Also Du meinst ja auch, dass die jetzt eben viel Zeit einnehmen. Mit wem spricht man da so? Also wir hatten's in der ersten Staffel, wie Du's grad gesagt hast, auch mal angeschnitten. Spricht man da mal mit 'nem Ingenieur oder ist das aus den verschiedensten Bereichen? Ich mein, bei Festo ist es ja jetzt eher Automatisierungstechnik. Und kommt man da gut klar, ja? Also natürlich menschlicher Ebene, man hat immer irgendwie son bisschen Respekt voreinander natürlich. Aber wie sieht es denn aus? Fällt da die Kommunikation leicht von Data Science Inhalten zu den Experten, mit denen man dann zusammenarbeiten möchte?
Speaker2: Mhm. Natürlich sind viele Kollegen, die uns mit 'nem Problem beauftragen, jetzt keine Machine Learning Experten, aber ich hab die Erfahrung gesammelt, dass wir auch Nichtexperten zu zeigen, was, ja, was im Training passiert, was die Algorithmen machen. Und ja, was im Training passiert, was die Algorithmen machen. Und insofern seh ich das auch als eine Aufgabe von uns, dem den Kollegen zu vermitteln, wie die Algorithmen funktionieren, eben dafür, dass sie auch beurteilen können. Ist die Herangehensweise, ist der das trainierte Modell, ist das so plausibel oder nicht?
Speaker1: Das heißt, da man ja selber nicht der Experte ist, aber am Ende natürlich auch trotzdem mitfahren durch ist für den Machine Learning Algorithmus, Mhm. Der dann am Ende da sein soll, man aber sich schwertun kann, eben weil man nicht der Experte ist, das zu beurteilen, ob's denn wirklich wertvoll ist, den Algorithmus so aufzuziehen, ist die Kommunikation umso wichtiger, am Ende tatsächlich den Algorithmus auch gut bewerten zu können. Ja, die Kommunikation halte ich für essenziell einerseits,
Speaker2: eben als Data Scientist auch 'n Verständnis für das Problem zu entwickeln. Ja? Es genügt nicht, wenn ich nur meinen Algorithmus verstehe. Im Idealfall sollte ich auch wissen, woher kommen die Daten? Was ist der erwünschte Output? Und ja, wie soll das ideale Modell am Ende aussehen? Und genau, dafür muss ich auch die die Komponente verstehen, zu der die Daten gehören oder den den Prozess, der dem zugrunde liegt. Mhm.
Speaker1: Alles klar. Und wie viele bei dir in der Firma können denn tatsächlich nachvollziehen, was Du da tust? Also gibt's da eine Abteilung, wo sie sagen, ach, da sind die, die Machine Learning machen, lass die mal machen? Oder ist das alles sehr, sehr mit eng miteinander verwoben? Wie schaut das aus?
Speaker2: Ja, ich hab den Eindruck, viele Kollegen haben schon eine Vorstellung davon, was wir machen und haben da schon mal was gehört. Aber es besteht dann doch eine Erwartung an das Machine Learning Modell, dass es sich da was sehr Hochautomatisiertes halt handelt, vielleicht sogar was sich für Selbständigendes, dass vielleicht sogar menschliche Denkstrukturen nachgeahmt werden. Also die die Vorstellung davon ist häufig deutlich komplexer als ja, die Probleme es dann erfordern. Ich bin der Meinung, dass man die Modelle immer möglichst einfach halten sollte, so wie's in der ersten Staffel auch schon erwähnt wurde. Oft sind die die einfachen Modelle schon genügen. Viele für viele Probleme reicht es schon aus. Und dann sollte man auch bei den einfachen Problemen, bei den einfachen Lösungen bleiben.
Speaker1: Mhm. Dann noch mal nachzufragen, ob ich das richtig verstanden hab. Meinst Du quasi ich das richtig verstanden hab. Meinst Du quasi, dass andere Leute, die jetzt quasi nicht unbedingt da aus dem Data Science Bereich kommen, da oft eine sehr, um's jetzt ganz frech auszudrücken, sone Terminator Vorstellung haben von Michjeneling, wo man sagt, da ist jetzt da ist viel mehr dran, als es dann am Ende eigentlich ist? Oder wie hab ich das zu verstehen?
