Data Science in Wissenschaft und Industrie - Unterschiede und Gemeinsamkeiten

00:00:00: Hallo Tobi!

00:00:02: Ja moin, moin David!

00:00:04: Moin, schön dich zu sehen.

00:00:06: Ein ganz besonderer Podcast,

00:00:08: ohne Janis.

00:00:10: Ohne Janis.

00:00:12: Und ich hab die Ehre,

00:00:14: heute dich hier zu interviewen.

00:00:16: Wie fühlst du dich?

00:00:18: Wie fühlst dich das an?

00:00:20: Ja, ist mega spannend.

00:00:22: Auch ziemlich witzig,

00:00:24: dass ich jetzt hier bei dem Podcast bin,

00:00:26: über den ich überhaupt zu Alio gekommen bin damals.

00:00:28: Und der ist tatsächlich,

00:00:30: dieses Jahr bei meinem Spotify Wrapped,

00:00:32: auch Platz 3 der Podcast,

00:00:34: geschafft hat.

00:00:36: Ja, also ich glaub,

00:00:38: mehr Commitment geht nicht.

00:00:40: Obwohl zwei Plätze nach oben sind noch frei,

00:00:42: aber genau,

00:00:44: nee, ich bin super spannend

00:00:46: und freue mich heute dabei zu sein.

00:00:48: Sehr gut, das heißt,

00:00:50: unser Ziel für nächstes Jahr,

00:00:52: Alientern steht,

00:00:54: einen Platz in deiner Wrappedlist nach oben.

00:00:56: Genau, mindestens.

00:00:58: Aber das heißt auch,

00:01:00: dass du nicht so viele Podcasts

00:01:02: eigentlich hören kannst,

00:01:04: weil wir gar nicht so viele folgen,

00:01:06: wenn das für Platz 2 reicht.

00:01:08: Das stimmt, das stimmt.

00:01:10: Also meine Podcastliste

00:01:12: beschränkt sich auf

00:01:14: sehr wenige Ausgewählte,

00:01:16: die ich dafür dann aber regelmäßiger höre.

00:01:18: Man muss ja auch immer dazu kommen,

00:01:20: das ist ja immer auf die Zeit.

00:01:22: Lieber nicht öffentlich wie viele Podcast-Minute

00:01:24: ich letztes Jahr hatte.

00:01:26: Aber ich bin großer Geschichten

00:01:28: als der Geschichte-Fan.

00:01:30: Hab ich auch schon von gehört.

00:01:32: Als wir zusammengekommen.

00:01:34: Mit dir mach ich wahrscheinlich heute keinen Schand vorgeblänken.

00:01:36: Das verschieben wir dann auch.

00:01:38: Ja, ich glaub, das ist auch besser so.

00:01:40: Was hat sich uns vorgenommen?

00:01:42: Wir haben ja beide in den gleichen Untergrund.

00:01:44: Beide mit einem Physik-Doctor

00:01:48: zu Elio bekommen

00:01:50: und haben uns gedacht,

00:01:52: es ist auch eine schöne Folge

00:01:54: für das Jahresende.

00:01:56: Das muss man zu vergleichen.

00:01:58: Wie war eigentlich das Leben

00:02:00: an der Uni? Wie ist das Leben bei Elio?

00:02:02: Wie fühlt sich das an?

00:02:04: Das soll ein bisschen unser Thema sein.

00:02:06: Vielleicht auch Empfehlungen

00:02:08: für andere Leute mit einem

00:02:10: ähnlichen Werdegang

00:02:12: oder für Unternehmen wie Elio macht das Sinn.

00:02:14: So Leute wie uns einzustellen.

00:02:16: Ja.

00:02:18: Genau, damit wir dich mal kennen,

00:02:20: ich war ja jetzt schon öfter im Podcast.

00:02:22: Was ist denn dein Hintergrund eigentlich?

00:02:24: Genau, also du hast das schon richtig gesagt.

00:02:28: Wir kommen beide aus der Physik.

00:02:30: Bei mir ist es

00:02:32: die experimentelle Teilchenphysik.

00:02:34: Das heißt, ich habe

00:02:38: promoviert an der Universität Hamburg

00:02:40: im Institut für Experimentalphysik

00:02:42: in einer Arbeitsgruppe,

00:02:44: die Teil des CMS-Experiments am Zern ist.

00:02:46: Das ist also eines der großen Experimente

00:02:48: am weltbössten Teilchenbeschleuniger

00:02:50: LHC.

00:02:52: Und genau, mein Thema

00:02:54: war da eben, wie wir die

00:02:56: Anomalieerkennung

00:02:58: verbessern können

00:03:00: beim CMS-Experiment

00:03:02: mit KI-Methoden.

00:03:04: Ich habe mich da also

00:03:06: sehr intensiv auch schon seit dem Master

00:03:08: mit diesem Thema beschäftigt.

00:03:10: Und habe das Ganze dann

00:03:12: in derselben Arbeitsgruppe dann auch in der Promotion

00:03:14: fortgeführt

00:03:16: und

00:03:18: mein

00:03:20: konkretes Thema ging

00:03:22: um Anomalie-Detection.

00:03:24: Das heißt, wie können wir

00:03:26: ohne spezifische Annahmen

00:03:28: über unser Signalmodell tatsächlich

00:03:30: mit

00:03:32: einem nicht überwachten

00:03:34: Maschinenlearningschema

00:03:36: die Anomalie

00:03:38: in Teilchenphysikalischen Daten besser erkennen?

00:03:40: Das hört sich ja sehr, sehr fancy an.

00:03:44: Sehr cool an.

00:03:46: Was bedeutet das

00:03:48: eine Anomalie?

00:03:50: Eine Anomalie, wenn du die detektierst, hast du dann

00:03:52: ein Teilchen gefunden?

00:03:54: Genau, das wäre natürlich der Idealfall.

00:03:56: Also

00:03:58: irgendwie etwas, also was man letztendlich macht

00:04:00: ist es bei uns jetzt konkret

00:04:02: so eine Mischung gewesen

00:04:04: aus generativen

00:04:06: Modellen, Maschinenlearningmodellen

00:04:08: und

00:04:10: Klassifikationsmodellen. Das heißt

00:04:12: man will ja immer was Neues

00:04:14: entdecken. In der Teilchenphysik

00:04:16: hat man vielleicht auch, schon mal gehört

00:04:18: wenn man jetzt nicht Teilchenphysiker ist, dass

00:04:20: aktuell das Standardmodell der Teilchenphysik

00:04:22: ist, die das berühmte.

00:04:24: Und was man eben machen kann, ist man kann

00:04:26: solche generativen Modelle trainieren.

00:04:28: Das ist letztendlich das auch was

00:04:30: hinter so Sachen

00:04:32: wie Stable Diffusion

00:04:34: oder so was steckt, so bei Bildgenerierung

00:04:36: usw.

00:04:38: Man kann solche Modelle trainieren auf den

00:04:40: Klassik-Feyer-Daten und lernt

00:04:42: quasi so ein Hintergrundmodell.

00:04:44: Und dann kann man am Ende

00:04:46: so ein Klassik-Feyer trainieren

00:04:48: der dann sozusagen

00:04:50: alles erkennt, was sich unterschiedlich

00:04:52: verhält. Und das ist ja dann wiederum ein

00:04:54: neues Signal. Also wir wollen quasi gucken

00:04:56: wie können

00:04:58: wir Teilchen oder wie können wir

00:05:00: Ereignisse, Kollisionsereignisse

00:05:02: in unserem Detektor

00:05:04: detectieren, die sich unterschiedlich

00:05:06: von unserem Hintergrund behalten, den

00:05:08: generativen Modell gelernt haben.

