Wie können Unternehmen zügig Kompetenzen in Data Science aufbauen und anwenden? Dr. Dirk Hecker, Geschäftsführer der „Fraunhofer-Allianz Big Data“, erklärt, wie es in drei Schritten gelingen kann. Schritt eins fängt mit den Daten im eigenen Unternehmen an. 

Beitrag teilen

Share on xing
Share on linkedin
Share on twitter
Share on facebook
Share on google
Share on whatsapp

Vielen Dank für Ihr Interesse!

Mein Name ist Michael Vetter und ich bin der Geschäftsführer der Iodata GmbH. Ich freue mich auf Ihre Fragen und Anliegen zum Unternehmen Iodata GmbH, zur Digitalisierung und zu datengetriebenen Geschäftsmodellen.  

Wie können Unternehmen zügig Kompetenzen in Data Science aufbauen und anwenden? Dr. Dirk Hecker, Geschäftsführer der „Fraunhofer-Allianz Big Data“, erklärt, wie es in drei Schritten gelingen kann. Schritt eins fängt mit den Daten im eigenen Unternehmen an. 

Das maschinelle Lernen sei die Schlüsseltechnik für die Echtzeitanalyse von Big Data. Damit gelinge die Überwachung und Automatisierung von Prozessen jeglicher Art. Dabei kommt Deep Learning die Rolle der Erschließung unstrukturierter Datenmengen zu. Maschinelles Sehen, Text- und Sprachverstehen, Text- und Sprachproduktion, maschinelle Übersetzung – die zunehmend intelligenten Geräte und Systeme würden uns Routine-Sacharbeiten und -Entscheidungen abnehmen und uns andererseits als Assistenten begleiten und beraten. So würden wir in Zukunft immer weniger auf graphische Benutzeroberflächen angewiesen sein, stattdessen mit smarten Geräten, Umgebungen und Assistenzsystemen sprechen oder chatten.

Haben Sie schon Ihre Datenanalyse für mehr Automatisierung, Agilität und neue Geschäftsmodelle erweitert?

Machine- und Deeplearning als Schlüsseltechnologien

„Bevor sie in eine Big-Data-Plattform investieren und sich damit längerfristig binden, können Unternehmen in diesem Toolkit eine breite Palette aktueller Big Data- und In-Memory-Technologien erproben und sich hier beraten lassen.”, so Hecker. Dieses Toolkit erleichtere die nicht-kommerzielle Kooperation mit akademischen Partnern. Zudem sei es besonders in der Anfangsphase interessant, wenn das Potenzial in den eigenen Daten exploriert werden soll.

Lade...

Dennoch würden Data Scientists,nicht an ihrer eigenen Arbeitslosigkeit arbeiten: bei industriellen Datenanalyseprojekten gingen bis zu 80% des Aufwands in die Erarbeitung der Aufgabenstellung, in Datenexploration und -vorverarbeitung. Zudem biete die Digitalisierung und das Internet der Dinge noch viele neue Fragestellungen – und dies über Jahre. „Methoden des Reinforcement-Lernens, die Feedback nutzen, um selbstständig weiter zu lernen, sind Gegenstand aktiver Forschung. Praktisch stellt sich da auch die Frage, wie Reaktionen der Umwelt überhaupt als Feedback zu interpretieren sind. Und schließlich stellt sich das Problem der Haftung. In einigen Anwendungsbereichen werden wir selbstlernende Systeme vorerst ausschließen, bis sichergestellt werden kann, dass sie sich kein unerwünschtes Verhalten aneignen. Solche Systeme zu bauen wird eine neue Kompetenz von Data Scientists sein.”, so Hecker.

Wie digital ist Ihr Unternehmen?

Helfen Sie uns, damit wir Ihnen helfen können! Nehmen Sie bitte an unserer ersten Studie zur digitalen Transformation von KMU teil. 

Kernkompetenzen: Praxis und Neugier

Im Bezug auf die Frage wie Unternehmen bei der Akquise von Data Science Spezialisten vorgehen sollten, antwortet Hecker zweigleisig: „Wir arbeiten mit etlichen Unternehmen zusammen, die ihren Mitarbeitern eine Fortbildung finanzieren, sei es durch ein berufsbegleitendes Studium, sei es durch Kompaktkurse.” So biete die Fraunhofer-Allianz Big Data ein umfassendes und kompaktes Schulungsprogramm mit Zertifizierung an. Zudem seien Auftragsprojekte eine gute Gelegenheit, das erlernte Wissen praktisch zu vertiefen. „So arbeiten wir bereits mit einigen Unternehmen erfolgreich zusammen, teilweise sind die Fachkräfte sogar bei uns vor Ort oder wir unterstützen sie direkt im Unternehmen.”

Zusammengefasst rät Hecker an, dass Unternehmen sich einerseits mit Tools der Thematik annähern, andererseits mache es keinen Sinn, Projekte ohne Expertise anzugehen. Während diese Expertise durch Weiterbildungen und Praxis im eigenen Unternehmen angereichert wird, besteht die Möglichkeit Expertise einzukaufen, welche unterstützend wirkt. Mit diesem Dreischritt sei der Aufbau einer eigenen Data Science Kompetenz für das eigene Unternehmen zu bewältigen. (fhr/iovolution)