Speaker2: Ich denke, das der Eindruck besteht, dass da weniger Arbeit auf Seite von 'nem Data Scientist notwendig ist. Okay. Also manchmal besteht diese diese Vorstellung, dass ein Knopfdruck, dann werden Daten aufgenommen, automatisch wird 'n Modell trainiert und dann genügt es schon. Aber es ist eben ganz entscheidend, dass dass jeder Algorithmus noch übergeordnete Parameter hat, Metaparameter, die auch gewählt werden müssen. Und gerade was auch 'n wichtiger Punkt ist, ist die Wahl der Kostenfunktion. In bei der Wahl der Kostenfunktion fließt das Expertenwissen mit ein. Da darin legt der Experte fest, welches Modell erwünscht ist, welches Modellverhalten im Optimalfall rauskommen soll. Mhm. Und dieses ja, dieses Expertenwissen, das da seh ich nicht die Möglichkeit, das komplett zu automatisieren. Und da geht tatsächlich viel, viel Zeit rein von uns, ja, sich mit dem Experten eben abzusprechen.
Speaker1: Die Hörer der ersten Staffel werden wissen, was der Maxim dazu sagen würde, ja? Also die Metrik regiert alles. Du bestätigst es uns quasi noch einmal. Vielleicht noch eine kleine Frage zu deiner Arbeitsweise. Wie viel Zeit nimmt denn bei dir das Preprocessing ein? Wir hatten's in der ersten Staffel schon 'n paarmal angerissen. Also machst Du das überhaupt? Ich meine, Du bist ja auch mitwarnung für den Machine Learning Algorithmus, also musst Du ja auch irgendwie, das ja auch, sag ich mal, ein Wechselspiel ist zwischen Preprocessing und dem tatsächlichen Trainieren dann, musst Du ja da auch deine Finger mit im Spiel haben, kann ich mir zumindest vorstellen. Wie viel Zeit nimmt das ein, würdest Du sagen? Kannst Du da vielleicht eine grobe Prozentzahl vielleicht sogar angeben?
Speaker2: Gute Frage, ja. Ich hatte als Student nicht gedacht, dass die Datenaufbereitung mal so viel Zeit einnimmt. Also es ist wirklich 'n essenzieller Schritt, hier eine Prozentzahl anzugeben und das das ist schwierig. Aber ja, ich würde sagen, sogar eher mehr als die Hälfte der Zeit. Weil wenn ich einmal die die Daten visualisiert hab oder schon mal 'n gewisses Gefühl für die Daten entwickelt hab, dann ist es oft ja schon logisch, welche Algorithmen dafür infrage kommen. Und die Wahl des Algorithmus hatte ich mir, als ich noch studiert hab, schwieriger vorgestellt, aber tatsächlich ist das oft, wenn man wenn man schon eine gewisse Intuition hat, dann klar, was infrage kommt. Und insofern geht weniger Zeit in die Algorithmenauswahl und und mehr in die Datenaufbereitung, als ich sofort dachte.
Speaker1: Du hattest gesagt, dass Du da überrascht warst, da das quasi im Studium nicht so richtig der Fall war. Hast Du da sehr, sehr künstliche, also wir kommen gleich noch zu deinem Studium, aber vielleicht, das schon mal son bisschen vorwegzugreifen, hattest Du da eher künstlichere Datenbestände?
Speaker2: Ja klar, im Studium bekommt man oft 'n akademischen Datensatz, der natürlich perfekt aufbereitet ist, perfekt gelabelt und da sind keine Missing Values und so weiter. Insofern fällt da von der Datenaufbereitung sehr viel weg. Da kann man sich eben dann gleich auf den Algorithmus stürzen. Und die Erfahrung musste ich auch erst mal bei der Arbeit machen, dass, ja, dass das im Realalltag als Data Scientist oft nicht der Fall ist. Also gerade die die Labels sind zum Beispiel 'n interessantes Thema. Das hatte ich nicht erwartet, aber bei bei vielen Problemen sind die erst mal nicht da und es müssen Probleme im Nachhinein gelabelt werden oder es muss noch mal 'n ja, es muss noch mal 'n Expertengespräch stattfinden,
Speaker1: die Label zu definieren. Ja. Mhm. Eingangs hatte ich erwähnt, dass Du deinen Master letztes Jahr abgeschlossen hast in. Das ist jetzt, hört sich jetzt zunächst mal an, nicht direkt wie 'n Data Science Studiengang. Hattest Du denn dennoch, wurde es jetzt ja eben schon angeschnitten, viele Berührpunkte mit Data Science und Machine Learning in deinem Studium?