00:05:10: Und im Idealfall kommt dann dabei raus, dass

00:05:12: wir ein neues Teilchen entdeckt haben. Aber da

00:05:14: müssen dann natürlich schon sehr strenge

00:05:16: Kriterien erfüllt sein,

00:05:18: damit wir ja wirklich mit Sicherheit sagen können,

00:05:20: es handelt sich jetzt ja wirklich um neue Physiken.

00:05:22: Ich gehe mal davon aus, du hast

00:05:24: kein neues Teilchen entdeckt,

00:05:26: sonst hätte ich schon ein neues Teilchen entdeckt.

00:05:28: Sonst geht es vielleicht schon

00:05:30: als Quad-Parsilvison,

00:05:32: obwohl es wahrscheinlich nicht nach mir

00:05:34: benannt worden wäre, selbst wenn, aber

00:05:36: leider haben wir in unseren Daten

00:05:38: mit der Methode

00:05:40: kein neues Teilchen entdeckt, aber

00:05:42: wir konnten sozusagen unsere

00:05:44: Sensitivität, es wird uns auch

00:05:46: Simulationen verglichen

00:05:48: mit verschiedenen Modellen, konnten wir unsere Sensitivität

00:05:50: im Vergleich zu herkömmlichen

00:05:52: nicht KI basierten Methoden deutlich verbessern.

00:05:54: Wir müssen an der Stelle

00:05:56: aufpassen, dass wir nicht zu sehr abdriften.

00:05:58: Wir hatten ja in meiner letzten

00:06:00: Podcastfolge Alex mit seiner Freundin

00:06:02: getrot, die dann immer ausschaltet.

00:06:04: Wenn es zufällig wird.

00:06:06: Ich finde das natürlich schon

00:06:08: sehr spannend und

00:06:10: vielleicht noch die eine Frage dazu.

00:06:12: Hab ich das richtig verstanden?

00:06:14: Das ist ja eigentlich

00:06:16: neuer Ansatz

00:06:18: mit der KI und mit generativer KI also

00:06:20: vorher, habe ich ja mehr oder weniger

00:06:22: eine Theorie gehabt

00:06:24: und habe gewusst, was ich suche,

00:06:26: weil ich quasi gesagt habe, die Theorie sagt mir voraus,

00:06:28: ich muss irgendwo ein bestimmtes

00:06:30: Signal detektieren können

00:06:32: und dann versuche ich eben genau genug zu messen

00:06:34: um das zu finden. Und ihr sagt jetzt,

00:06:36: wir machen das anders.

00:06:38: Wir benutzen quasi GenAI

00:06:40: und wir lassen

00:06:42: wir versuchen damit einfach

00:06:44: etwas, wie lieb ich, neues zu finden,

00:06:46: ob das jetzt von der Theorie vorhergesagt wurde

00:06:48: oder nicht.

00:06:50: Genau, das hast du ganz richtig verstanden.

00:06:52: Also

00:06:54: das ist sozusagen ein ganz anderer

00:06:56: Ansatz, als wenn man

00:06:58: sein Signal oder sag ich mal die Theorie

00:07:00: seines Signals schon kennt.

00:07:02: Das ist das Typische. Der Theoretiker

00:07:04: geht zum Experimental Physiker und sagt, guck mal

00:07:06: in den Odeon Variablen

00:07:08: da könnte sich ein Teilchen irgendwie

00:07:10: verstecken, nach meiner Theorie

00:07:12: und wir

00:07:14: gehen sozusagen von der

00:07:16: anderen Seite ran und sagen,

00:07:18: wir wollen nicht davon abhängig

00:07:20: sein, dass sich sozusagen in Theoretika

00:07:22: schon mal das richtige Modell überlegt hat.

00:07:24: Sondern wir wollen also sagen, ohne

00:07:26: oder möglichst ohne Modellannahmen

00:07:28: sozusagen reingehen

00:07:30: und

00:07:32: suchen nach irgendetwas, was anders auslädt

00:07:34: als der Hintergrund. Und dazu nutzen wir

00:07:36: auch GenAI. Solche Modell, sogenannten

00:07:38: Modellunabhängigen suchen, gab es auch schon vorher

00:07:40: in der Teilchenphysik, aber da wurden die

00:07:42: mit Simulationen gemacht

00:07:44: und die Simulationen in der Teilchenphysik,

00:07:46: gerade beim Standardmodell

00:07:48: in bestimmten Bereichen sind nicht ganz so exakt

00:07:50: und deswegen haben wir hier das quasi

00:07:54: direkt auch auf Daten trainieren können.

00:07:56: Das heißt, wir haben das quasi so

00:07:58: ein data driven approach gemacht,

00:08:00: was auch nochmal eine Verbesserung

00:08:02: in der Methodik darstellt.

00:08:04: Es ist natürlich schon

00:08:06: sehr spannend,

00:08:08: sehr cool

00:08:10: auch, dass man sieht, ich meine

00:08:12: hat es ja auch an

00:08:14: Physiknobelpreis gesehen, wie

00:08:16: eng dann auch Physik und

00:08:18: Grundlagenforschung mit

00:08:20: KI verbandelt ist,

00:08:22: wie man dann vielleicht manchmal doch

00:08:24: eher in der Wirtschaft kennt

00:08:26: oder auch...

00:08:28: Genau.

00:08:30: So und jetzt

00:08:32: saßt du hier cutting edge

00:08:34: Teilchenphysik,

00:08:36: coole Physikexperimente

00:08:38: und dann hast du dir gedacht

00:08:40: "Aliot, das ist es.

00:08:42: Mein Ding mit Podcast, da muss ich

00:08:44: wie kamst du hin zu dem

00:08:46: Wechseln?"

00:08:48: Also das war eigentlich auch so ein bisschen

00:08:50: Zufall.

00:08:52: So eine Mischung aus Podcast

00:08:54: und Social Media.

00:08:56: Also es gibt

00:08:58: in Hamburg so ein KI

00:09:00: in Kubathor, sag ich jetzt mal.

00:09:02: Arik heißen die,

00:09:04: wo wir auch Mitglied sind

00:09:06: mit Aliot und die haben

00:09:08: eine Podcast-Folge

00:09:10: auf LinkedIn geteilt

00:09:12: und das war

00:09:14: ziemlich genau vor einem Jahr

00:09:16: so

00:09:18: für zwischen den Jahren, sagt mir,

00:09:20: wir hören hier

00:09:22: unseren Mitgliedern von Aliot,

00:09:24: die haben ein Podcast gemacht,

00:09:26: eine neue Podcast-Folge, könnt ihr mal reinhören

00:09:28: und

00:09:30: das fand ich so spannend,

00:09:32: dass ich

00:09:34: im Prinzip alle Verquiktbeantfolgen

00:09:36: auch gleich gehört habe

00:09:38: und

00:09:40: vielleicht deswegen auch Platz 3

00:09:42: und

00:09:44: genau, hab mich dann einfach

00:09:46: spontan beim Janis gemeldet

00:09:48: und dann bin ich mit der

00:09:50: Mitte fristig fertig mit meinem Doktor.

00:09:52: Wie sieht es aus, könnt ihr noch Leute gebrauchen

00:09:54: und ja, dann nahmen die Dinge

00:09:56: ihren Lauf

00:09:58: und genau, so bin ich

00:10:00: dann endlich zu Aliot gekommen, hab dann

00:10:02: das übliche Verfahren durchlaufen

00:10:04: mit

00:10:06: Bewerbungen, Tech-Interview

00:10:08: und so weiter, was ja auch schon in diesem Podcast

00:10:10: besprochen wurde,

00:10:12: wie das für uns läuft

00:10:14: und

00:10:16: du kannst bestätigen,

00:10:18: wir haben nicht gelogen,

00:10:20: wir machen das wirklich so.

