AI und Big Data: Unternehmen brauchen dringend interne Daten-Experten

27. September 2018

Podiumsdiskussion mit Wolfgang Kulovics, Andreas Blumauer, Ronald Hochreiter und Axel Polleres

Die WU Executive Academy lud am Dienstag, dem 25. September 2018, im Rahmen des postgradualen Lehrgangs „Data Science“ zur Podiumsdiskussion „How to successfully implement Artificial Intelligence and Data Driven Business“: Renommierte Experten aus Wissenschaft und Praxis erörterten an diesem Abend anhand von Best Practices aus ihren eigenen Unternehmen, welche besonderen Skills „Data Scientists“, die derzeit nicht nur in Österreich Mangelware sind, benötigen und wie man Big Data-Projekte erfolgreich in Unternehmen umsetzt.

Bild von Helga Pattart-Drexler — Helga Pattart-Drexler, damalige Head of Executive Education moderierte die Podiumsdiskussion.

Künstliche Intelligenz ist im Umgang mit Big Data kaum mehr wegzudenken. Datenströme über Kund*innen und ihr Konsumverhalten sind wertvoll, um Geschäftsentscheidungen möglichst nah an den KundInnen treffen zu können – und um neue Produkte zu digitalisieren und Märkte zu disruptieren. Dafür sind zunehmend DatenwissenschaftlerInnen gefragt, also Expert*innen für Datenanalysen, Datenauswertungen und Dateninterpretation. Die Harvard Business Review kürte den „Data Scientist“ kürzlich zum „sexiest job“ des 21. Jahrhunderts.

Praktikerinnen und Wissenschaftlerinnen am Wort

Moderiert wurde der Abend von Helga Pattart-Drexler, als damalige Head of Executive Education an der WU Executive Academy auch für den Lehrgang „Data Science“ verantwortlich. Das Publikum konnte über die Web-App Slido live Fragen stellen.

Wolfgang Kulovics, Head of Machine Intelligence Lab bei der sIT Solutions, dem IT-Dienstleister der Erste Group, diskutierte mit dem Machine-Learning-Experten und Co-Gründer der Semantic Web Company, Andreas Blumauer, mit Ronald Hochreiter, Wissenschaftler am Institut für Statistik und Mathematik der WU Wien und Vortragender im Lehrgang „Data Scientist“ und Axel Polleres, Leiter des Institut für Informationswirtschaft an der WU.

Unternehmen: Fachkräfte dringend gesucht

Die Frage, wie Unternehmen mit ihren Datenmengen künftig umgehen, um erfolgreich Business-Lösungen daraus abzuleiten, führte rasch zur Feststellung: Es gibt einen enormen Bedarf an qualifiziertem Personal – und viel zu wenig ausgebildete Expert*innen.

Bild der Expertenrunde — Die Experten sind sich einig: es gibt einen enormen Bedarf an qualifiziertem Personal für den "sexiest job" des 21. Jahrhunderts.

Wolfgang Kulovics berichtete von Erfahrungen innerhalb der Bankengruppe mit Künstlicher Intelligenz und Datenströmen. Die Erste Group hat verschiedene Modelle im Risk Management etabliert. So werden etwa Mitarbeiter*innen frühzeitig informiert, wenn das System von George zusammenzubrechen droht. „Es ist schwierig, Data Science in einem Konzern mit 47.000 Mitarbeiter*innen zu implementieren“, erzählte Kulovics. „Zuallererst haben wir 50 Mitarbeiter*innen zu Data Scientists ausgebildet und einen Wettbewerb zu Data Science umgesetzt.“ Andreas Blumauer, Co-Gründer der Semantic Web Company und Experte für Semantic Data und Machine Learning, ergänzte: „Die Vorbereitungsphase für ein Data Science Projekt ist langwierig und wird von den Unternehmen häufig unterschätzt.“

Top-down reicht nicht

Um Vorstände und CEOs von Data Science zu überzeugen, sei es nötig, sie möglichst früh ins Boot zu holen, so Wolfgang Kulovics. Andreas Blumauer sagte: „Data Science Projekte dürfen keine reinen Top-down-Projekte sein. Wichtig sind dabei interdisziplinäre Teams mit innovativ denkenden Mitarbeiter*innen aus verschiedensten Abteilungen sowie ein experimentelles Setup.“ Alle Experten stimmten darin überein, dass es wichtig sei, die Expertise vor allem intern aufzubauen.

Axel Polleres

Leiter des Instituts für Informationswirtschaft | WU Wien

Es ist notwendig, dass auch interne Mitarbeiter*innen Data Science verstehen und ihren Nutzen vermitteln können. Auf Branchen ist diese Notwendigkeit nicht limitiert. Meiner Ansicht nach braucht jeder Data Science. So viele bisher nicht digitalen Disziplinen und Branchen wurden bereits disruptiert.

Hochreiter ergänzte: „Es ist nicht nötig, jedes mathematische Detail zu verstehen, viel wichtiger ist das grundsätzliche Verständnis, um über Data Science kommunizieren zu können.“ Neben dem laufenden Wissenstransfer sei auch die Erarbeitung eines Strategiepapiers wichtig, konstatierte Andreas Blumauer.

Umsetzung dauert

Einfach und rasch seien solche komplexen Datenprojekte nicht umzusetzen: „Es braucht mindestens ein Jahr, bis die jeweilige Organisation einen echten Nutzen vom ersten Projekt hat“, so Blumauer.

Um Projekte zu starten, empfahl Axel Polleres, kostengünstigere Software im Kleinen auszuprobieren. „Vieles kann schiefgehen, mal ist es die schlechte Datenqualität, mal ist das Modell nicht gut genug. Auch ist so manche kommerzielle Software fehlerhaft. Ich kann nur dazu raten, das Mindset aus den USA zu übernehmen und viel zu experimentieren und auszuprobieren.

Im Kurzprogramm Data Science liegt der Schwerpunkt ebenfalls auf dem Thema Big Data. Erfahren Sie mehr dazu hier.