Speaker2: Ja, es war, also der Studiengang Simulation Technology ist recht mathematisch orientierter Studiengang. Wir haben da, würd ich sagen, eine solide mathematische Basis bekommen und das hat mir wirklich sehr geholfen im im Berufsleben, beim Berufseinstieg und gerade, wenn's drum geht, Paper zu lesen. Aber aber das stimmt. Es ist nicht direkt Data Science, wobei es das, soweit ich weiß, auch noch nicht gab, als ich begonnen hab zu studieren. Mittlerweile gibt's spezielle Studiengänge für Data Science, Aber als ich angefangen hab, mit zu studieren, war das noch nicht so das große Thema. Also mir war jetzt bei meiner Studienwahl, mir war noch nicht klar, was ich damit mache. Und das war wirklich auch nicht so einfach für mich rauszufinden, wo möcht ich mal arbeiten? Ich hab mich da in manchen probiert. Simulationstechnik ist natürlich der der Überbegriff gewesen, aber ich hab dann auch Vorlesungen im Bereich Regelungstechnik gehört. Und genau, gegen Ende hab ich dann Machine Learning als mein Interessengebiet gefunden. Mhm. Und das mach ich sehr gern, genau.
Speaker1: Das heißt, es ist eher so aus auf natürlicher Art und Weise und aus Leidenschaft dann quasi entstanden. Und glücklicherweise hat eben dein Studiengang eine gute Foundation dafür geboten.
Speaker2: Ja, genau. Also es war für mich nicht zu Beginn klar, wo das mal hinführt. Und ich war, zeitweise hab ich mir das Berufsleben auch recht recht monoton vorgestellt. Ich hab gedacht, das könnte mal recht eintönig werden. Und ja, heute bin ich sehr zufrieden, weil weil es doch viel deutlich vielfältiger ist, als ich als ich dachte, die Aufgaben sind wirklich sehr breit gefächert.
Speaker1: Mhm. Also besonders abwechslungsreich. Ich hab gesehen, Du hast deine Masterarbeit auch bei Festo geschrieben. Das ist jetzt ja vielleicht bisschen ungewöhnlich. Also ich zum Beispiel, ich studier ich studier Mathematik und ich kam tatsächlich bis jetzt noch nicht, bis ich das eben gelesen hatte, auf die Idee, meine Masterarbeit bei 1 Firma zu schreiben, wenn man das so so so ausdrückt. Wie bist Du dazu gekommen oder wie wie kam es dazu? Und was sind da halt genau die Unterschiede dazu, seine Masterarbeit an der Uni zu schreiben? Vielleicht Vorteile, Nachteile.
Speaker2: Ja, am Ende vom Studium hab ich mich gefragt, wo das wo das mal hinführt. Ich hab nicht so genau gewusst, was ich damit jetzt beruflich mal machen will und dachte, na gut, dann probier ich's mal aus. Und die die Masterarbeit ist eben eine Möglichkeit, mal Erfahrung zu sammeln, mal in eine Firma zu gehen, da die die Kollegen kennenzulernen, die Arbeitsweise kennenzulernen, schon mal in 'n paar Projekte reinzuschnuppern und mal zu schauen, passt das für mich? Kann ich mich damit identifizieren oder oder eher nicht? Und so hab ich das dann auch gesehen als, ja, als Test, mal zu schauen, ob dieses Berufsfeld für mich interessant ist und auch, ob die Firma für mich interessant ist. Genau und Du hattest auch gefragt, was die Unterschiede sind soner Arbeit in der in der an der Uni. Ich denk, da gibt's natürlich einige Unterschiede, die Also was mich begeistert hat, war halt, dass ich bei Festool eine 1 Arbeit schreiben konnte, die halt direkten Realitätsbezug hatte. Also ich konnte da 'n Problem bearbeiten, das wirklich auch für Festool interessant ist und wofür eine Lösung gesucht wurde und was was da eben Relevanz hat. Und ja, diese die Lösung, die ich gearbeitet hab, die soll jetzt auch in die Software mit einfließen und implementiert werden. Und das fand ich eben ganz cool. Ich denke, an der an der Uni läuft das nicht immer zu. Dafür hat man an der Uni oft die Möglichkeit, tiefer in in die Wissenschaft einzutauchen und ja, forschungsorientierter zu arbeiten. Ich denk, wenn man da 'n Interesse hat, dann kann das auch eine Möglichkeit sein, mal 'n Institut kennenzulernen, die die Forschungsschwerpunkte kennenzulernen und so zu schauen, ob ob dieses Institut vielleicht 'n potenzieller Arbeitgeber wär für die Zukunft.