00:10:22: Genau, es läuft genauso.

00:10:24: Ja,

00:10:26: sehr gut, das gibt uns

00:10:28: jetzt glaubwürdig.

00:10:30: Weiß nicht, ob die eine oder andere

00:10:32: Aufgabe vielleicht schon mal verändert wurde, aber

00:10:34: wer weiß.

00:10:36: Ich plane auch mal ein Update für nächstes Jahr.

00:10:38: So, muss man ja auch sagen,

00:10:40: Tech-GVT

00:10:42: macht auch die Aufgaben

00:10:44: schwieriger.

00:10:46: Man sollte die nicht

00:10:48: einfach Pasten und von Tech-GVT

00:10:50: lösen lassen können, das ging früher mal.

00:10:52: Ja,

00:10:54: ich weiß halt noch, bei mir

00:10:56: für mich war

00:10:58: dann relativ schnell im Verlauf

00:11:00: der Promotion klar,

00:11:02: das würde mal in Richtung Wirtschaft gehen,

00:11:04: weil man in der Wissenschaft

00:11:06: dann irgendwo

00:11:08: weil so, soll man das eine Kleser in der Decke nennen,

00:11:10: aber so eine gewisse

00:11:12: Perspektivlosigkeit/

00:11:14: sehr hohe Risikogereitschaft

00:11:16: haben muss, wenn man nach dem Doktor

00:11:18: noch da bleiben will. Das war bei dir so ähnlich, oder?

00:11:20: Ja, das ist sehr schön formuliert, genau.

00:11:22: Ja, man muss halt schon,

00:11:24: wenn man jetzt wirklich langfristig

00:11:26: in der Wissenschaft bleiben will

00:11:28: auch nach seinem Doktor, muss man

00:11:30: schon einen sehr langen Atem

00:11:32: und, weil ich mal eine sehr hohe

00:11:34: Leidensfähigkeit auch ein Stück weit mitbringe,

00:11:36: weil

00:11:38: natürlich die Rahmenbedingungen

00:11:40: nicht optimasen, es gibt

00:11:42: wenige festzustellen,

00:11:44: auf die sich sehr viele

00:11:46: auch sehr schlaue Leute

00:11:48: bewerben.

00:11:50: Und ja, es wird dann eben auch

00:11:52: verlangt, dass man zum Beispiel auch

00:11:54: internationalen Erfahrungen sammelt,

00:11:56: dann muss man typischerweise dann auch mehrere

00:11:58: sogenannte Postdocs machen, schließt sich dann

00:12:00: eben an die Promotion an, wenn man in der Wissenschaft bleibt.

00:12:02: Und

00:12:04: genau, ich wollte eben auch

00:12:06: so ein bisschen lokaler hier

00:12:08: in der Großraum Hamburg

00:12:10: bleiben und das war für mich

00:12:12: eben klar und deswegen

00:12:14: war für mich dann der Schritt

00:12:16: ja, sag ich mal

00:12:18: logisch irgendwo an dem Punkt.

00:12:20: Und ich hatte mich auch schon vorher aber

00:12:22: immer viel mit Data Science

00:12:24: beschäftigt und hatte auch Lust

00:12:26: tatsächlich

00:12:28: das ganze Mal in einem praktischen

00:12:30: Umfeld anzuwenden

00:12:32: und das ganze live zu sehen

00:12:34: und auch mal ein Modell live

00:12:36: zu deployen und zu gucken, was das so macht.

00:12:38: Und hatte

00:12:40: mich auch schon vorher viel mit

00:12:42: Data Science im Allgemeinen auch neben der Promotion

00:12:44: beschäftigt.

00:12:46: Gab von der Uni so

00:12:48: Data Science

00:12:50: Schools

00:12:52: und die habe ich auch alle

00:12:54: im Prinzip mitgenommen, wo man auch nochmal so allgemeiner

00:12:56: über Data Science was gelernt hat.

00:12:58: Und

00:13:00: ja, habt auch so

00:13:02: online Kurse belegt

00:13:04: im Bereich auch Sequel

00:13:06: und so Sachen, die man so in der Uni vielleicht nicht so lernt

00:13:08: und hatte mich da schon

00:13:10: so ein bisschen auf einen

00:13:12: beruflichen Wechsel vorbereitet.

00:13:14: Ja, ich glaube, da kommen wir gleich nochmal zu

00:13:16: was eigentlich so

00:13:18: technische Skills

00:13:20: und Unterschiede sind, aber

00:13:22: vielleicht nochmal

00:13:24: chronologisch gegangen.

00:13:26: Kannst du ein bisschen

00:13:28: beschreiben, wie das

00:13:30: für dich war. Also ich weiß bei mir noch

00:13:32: die Promotion ist ja auch schon

00:13:34: etwas, wo man leid geprüft ist.

00:13:36: Und ich habe noch keinen getroffen,

00:13:38: der ein Doktor gemacht hat, der da nicht

00:13:40: zwischendurch mal an einer gewissen emotionalen

00:13:42: Grenze angekommen ist.

00:13:44: Und auch dieses

00:13:46: drei Jahre, manche

00:13:48: fünf Jahre, manche sechs Jahre lang auf einen

00:13:50: Ziel hinarbeiten.

00:13:52: Dann bewirbt man sich

00:13:54: wo ich die präfe, dann

00:13:56: bewirbt man sich

00:13:58: geht

00:14:00: man sich in die Wissenschaft und auf einmal

00:14:02: ist man nicht mehr in drei Jahreszyklen,

00:14:04: sondern in

00:14:06: drei Monatszyklen, bis hin

00:14:08: zu drei Wochenzyklen

00:14:10: und in unserem Fall

00:14:12: Projektgeschäft.

00:14:14: Ist ja schon ein gewisser Sprung ins kalte Wasser.

00:14:16: Wie hast du den erlebt?

00:14:18: Ja.

00:14:20: Also ich habe den schon

00:14:22: sag ich mal stark

00:14:24: erlebt,

00:14:26: weil ich

00:14:28: auch auf einem Projekt saß,

00:14:30: als ich angefangen

00:14:32: habe.

00:14:34: Allerdings habe ich das eher so,

00:14:36: ich war ja schon von vornherein

00:14:38: darauf eingestellt,

00:14:40: gewesen, dass es im Projektgeschäft

00:14:42: immer so läuft.

00:14:44: Auch so hat sich ja eben auch schon in den

00:14:46: vorherigen Gesprächen so

00:14:48: rausgestellt.

00:14:50: Und ja,

00:14:52: von daher hatte ich in dem Moment,

00:14:54: auch gerade wenn man so neu anfängt,

00:14:56: vielleicht noch mal mehr elan,

00:14:58: hatte ich da

00:15:00: auch wirklich

00:15:02: eine große Lust drauf,

00:15:04: mich da auch stark einzubringen.

00:15:06: Aber natürlich klar, die Mühlen

00:15:08: in der Universität

00:15:10: malen meistens ein bisschen langsamer.

00:15:12: Nichtsdestotrotz gibt es da natürlich auch

00:15:14: wieder richtiges. Das ist ja entsprechend

00:15:16: der Stressrohr.

00:15:18: Findest

00:15:20: in Projektgeschäft

00:15:22: bei Alio vielleicht nochmal

00:15:24: ein ticken Planbarer.

00:15:26: Also natürlich hat man

00:15:28: auch sehr enge Zyklen,

00:15:30: aber das weiß man

00:15:32: halt.

