Lars Schwabe Lufthansa Industry Solutions

Entwickler spielen eine Schlüsselrolle beim Überführen von ML-Systemen aus der Forschungs- und Bastelecke in Produktivsysteme, die echten Mehrwert für Nutzer bringen.

Der Data Scientist ist eine stark nachgefragte Spezies. In der Realität sind dies oft ehemalige Wissenschaftler, die stark in Statistik sind und das Programmieren gelernt haben. Durch den zunehmenden Einsatz von Machine Learning in Produktivsystemen wird jedoch zunehmend klar: Entwickler und DevOps-Enthusiasten sind hier mindestens so gefragt. Voraussetzung: gute Kenntnisse im Machine Learning und der Blick für das Wesentliche in dieser Domäne.

Man muss kein Prophet sein, um den weiteren Einzug von Künstlicher Intelligenz (Artificial Intelligence, AI) und maschinellem Lernen (Machine Learning, ML) in unseren Alltag vorherzusagen. Wir nutzen sie bereits heute aktiv, z. B. die Spracherkennung auf Mobiltelefonen, Spamfilter oder die Gesichtserkennung bei der Verwaltung unserer Fotos. Oft sind wir auch im Kontakt zu ML-Systemen, ohne es zu wissen. So wird beim Surfen im Web die Onlinewerbung durch ML-Systeme personalisiert. Gleiches gilt für Vorschläge im E-Commerce („Andere Kunden kauften auch …“). Und Chatbots sind voraussichtlich (leider) nicht mehr aufzuhalten.

ML ist eine Teildisziplin der AI. Das Mantra des ML ist „Lasst die Maschinen lernen.“. Mit anderen Worten: Anstatt Maschinen beispielsweise zum Autofahren zu programmieren, statten wir sie mit der Fähigkeit aus, das Autofahren zu lernen, und zwar auf Grundlage von Daten. Zum erfolgreichen Einsatz von ML gehört deshalb nicht nur der sichere Umgang mit den mathematischen und statistischen Grundlagen, den Algorithmen und Technologien, sondern insbesondere die Verfügbarkeit von Daten.

Daten sind der neue Rohstoff: erst Goldrausch, dann Ölrausch, jetzt Datenrausch. Um diese mittlerweile abgegriffene Analogie aber noch ein weiteres Mal zu verwenden: Mit ML lässt sich aus dem Rohstoff Daten oft mehr gewinnen als mit klassischen Business-Intelligence- oder einfachen Data-Science-Methoden. Und für viele Datenquellen kommen auch nur ML-Methoden in Betracht, weil die Daten zu komplex sind, wie bei Bilddatenbanken oder umfangreichen Archiven bei Verlagen.

Für den Neu- und Quereinsteiger mit Entwicklerhintergrund ist ML ein zunächst unübersichtliches Feld, weil es viele verschiedene konzeptuelle, methodische und theoretische Ansätze gibt. Und die notwendigen Statistik- und Mathematikkenntnisse müssen bei Bedarf auch noch nachgerüstet oder aufgefrischt werden. Ist die Einstiegsbarriere für Entwickler deshalb nicht viel zu hoch? Nein, im Gegenteil. Entwickler spielen eine Schlüsselrolle beim Überführen von ML-Systemen aus der Forschungs- und Bastelecke in Produktivsysteme, die echten Mehrwert für Nutzer bringen. Wenn sie ML-Systeme für den Produktivbetrieb softwaretechnisch und methodisch sauber entwickeln, kann man sie Machine Learning Engineer nennen.

X
- Gib Deinen Standort ein -
- or -