Speaker1: Also besonders praxisbezogen, wenn man seine Masterarbeit beim Unternehmen schreibt oder zumindest kann das kann der Fall sein. Was würdest Du denn sagen, war denn das außergewöhnlichste Ereignis in deinem beruflichen Werdegang oder auch in deinem Werdegang an der Uni? Ein Ereignis, was dich besonders geprägt hat?
Speaker2: Interessante Frage. Dieses dieses eine einschneidende Ereignis, das gab's jetzt bei mir nicht. Ich würde eher sagen, dass ich so insgesamt sich bei mir so die durch den Bereich Machine Learning für sich verschiedene Interessensgebiete so verbunden haben. Das hat sich insgesamt dann sehr gut gefügt und das hatte ich so nicht erwartet. Also ich war auch Tutorin für Regelungstechnik und hab auch ja, im Bereich Strukturmechanikssimulation hab ich einiges gemacht. Und tatsächlich hab ich jetzt auch Projekte, in denen beides wieder auftaucht. Also ich hab ein Projekt, in dem's auch Regelungstechnische Methoden geht und 'n anderes, bei denen die Daten aus der Simulation stammen. Mhm. Und so hat sich dann das ganz gut gefügt.
Speaker1: Was glaubst Du, woran liegt das? Also ich hab tatsächlich eine meine eine grobe Idee, woran das liegen könnte. Also wir hatten auch schon den Peter Seeberg zu Gast und der hat tatsächlich viel davon geredet, oft bei sich selbst zu bleiben und das zu machen, was einem da wirklich Spaß macht. Und für mich hört sich das an, das so an, als hättest Du das gemacht. Und im Wesentlichen, weil Du das auch eben so verfolgst und darauf achtest, was dir da quasi gefällt, tritt das, was dir gefällt, auch immer wieder auf. Glaubst Du, daran könnte das vielleicht liegen?
Speaker2: Gute Frage. Ich denke, dass man selbst eben auch eigeninitiativ sein sollte. Und wenn man merkt, es passt nicht 100 Prozent, dann auch mal was Neues austesten. Und das hab ich auch immer wieder gemacht. Also ich hab lang auch aufn Thema gesetzt, wo ich im Nachhinein dachte, okay, eigentlich so wirklich begeistert hat's mich nicht. Ich hab's eigentlich eher aus Pflichtbewusstsein heraus gemacht. Also insofern, ich glaub, man muss auch ehrlich zu sich selbst sein und überlegen, was interessiert mich wirklich? Wo wo möchte ich mich gern vertiefen? Und es ist auch kein Fehler zu sagen, ich schwenk Genau. Also es ist auch eine Erkenntnis zu sagen, dieses Gebiet, das begeistert mich nicht. Dann ist man auch 'n Schritt weiter. Mhm. Hatten wir auch schon in der ersten Staffel angesprochen, ja. Also
Speaker1: was bedeutet quasi, ja? Und wie wie kommuniziert man das? Oder oder was ist tatsächlich irgendwie oder was ist einfach nur, man hat's einfach, man es ist nichts für einen und man möchte das nicht mehr machen? Auch eine sehr, sehr spannende Frage. Genau, dann Silvia, ich nehm das mal als End Message, ja. Ganz toll. Ich fand's super, dass Du da warst. Freut hat mich wirklich sehr gefreut. Und ich wünsch dir noch alles Gute bei deiner Arbeit bei Festo und ja, vielen Dank. Ja, vielen Dank auch für die Einladung. Freut mich, dabei zu sein. Das war mein Gespräch mit Silvia. Besonders spannend fand ich, dass sie ihre Masterarbeit beim Unternehmen geschrieben hat und so einen echten Impact hatte. Wie geht es euch da? Spielt ihr mit dem Gedanken, eure Masterarbeit bei 1 Firma zu schreiben? Wenn ja, habt ihr da irgendwelche Bedenken? Lasst es mich auf unseren Social Media Kanälen wissen. Auch Silvia war während des Studiums nicht klar, wie zeitaufwendig das Preprocessing dann doch sein kann. Wenn ihr dazu ein paar Tipps haben wollt, dann hört euch unsere Folge zu Dimensionality reduction aus unserer ersten Staffel ab. Master the Complexity.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, 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 Erium Podcast.