00:15:34: Man weiß halt, okay, wir haben dann

00:15:36: und dann immer unser Weekly,

00:15:38: oder bis dann muss irgendwie was fertig

00:15:40: werden, wenn man mal ein Projektplan hat, irgendwie.

00:15:42: Und

00:15:44: was für mich so ein bisschen

00:15:46: der Hauptstressor bei der Uni war,

00:15:48: ich weiß nicht, was dir da ging, war, dass halt viele

00:15:50: Sachen so ad hoc

00:15:52: oder zwischendurch gekommen sind.

00:15:54: Also jetzt muss ich nochmal schnell

00:15:56: eine Präsentation machen,

00:15:58: eine wissenschaftliche,

00:16:00: oder jetzt wollen wir dazu aber auch nochmal

00:16:02: was publizieren oder so, und dann muss man sich

00:16:04: dann doch eben wieder nochmal ran setzen,

00:16:06: man ist zwar sehr eigenständig,

00:16:08: aber es kommen eben auch viele Sachen so ad hoc rein.

00:16:10: Und das fand ich wiederum

00:16:12: da eingehend ein bisschen stressiger.

00:16:14: Und im Projektgeschäft kann man sich dann

00:16:16: ein bisschen mehr darauf einstellen,

00:16:18: weil man das ja auch entsprechend plant.

00:16:20: Also ich weiß noch,

00:16:22: ich denke, das wird sehr unterschiedlich sein,

00:16:24: aber ich weiß noch,

00:16:26: was ich mal ein Doktor angefangen habe.

00:16:28: Ich hatte dann das Thema

00:16:30: auch aus der Masterarbeit mehr oder weniger mitgenommen

00:16:32: und dann eben größer aufgezogen.

00:16:34: Aber ich glaube,

00:16:36: da hat man schon die ersten Wochen

00:16:38: damit verbracht, Literatur zu lesen,

00:16:40: Ideen zu sammeln,

00:16:42: vielleicht mal Reinigkeiten auszubewühren,

00:16:44: aber ich würde sagen

00:16:46: mit einem sehr breiten

00:16:48: Start und nicht mit der

00:16:50: höchsten

00:16:52: Geschwindigkeit, was jetzt das Erzielen

00:16:54: von irgendwelchen Delirables

00:16:56: und Outputs angeht.

00:16:58: Und das ist dann natürlich

00:17:00: im Projektgeschäft anders.

00:17:02: Also ich war ja eng dabei bei dir.

00:17:04: Das war ja auch

00:17:06: ein neues Thema, was du gemacht hast.

00:17:08: Du hast dich dann mit

00:17:10: Produktionsoptimierung beschäftigt.

00:17:12: Du hast da auch ein bisschen dich eingelesen,

00:17:14: aber du hast

00:17:16: mehr nach

00:17:18: einer Woche

00:17:20: ein erstes sichtbares Ergebnis.

00:17:22: Also das Ganze

00:17:24: versuchen so zu streamline

00:17:26: und dann vielleicht an der einwandenden Stelle

00:17:28: nicht so weit in die akademische Tiefe zu gehen,

00:17:30: aber so schnell das man was sieht,

00:17:32: das ist ein Unterschied.

00:17:34: Genau, das vielleicht wenn wir nachher nochmal ein bisschen genauer

00:17:36: auf die Unterschiede und Gemeinsamkeiten

00:17:38: eingehen,

00:17:40: wäre das auch ein Punkt,

00:17:42: den ich definitiv nochmal

00:17:44: ausstellen würde.

00:17:46: Klar,

00:17:48: man hat eben diese Regelmäßigkeit an Deliverables,

00:17:50: die man eben auch haben muss.

00:17:52: Bei uns war es zum Beispiel eine Arbeitsgruppe zwar auch so,

00:17:54: dass wir also an der Uni

00:17:56: jede Woche eine Präsentation

00:17:58: hatten, um über unseren aktuellen Stand

00:18:00: manchmal zu berichten, aber es ist natürlich

00:18:02: nicht, sozusagen

00:18:04: man muss jetzt irgendwie

00:18:06: das neue beste Modell jede Woche irgendwie

00:18:08: haben oder sowas,

00:18:10: sondern das ist eher ein kontinuierlicher Prozess.

00:18:12: Aber es kann natürlich am Ende dann eben auch

00:18:14: sozusagen

00:18:16: recht high stakes sein,

00:18:18: und man hat schon viele Monate an etwas gearbeitet

00:18:20: hat in der Wissenschaft

00:18:22: und sich dann zum Beispiel irgendwie rausstellt,

00:18:24: dass man das hier eben

00:18:26: es doch nicht so probizieren kann,

00:18:28: weil zum Beispiel irgendwo ein Bug war,

00:18:30: ein Code oder

00:18:32: weiß ich Dinge dann doch nochmal

00:18:34: anders rauskristallisiert haben, als man ursprünglich dachte.

00:18:36: Und das ist dann eben auch nochmal

00:18:38: zu jetzt sicher

00:18:40: Stress und es kann eben dann auch noch mal problematisch sein.

00:18:42: Ich weiß nicht wie

00:18:46: deine Wahrnehmung gewesen

00:18:48: gerade auch an der Uni

00:18:50: ich hatte bei mir schon

00:18:52: auch weite

00:18:54: Teile der Promotion das Gefühl

00:18:56: im Endeffekt war das mein Projekt.

00:18:58: Ich meine man hat dann

00:19:00: ein paar Kollaborationspartner, aber jeder

00:19:02: hat auch so ein bisschen seinen eigenen Rhythmus

00:19:04: und wer es oft von dem

00:19:06: jeweiligen Promotionsplan abhängig den man

00:19:08: eben hat. Und dann kann es ja auch schon mal passieren,

00:19:10: dass du sehr lange auf andere

00:19:12: warte bist und da kommt halt nichts

00:19:14: oder

00:19:16: du hast selber einen Bug

00:19:18: und es gibt aber niemanden

00:19:20: dem mit dir an deinem Code

00:19:22: arbeitet, der dir hilft.

00:19:24: Ich hatte das Gefühl, dass man da schon auch

00:19:26: recht stark einzelkämpfer war

00:19:28: und auch in der Verarbeitung

00:19:30: alleine war auch wohingegen,

00:19:32: wird es ja bei Eddie ein bisschen versuchen

00:19:34: im Team gemeinsam

00:19:36: aufzufangen mit einem

00:19:38: Ansprechpartner

00:19:40: und mit einem Project Buddy, der einem hilft

00:19:42: und auch ich finde die Kunden

00:19:44: ein höheres Interesse an der Mitwirkung haben

00:19:46: einfach weil sie Geld dafür bezahlen

00:19:48: und

00:19:50: schnell dann auch Ergebnisse sehen wollen

00:19:52: würdest du das teilen oder

00:19:54: war das bei dir anders?

