Woher nur nehmen wir all die Daten-Spezialisten?

Woher nur nehmen wir all die Daten-Spezialisten?

Autor: Fabian Schladitz, KI-Experte und Leiter des AI Center of Excellence bei Capgemini in Deutschland

In Umfragen kommt immer wieder zum Ausdruck, dass Data-Science-Projekte durch fehlende Kompetenzen gebremst werden. Wer also sein Unternehmen datengetrieben ausrichten möchte, fragt sich irgendwann: Woher nehme ich all die qualifizierten Spezialisten?

Auch Superhelden brauchen ein Team

Seit vielen Jahren wird die Verfügbarkeit von Data Scientists – also Mitarbeitenden mit mathematischem Hintergrund und der Fähigkeit, Algorithmen zu entwickeln – heiß diskutiert. Die Universitäten sorgen mittlerweile mit zahlreichen Studiengängen im Bereich Data Science glücklicherweise für einen steten Zustrom motivierter Absolventen. Deutlich schwieriger zu finden sind allerdings die erfahrenen Data Scientists, die Branchenwissen mitbringen. Erst sie können neben dem mathematischen Hintergrund auch analysieren, welche Zahlen echte Zusammenhänge aufzeigen und wo uns Korrelationen auf falsche Fährten locken könnten. Diese Superhelden des Data Business brauchen allerdings vielfältige Unterstützung.

80 % des Aufwandes in Datenprojekten liegt in der Aufbereitung der Daten. Dafür braucht es Data Engineers, Software-Entwickler mit ausgeprägter Daten-Expertise. Sie arbeiten an der Datenqualität, sorgen für die richtige Geschwindigkeit und Zuverlässigkeit der Datenverarbeitung und halten so dem Data Scientist den Rücken frei. Auch sie sind rar.

Doch diese Fähigkeiten reichen bei Weitem noch nicht aus. Machine Learning Engineers sind jene Spezialisten, die aus Algorithmen tatsächlich betreibbare Software machen. Sie kümmern sich um Robustheit und Überwachung der Algorithmen.

 Nur datenaffine Unternehmen bringen erfolgreiche Data Teams hervor

Was wir zusätzlich zu den vorgestellten Ingenieurs-Rollen brauchen, sind zahlreiche Kolleg*innen, die ihre Begeisterung für Daten und Algorithmen teilen, um den Wert einer Analyse oder Vorhersage richtig einschätzen zu können. Einige Unternehmen integrieren mittlerweile philosophisch geschultes Personal in Data Teams, um den besonderen ethischen Anforderungen von künstlicher Intelligenz gerecht zu werden.

Eine Grundbedingung für den Erfolg jeder Datenstrategie wird gern übersehen: Ich muss nicht nur für ausreichend Spezialisten sorgen, sondern große Teile der Belegschaft auf diese Reise mitnehmen. Vorbei ist die Zeit der „IT der zwei Geschwindigkeiten“, denn Veränderung braucht alle Kräfte, um voran zu kommen.

Projektleiter*innen müssen verstehen, wie die Fehlerkultur bei Data Science & AI Projekten funktioniert, da es sich weniger um IT-Projekte als um wissenschaftliche, thesen-getriebene Arbeit handelt. Sachbearbeiter müssen in die Lage versetzt werden, die Plausibilität der Ergebnisse einer KI einzuschätzen und im richtigen Moment ggf. anders zu entscheiden. Aber auch der Betriebsrat kann die Einführung entsprechender Werkzeuge und Systeme besser einschätzen, wenn das notwendige Verständnis für die Chancen und Grenzen der Technologie vorhanden ist.

Und zu guter Letzt können Unternehmen mit gezielter Ausbildung auch einige Lücken in den Reihen der Data Scientists und Engineers schließen – noch dazu mit Personal, das die betrieblichen Abläufe bestens kennt und viel Branchenerfahrung mitbringt.

Einfach einsteigen, aber individuell zum Ziel kommen

Einen ersten Einstieg in die Welt der KI vermittelt der Kurs „AI for Everyone“ von KI-Rockstar Andrew Ng. Dieser besteht aus einer Reihe von Videos und vermittelt Grundlagen-Wissen. Auch die ursprünglich finnische Initiative „Elements of AI“ verfolgt das Ziel, KI-Wissen einfach zu vermitteln und breiten Schichten der Bevölkerung zugänglich zu machen. Sie tut dies mittlerweile auch in deutscher Sprache.

Wenn es über den Einstieg hinaus geht, ergeben sich viele Optionen. KI-Kurse von Universitäten verfolgen andere Lernziele als die Angebote der Cloud-Provider oder auch deutsche Institutionen wie die Fraunhofer Institute. Eine gute Weiterbildung zum Thema KI umfasst dabei immer mehrere Elemente: Neben den Grundlagen und technischen Fähigkeiten muss insbesondere am Thema Kommunikation gearbeitet werden. KI-Algorithmen sind komplex und haben viele spezifische Vor- und Nachteile; eine gute Kommunikation hilft dabei, diese Aspekte sauber ins breite Team zu transportieren und Entscheidern die Gelegenheit zu geben, Risiken und Chancen angemessen zu bewerten.

Zusätzlich empfiehlt sich ein Trainingsmodul zu firmeneigenen Standards, den genutzten Plattformen und Methoden zur Datenverwaltung, um die Mitarbeitenden optimal auf ihre neuen Aufgaben im Umgang mit Daten vorzubereiten.

Welche Unterstützung wünschen Sie sich beim Wandel zum datengetriebenen Unternehmen? Und wie fängt man die Reise zu den Daten eigentlich an?

Erfahren Sie dies und mehr auf dem Handelsblatt KI Summit am 30.9. und 1.10.