00:19:56: Ich habe vielleicht

00:19:58: eine etwas ungewöhnliche Promotion

00:20:00: vielleicht als die meisten

00:20:02: Doktoranden gehabt

00:20:04: ich habe ja schon gesagt

00:20:06: dass ich bei CMS promoviert habe

00:20:08: ist also eine sehr große

00:20:10: Forschungskooperation

00:20:12: und auch unser Thema

00:20:14: spezifisch haben wir eher in einem Team

00:20:16: bearbeitet und zwar

00:20:18: hatten wir einen

00:20:20: Postdoc der sozusagen ein bisschen der

00:20:22: die Leitung von dem Team

00:20:24: übernommen hat könnte man so sagen

00:20:26: und wir waren

00:20:28: zwei Doktoranden die konkret

00:20:30: daran gearbeitet haben

00:20:32: weil das Thema an sich

00:20:34: so

00:20:36: komplex war, dass wir gesagt haben

00:20:38: da oder mein Prof

00:20:40: gesagt hat da müssen mehrere Leute sich

00:20:42: daransetzen

00:20:44: und von daher hatten wir schon

00:20:46: zumindest innerhalb dieses kleinen Teams

00:20:48: recht regen austausch, haben uns gegenseitig geholfen

00:20:50: hatten auch schon so ein bisschen

00:20:52: sag ich mal so Sachen wie CodeReview

00:20:54: gemacht, dass wir halt also

00:20:56: wir hatten auf GitHub ein Repository

00:20:58: wo wir dann gemeinsam

00:21:00: mit der Bank gearbeitet haben

00:21:02: und auch FullRequest gemacht haben

00:21:04: die wir kommentiert haben und so

00:21:06: was ich natürlich super fand weil ich dadurch

00:21:08: schon ein vortehrter vielleicht

00:21:10: gegenüber Doktoranden die nur allein an ihrem Code

00:21:12: arbeiten

00:21:14: und

00:21:16: genau von daher ist das

00:21:18: bei mir vielleicht ein bisschen anders

00:21:20: gewesen und auch sonst wenn man irgendwelche

00:21:22: Fragen hatte, konnte man meist

00:21:24: oder kannte man jemanden der

00:21:26: einen sagen konnte wer bei einem bestimmten

00:21:28: weiterhelfen kann

00:21:30: innerhalb der Kollaboration also das war schon

00:21:32: eine coole Sache

00:21:34: vom Teamwork her sag ich jetzt mal

00:21:36: aber es ist natürlich da, würde ich direkt gehen

00:21:38: bei den allermeisten Doktorandinnen und Doktorandinnen

00:21:40: ist das

00:21:42: vermutlich anders

00:21:44: Ja, wir hören sich gut an bei dir

00:21:46: das hört sich kreif an

00:21:48: das heißt du würdest auch so sagen

00:21:50: von der Arbeitskultur

00:21:52: und Arbeitstechnik so was wie

00:21:54: agiles Arbeiten

00:21:56: gibt's die ICD, meist nicht irgendwelche Scraps.

00:22:00: Die Rang-Beschicht hatte dir auch ein Project-Bord.

00:22:02: Hat sich da schon vieles überschnitten,

00:22:04: mit dem wie du es jetzt bei Alio kennen gelernt hast?

00:22:07: Oder wie ist da der Vergleich?

00:22:10: Also es war schon nochmal rudimentärer,

00:22:13: würde ich sagen, als bei Alio.

00:22:15: Also wir haben jetzt keine Sprint-Plannings

00:22:17: oder sowas jetzt in der Forschung gemacht.

00:22:19: Aber es war schon so, dass wir in Prinzip

00:22:22: wie so ein Weekly hatten,

00:22:24: wo wir unsere Updates konkret

00:22:27: sozusagen in unserem Team besprochen haben.

00:22:29: Und auch geplant haben,

00:22:32: woran wir als nächstes arbeiten.

00:22:34: Und ja, eben besprochen haben,

00:22:38: okay, gibt es noch ein Pull-Request,

00:22:40: den man mal besprechen muss oder so.

00:22:42: Also wir haben das so ein bisschen lockerer gehandhabt,

00:22:45: wir haben jetzt kein konkretes Fremdwerk,

00:22:47: agile Fremdwerk oder sowas benutzt.

00:22:49: Aber ich sag mal, es kam dem vielleicht schon ein bisschen näher,

00:22:53: als wenn man jetzt ganz alleine

00:22:55: an seinem Projekt gesessen hätte, möglicherweise.

00:22:58: Ja, ich meine, also Text-Scrum habe ich auch noch mit erlebt.

00:23:03: Also gibt es vielleicht, aber ich glaube,

00:23:06: es ist nicht so häufig.

00:23:08: Ja, spannend.

00:23:10: Und neben der reinen Art des Arbeitens,

00:23:13: wie würdest du denn die Skills so vergleichen?

00:23:15: Du hast ja eben schon gesagt,

00:23:17: du hast dich neben der Uni weitergebildet.

00:23:20: Das liegt jetzt nahe,

00:23:22: du musst dir Dinge noch nebenher dazuschaffen.

00:23:25: Aber einiges bringt man ja auch schon mit als ausgebildeter Physiker,

00:23:30: oder wie würdest du da so die Balance sehen?

00:23:33: Genau.

00:23:35: Also ich würde sagen, es ist teils teils.

00:23:38: Also das Tooling ist auf der einen Seite schon recht data-science,

00:23:45: würde ich sagen.

00:23:47: Also man hat so, also zum Beispiel,

00:23:49: Python ist so bei uns der absolute Standard.

00:23:52: Jetzt habe ich im Prinzip seit mein Bachelor auch schon gemacht,

00:23:56: weil man damit einfach super Datenanalyse machen kann.

00:24:00: Und die Daten, die man auch jetzt,

00:24:02: sag ich mal, in seiner Bachelorarbeit, Masterarbeit,

00:24:05: aber eben auch Promotion so analysiert.

00:24:08: Das läuft alles in Python, Visualisierung,

00:24:12: mit Mudplotlib und ja auch einige Machine Learning-Frameworks,

00:24:19: habe ich natürlich benutzt, wie zum Beispiel Pytorch

00:24:23: oder eben Tensoffloh und so, da kannte ich mich eben auch schon vorher mit aus.

00:24:27: Das lag jetzt bei mir im Spezifischen daran,

00:24:29: dass ich halt auch wirklich konkret KI auch in meiner Doktorarbeit benutzt habe.

00:24:36: Jetzt vielleicht auch andere, wo es noch nicht so ist.

00:24:39: Aber von daher habe ich jetzt so rein von den Frameworks und vom Tooling,

00:24:43: denke ich schon, auch einiges mitgebracht.

00:24:45: Was vielleicht noch fehlt, ist, also wenn man jetzt experimentelle Daten hat,

00:24:56: dann ist es häufig so, dass da die Unis oder die Forschungskollaboration,

00:25:02: an denen man Teil hat, dass sie ihre eigenen Datenpipelines

00:25:07: und Datenstorages usw. zur Verfügung stellen.

00:25:13: Das gilt auch für so Rechencluster, wo man dann Machine Learning-Modell

00:25:18: drauf trainieren kann und so, das ist alles irgendwie,

00:25:22: ja sage ich mal, Custom implementiert,

00:25:26: während das natürlich in der Wirtschaft alles oder das meiste über die Cloud läuft,

00:25:32: Stichwort eben ever oder auch Databricks oder sowas,

00:25:36: das haben wir jetzt zum Beispiel in der Forschung ja nicht so benutzt

00:25:39: und auch SQL habe ich jetzt nicht so in der Forschung direkt benutzt,

00:25:44: sondern da hatten wir dann einfach unsere eigenen spezifischen Systeme

00:25:48: in der Teilchumsik, die wir da verwendet haben

00:25:52: und deswegen habe ich da auch noch so einen zusätzlichen Kurs gemacht,

00:25:55: weil ich eben wusste, dass so SQL auch so ein bisschen bread and butter

00:25:58: einfach für ein Data Scientist ist.

00:26:00: Ja, ja, die Erfahrung habe ich so wenig gemacht.

00:26:03: Ich glaube, gerade auf amerikanische Cloud-Provider,

00:26:08: da hat man eher in der Uni ein Problem mit aus Datenschutzbründen und so Geschichten,

00:26:12: deswegen sind es da, glaube ich, eher die Rechenzentren in solchen Fällen

00:26:17: und genau SQL habe ich auch, ich habe niemanden kennengelernt,

00:26:21: jetzt, dass ich mich erinnern würde, der bei uns auch in der Uni SQL gemacht hat.

00:26:26: Wobei ich jetzt persönlich sagen würde,

00:26:29: für das, was wir benötigen, hinterher als Data Scientist,

00:26:32: wir sind jetzt nicht, also wir beide jedenfalls nicht die Hardcore Data Engineers,

00:26:37: da schafft man sich so auch ganz gut drauf.

00:26:41: Genau, das ist ja so ein grundsätzliches Problem,

00:26:44: wie stark man jetzt das Tooling auch so in einem Profil bewertet.

00:26:48: Es ist vielleicht eine Frage, an der sich die Geister auch so ein bisschen scheiden.

00:26:55: Also ich finde, wenn man ein guter Data Scientist ist,

00:26:59: kann man sich solche Tools auch recht gut selber aneignen.

00:27:03: Die meisten davon sind auch hervorragend dokumentiert,

00:27:07: im Gegensatz zu einiger Software, die so an der Uni entwickelt wird.

00:27:11: Und ich denke, bei Data Science ist es dann eher wichtig,

00:27:17: dass man sich schnell in komplexe Probleme einarbeiten kann,

00:27:21: eine gute Problemlösungskompetenz hat,

00:27:24: als dass man jetzt fünf Jahre Erfahrung mit Databricks hat,

00:27:27: das ist meine persönliche Meinung.

00:27:29: Bei solchen Dingen kann man auch dann eben,

00:27:33: gerade wenn man ein kompetentes Team hat,

00:27:35: recht schnell lernen oder sich selbst draufschaffen.

00:27:39: Ja, das sehe ich ähnlich.

00:27:42: Also ich habe das auch so gesehen,

00:27:46: ist auch eigentlich eine spannende Frage,

00:27:48: würdest du deine Zeit an der Uni mit drauf rechnen,

00:27:52: als Berufserfahrung als Data Scientist,

00:27:55: oder startet die bei dir mit deiner Einstellung bei England?

00:27:59: Also ich würde es schon mit drauf rechnen,

00:28:03: weil ich schon wirklich sehr konkret mit KI,

00:28:07: mit Datenauswertung, also Daten vom RHC,

00:28:11: das sind eben gigantische Mengen an Daten

00:28:16: und komplexen Daten, die man da bearbeitet.

00:28:19: Und das ist im Prinzip wie ein Data Science Projekt.

00:28:22: Ob man jetzt, sozusagen anomaly detection

00:28:26: in einem wirtschaftlichen Bereich,

00:28:29: irgendwie bei Credit Scores oder irgendwelchen Überweisungen macht,

00:28:34: oder ob man jetzt eben das neue Teilchen detektiert,

00:28:37: ist dann vielleicht letztes sogar ein bisschen komplizierter nochmal.

00:28:41: Also ich würde da schon sagen,

00:28:43: dass man das als Berufserfahrung anerkennen sollte,

00:28:48: weil man eben genau das als Data Scientist

00:28:52: eben am Ende auch macht,

00:28:54: vielleicht mit ein bisschen anderen Tooling,

00:28:57: aber vielleicht kommt das dann auch auf die konkrete Promotion,

00:29:02: sage ich jetzt mal an, wie es gelaufen ist,

00:29:04: aber im eibren konkreten Fall würde ich das schon bejahen.

00:29:08: Es ist relativ wenig Reibung hier in unserem Gespräch,

00:29:11: da sind wir überall auf einer Linie.

00:29:14: Das Lustige ist, wir können an der Stelle mal ein Shout-out an Daniel machen,

00:29:20: unseren Sales Chef.

00:29:23: Das war der erste Alien-Mitarbeiter, mit dem ich Kontakt hatte damals

00:29:28: bei meiner Bewerbung, und ich weiß gar nicht, ob ich das mal zählt habe,

00:29:31: ich habe ja bei uns den Wann gebrochen für die Leute mit einer Promotion.

00:29:36: Der ist mir noch sehr kritisch beim ersten Gespräch begegnet,

00:29:40: mit so ein paar Vorurteilen gegenüber den Wissenschaftlern,

00:29:44: der dann auch die Frage ist,

00:29:47: das ist das eigentlich Data Science Berufserfahrung,

00:29:49: oder ist da jemand nur ewig an der Uni geblieben?

00:29:52: Ich glaube, es ist genau das, was du sagst.

00:29:54: Eigentlich arbeitet man de facto als Data Scientist.

00:29:57: Ich würde sagen, man kann jedes Paper wie ein Data Science Projekt betrachten,

00:30:02: und man muss auch ganz viele Dinge machen.

00:30:05: Domänenwissen aufbauen, also gerade in interdisziplinären Projekten,

00:30:09: die wir hier von mir viel kommunizieren,

00:30:11: mit Leuten gemeinsame Lösungen erarbeiten, eine Lösung präsentieren.

00:30:16: Da sauber arbeiten, man hat vielleicht nicht so diese Themen,

00:30:22: rund um die ICD, um das Deployment, wirklich ein Production Model,

00:30:28: das sind so Themen, die da vielleicht nicht so viel vorkommen.

00:30:31: Das hat vielleicht dann doch mehr einen Studiencharakter,

00:30:35: einen Biosy-Charakter, so was, aber kommt auch darauf an,

00:30:38: gibt es auch unterschiedliche Varianten.

00:30:41: Ich glaube, das ganz Entscheidende ist eben,

00:30:43: dass man das so wie wir es jetzt versuchen, kommunizieren kann.

00:30:46: Weil in dem Moment, wo man dann, oder als ich damals,

00:30:49: das dem Daniel so erzählt habe, hat er dann auch schon sich die Notiz gemacht,

00:30:53: könnte doch gehen.

00:30:54: Also einfach, indem man, verdeutlicht, ich bin jetzt nicht jemand,

00:30:59: der hier jetzt erstmal die Tür zu macht und ein halbes Jahr lang

00:31:02: mit Schüft und Papier auf seinem Problem rumkaut,

00:31:04: und es dann hinterher nicht vorstellen kann,

00:31:06: sondern es braucht auf diese kommunikativen Skills,

00:31:10: die Teppelskills vielleicht auch in Projekten,

00:31:14: das ist das, was wir auch brauchen.

00:31:15: Es ist ja auch das, was du sehr gut in deinem ersten Projekt gemacht hast,

00:31:19: in dem du dann einfach dich anpasst an ein Projekt,

00:31:23: eine eigene Lösung findest,

00:31:25: und die Leute aktiv ansprichst und kommunizierst.

00:31:28: Wir haben uns überlegt, das so und so zu machen,

00:31:30: weil das für euch aus dem und dem Grund am besten ist.

00:31:33: Es gibt in der Promotion mehr Kommunikation als man denkt.

00:31:37: Also man muss ja wirklich auch regelmäßig

00:31:39: seine Ergebnisse kommunizieren,

00:31:42: aufwissenschaftlichen Konferenzen, zum Beispiel gegenüber Leuten,

00:31:47: die vielleicht jetzt nicht ganz so konkret in dem Projekt drin stecken,

00:31:51: wie man selbst, oder gegenüber dem Prof,

00:31:54: oder auch, was ja auch ein wesentlicher Teil ist,

00:31:57: gegenüber anderen Studierenden.

00:31:59: Wenn man jetzt zum Beispiel ein Master Studenten betreut,

00:32:01: oder ein Bachelor Studenten betreut,

00:32:03: wenn man zum Beispiel Übungsgruppen betreut,

00:32:07: ich habe zum Beispiel auch Übungsgruppen

00:32:10: zur statistischen Datenanalyse betreut und so.

00:32:13: Und auch da ist es natürlich super wichtig,

00:32:15: solche komplexen Sachen auch unterzubrechen

00:32:17: und auch weiterzugeben.

00:32:18: Und das ist eben auch ein sehr wichtiger kommunikativer Skill,

00:32:21: der, ja, denke ich auch relevant ist für die Projekte bei Alienium.

00:32:26: Genau, also kommunizieren, ja.

00:32:30: Ich glaube, was sich ändert, ist so ein bisschen die Perspektive

00:32:35: und die Starkrichtung, auf die man hinwirkt.

00:32:39: Also am Ende eines Projektes wird niemand von dir

00:32:42: einen 40-seitigen Bericht erwarten,

00:32:45: indem du drei statistische Tests gemacht hast

00:32:48: und alle Metriken deines Modells aufschlüsst,

00:32:52: sondern im Endeffekt, gerade wenn das auf das Ziellevel geht,

00:32:55: geht es am Ende um Executive Summary,

00:32:58: dann ist die Frage, hast du die Projektziele erreicht,

00:33:01: hast du einen Business Value generiert, solche Themen.

00:33:04: Was aber nicht heißt, dass man umgenauert sein sollte.

00:33:07: Also auch das kann man ja statistisch begründen,

00:33:11: kann das vernünftig herleiten, aber man muss es,

00:33:15: ich würde sagen, vielleicht noch ein bisschen prägnanter darstellen

00:33:18: und mit einem weniger wissenschaftlichen als mit einem Monetäern

00:33:22: und zeitlichen.

00:33:24: Genau, das Ende ist das Wissenfabliche,

00:33:27: sozusagen rückt vielleicht in der Präsentation ein bisschen

00:33:30: in den Hintergrund, aber ich würde schon grundsätzlich sagen,

00:33:33: dass es eine Gemeinsamkeit von Wissenschaft und Wirtschaft,

00:33:37: dass man sozusagen einfach schon Strukturen in Daten erkennen möchte,

00:33:43: um in irgendeiner Form daraus Erkenntnisse zu gewinnen,

00:33:47: Prozesse zu verbessern etc.

00:33:49: Und das eben auch, das ist auch meine tiefe Überzeugung natürlich

00:33:52: als Wissenschaftler irgendwo mit wissenschaftlichen Methoden.

00:33:55: Also wir reden immer viel auch im Podcast über dieses Bauchgefühl,

00:34:00: das spielt natürlich auch eine Rolle, Domänen wissen,

00:34:03: Leute, die schon 20, 30, 40 Jahre im Unternehmen arbeiten.

00:34:06: Aber auf der anderen Seite auch zu sagen,

00:34:08: wir gucken uns trotzdem die Daten ganz genau an,

00:34:12: wir gucken uns unsere Modelle ganz genau an

00:34:14: und schauen auch mit statistischen Methoden drauf,

00:34:17: sozusagen ob wir eine signifikante Veränderung zum Beispiel haben.

00:34:21: Und das sehe ich eben als eine Gemeinsamkeit,

00:34:28: damit man quasi nicht einfach nur rät,

00:34:32: sondern wirklich anhand der Daten Schlüsse zieht,

00:34:35: die am Ende das Unternehmen dann auch weiterbringen

00:34:38: und einen kompetentiven Vorteil in sozusagen generieren.

00:34:42: Genau, ich habe da neulich, ich kann Ihnen jetzt leider nicht

00:34:45: korrekt als Quelle angehen, das müssen wir in dem Journalismachen,

00:34:50: aber ich habe ein Towards Data Science Artikel gelesen,

00:34:53: da ging es darum.

00:34:55: Der hat sich ein bisschen damit auch beschäftigt,

00:34:57: signifikant oder nicht signifikant,

00:34:59: und es gab dann so ein sehr plastisches Beispiel,

00:35:02: in dem man einen A/B-Test bei einer Website Optimierung macht

00:35:06: und findet dann raus, die die Änderung ist nicht statistisch signifikant,

00:35:11: mit irgendeinem Signifikanz-Niveau, was man definiert,

00:35:14: 95%.

00:35:19: Und die Argumentation da ist dann,

00:35:22: dass man hier wirklich stoppen sollte als Data Scientist in der Wirtschaft,

00:35:26: denn erstmal muss man sich klar machen,

00:35:28: diese Signifikanz-Niveaus, die sind irgendwo ein bisschen random,

00:35:32: weil wenn ich das dann breiter ziehe,

00:35:35: dann ist es auf einmal signifikant,

00:35:37: ob ich da jetzt 95% nehme oder 90% oder 98%.

00:35:42: Und die Frage, die man sich herstellen muss,

00:35:45: ist, was habe ich für eine erwartete Veränderung meines Umsatzes

00:35:51: und meines Gewinns, wenn ich das mache?

00:35:54: Und man kann die statistische Analyse dann natürlich weiterführen,

00:35:57: und dann kann man eben auch mit dem nicht signifikanten Experiment rausfinden,

00:36:01: dass es sehr viel wahrscheinlicher ist,

00:36:03: dass wir aber hinterher einen guten Business Value erzielen.

00:36:08: Und ich glaube, das ist so ein bisschen die,

00:36:10: das ist das, was ich meine mit der gedanklichen Orientierung,

00:36:15: woraufhin optimiere ich.

00:36:17: Und so vielleicht ein bisschen plaktative Vorwurf an die Wissenschaft ist,

00:36:21: die ist fertig, indem sie sagt, es ist nicht statistisch signifikant,

00:36:25: ich höre hier auf.

00:36:27: Und das versuchen wir nicht.

00:36:29: Wir versuchen aufzuhören, wenn wir sagen,

00:36:31: das kostet uns noch Geld und das bringt uns nichts.

00:36:33: Genau, ja, würde ich so unterschreiben,

00:36:36: ist doch auch ein tolles Thema vielleicht für eine zukünftige Podcast-Folge,

00:36:41: A-W-Test und High-Positive-Tests.

00:36:45: Das ist nochmal ein Thema für sich.

00:36:47: Auf jeden Fall.

00:36:49: Ich würde gerne zum Abschluss unseres Podcasts dich noch bitten,

00:36:53: hast du für Leute, die einen ähnlichen Währlegerang haben,

00:36:56: wie wir, auch so ein paar Tipps und Arztschläge,

00:37:00: wie man das angehen kann?

00:37:03: Ich meine, du kannst natürlich auch sagen, macht das bloß nicht,

00:37:06: wie ich und wie zu ähnlich ist, das ist alles furchtbar hier,

00:37:08: aber dann haben wir noch ein längeres Nachgespräch nach dem Podcast.

00:37:13: Ja, also ich würde sagen,

00:37:18: wenn man aus der Wissenschaft Richtung Data Science gehen möchte,

00:37:23: ist das Wichtigste, dass man schon nochmal auch ein bisschen guckt,

00:37:31: wie kann ich mich so auf diesen Wechsel wirklich vorbereiten,

00:37:35: Stichwort Tooling.

00:37:37: Ich glaube, das ist jetzt nichts, wo ich den Leuten unterstellen würde,

00:37:40: dass sie das nicht sich auch selber aneignen können,

00:37:42: aber es wird einfach im Recruitment-Prozess erwartet,

00:37:47: dass man bestimmte Sachen kann

00:37:50: und dass man vielleicht auch schon mal ein Modell-Deployt hat,

00:37:54: dass man vielleicht schon Grund legen der Erfahrungen,

00:37:56: keine Ahnung, im Bereich Cloud oder so hat.

00:38:00: Und wenn man sich da schon mal ein bisschen mit beschäftigt hat,

00:38:03: ist das auf jeden Fall ein Plus.

00:38:06: Auch dieses ganze Thema, wie läuft überhaupt so ein Interview ab?

00:38:09: Also definitiv auch gerne nochmal die Podcast-Folgen hier hören

00:38:13: und sich da ein bisschen darauf vorbereiten.

00:38:18: Ich habe auch von Leuten gehört, die so etwas wie Leadcode gemacht haben,

00:38:22: also Coding-Interviews usw. gibt es unter Umständen auch.

00:38:26: Das ist, denke ich, sehr wichtig

00:38:29: und auf der anderen Seite halt wirklich nochmal gezielt,

00:38:34: lernen herauszustellen, was der Mehrwert von so einer Promotion ist.

00:38:38: Also in welchen Problemen habe ich konkret gearbeitet,

00:38:41: was habe ich davon gelernt und wie bin ich da wertvoll

00:38:46: aus dieser Erfahrung heraus als Data Scientist für ein Unternehmen.

00:38:50: Also dass man das quasi nochmal richtig verpackt,

00:38:52: weil das ist, glaube ich, in der Wirtschaft nicht klar

00:38:55: und vielen Recruitern nicht klar.

00:38:58: Aber ich muss sagen, was der Vorteil wirklich von das,

00:39:01: was wir gerade besprochen haben.

00:39:03: Ich habe neulich auch mit einem Kumpel gesprochen,

00:39:06: der ein bisschen schockiert war,

00:39:08: dass ein Recruiter seine Hunderten von Stunden

00:39:13: auf einem Rechencluster an der Uni, was tausende von Euro gekostet hat,

00:39:18: so beiseitewüscht und fragt,

00:39:20: hast du denn das Escher-Zertifikat für 300 Dollar?

00:39:24: Aber Endeffekt sind das halt dann auch Leute,

00:39:27: die sich in den vielen Themen arbeiten.

00:39:30: Vielleicht letzte Frage.

00:39:32: Wie stellt man denn für sich selber fest,

00:39:34: so soul-searchingmäßig, ob das der richtige Weg für ein,

00:39:37: ob man kürzlich wird, als Data Scientist in der Wirtschaft

00:39:42: oder ob man es doch versuchen soll, in der Wissenschaft zu bleiben?

00:39:46: Boah, gute Frage.

00:39:49: Also ich glaube, ich will das vielleicht sogar nochmal aufteilen,

00:39:54: wenn man in der Wissenschaft bleiben will oder nicht,

00:39:56: ist der erste, der wichtigste Punkt ist,

00:40:00: dass man sich das auch vorstellen kann

00:40:02: mit den verschiedenen Constraints, die ich von gesagt habe,

00:40:06: mit den entsprechenden Arbeitsbedingungen usw.,

00:40:10: dass man das auch über viele Jahre noch durchziehen kann.

00:40:14: Das ist glaube ich erstmal ein wesentlicher Punkt.

00:40:17: Ansonsten sollte man natürlich einfach Spaß an der Arbeit mit Daten haben,

00:40:27: an Statistik haben, vor allen Dingen finde ich.

00:40:30: Also Statistik ist so das Haupttool,

00:40:32: da auch ein gutes Verständnis schon mitbringen.

00:40:37: Und vielleicht auch so ein bisschen dieses,

00:40:43: wie soll ich das sagen,

00:40:47: was Alex mal so schön beschrieben hat,

00:40:50: als auf ein Problem draufhauen, bis es kaputt geht.

00:40:53: Also man muss halt schon ein bisschen Lust drauf haben,

00:40:56: ein Problem lange und intensiv zu bearbeiten,

00:40:58: weil man halt nicht immer, also nicht immer,

00:41:00: ist der erste Wurf gleich erfolgreich.

00:41:02: Und dann kommen eben diese ganzen Data Science Tools,

00:41:06: Stichwort Feature Engineering, Modellverbesserungen,

00:41:10: Domänenwissen einbauen usw.,

00:41:14: wo man dann Schritt für Schritt versucht,

00:41:16: dann weiter an den Problem zu arbeiten, das zu lösen.

00:41:18: Das kann manchmal auch langwierig sein,

00:41:20: es kann komplex sein.

00:41:22: Und darauf muss man auch einfach Lust haben.

00:41:26: Gehe ich mit, ich habe noch zwei Ergänzungen vielleicht.

00:41:29: Eine Sache, die ich sehr schön finde,

00:41:31: gerade bei uns mit dem Data Science Project Geschäft,

00:41:35: ist auch ein viel unterschiedlicher, wie man sieht.

00:41:37: Also in den drei Jahren habe ich jetzt so viele Branchen kennengelernt

00:41:41: und mit unterschiedlichen Leuten gesprochen

00:41:44: und immer mit Daten gearbeitet,

00:41:46: aber eben Daten zu ganz unterschiedlichen Themen

00:41:49: von Lebensmittelhandeln, Einzelhandel zu Sensordaten,

00:41:52: zu Glasfaserausbau und ja, das ist schon cool.

00:41:57: Das ist eine Sache, die man vielleicht in der Wissenschaft

00:42:00: geht man eher tiefer in das eine Thema.

00:42:02: Und wir sehen sehr viel und lernen viele Menschen kennen,

00:42:05: das fand ich gut.

00:42:07: Und das andere ist, Dinge zu bauen

00:42:11: und dann auch wirklich live zu schalten

00:42:14: und zu sehen, dass die etwas verändern.

00:42:17: Das ist natürlich auch, also wenn es klappt,

00:42:20: das ist ein schönes Gefühl.

00:42:22: Definitiv.

00:42:24: Und das Erste, was du gesagt hast, ist natürlich auch nochmal speziell,

00:42:27: besonders interessant, bei ALIO, finde ich,

00:42:31: weil man kann natürlich auch Data Scientist

00:42:34: in einem Industrieunternehmen zum Beispiel werden,

00:42:37: wo man dann vielleicht tendenziell eher

00:42:40: die ähnliche Themen bearbeitet.

00:42:42: Aber das ist eben, wenn man über uns jetzt

00:42:46: einen Dienstag geht, ist das eben genau besonders das Coole,

00:42:50: dass man eben verschiedene Projekte in verschiedenen Branchen

00:42:52: und verschiedene Probleme hat.

00:42:54: Und das war auch für mich ganz klar ein Grund,

00:42:56: weswegen ich zu ALIO gehen wollte.

00:42:58: Ja, cool, Tobi. Vielen Dank.

00:43:01: Ich habe keine Fragen mehr, bin wunschlos glücklich.

00:43:04: Bist du noch jemanden grüßen am Ende der Folge?

00:43:07: Nein, ich glaube, ich bin gut, ohne Grüße,

00:43:12: aber ich danke dir erstmal für deine Geduld

00:43:19: und für die Fragen und für die Coole Podcast-Exercise.

00:43:25: Ja, ebenfalls. Ich grüße noch den Janis am Ende,

00:43:29: an alle, die den Janis jetzt schon vermissen

00:43:32: und sich auf die nächste Folge mit ihm freuen.

00:43:34: Ich habe einen Vögelchen Zwitschern hören, da ist was in der Mache.

00:43:37: Also auch von Janis ist es hier bald wieder was zu hören.

00:43:41: In der Urgner Podcast-Volgabe haben wir mal gesagt,

00:43:43: alle zwei Wochen oder so, weil wir einen rausrauen.

00:43:45: Ja, das ist challenging.

00:43:48: Genau, dann wünschen wir allen noch frohe Weihnachten,

00:43:51: einen guten Rutsch und ein paar Jahre.

00:43:53: Guten Rutsch und auf ein erfolgreiches 2025.

00:43:56: Genau, mach's gut, Tobi.

00:43:58: Ja, ciao.

00:43:59: Danke für die Leute!