KI & Data Science: Welche Rollen und Skills Unternehmen brauchen

Der Reifegrad beim Einsatz von Analytics, Machine Learning (ML) und Künstlicher Intelligenz (KI) in deutschen Unternehmen hat sich in den letzten Jahren stark weiterentwickelt. Das sehen wir jeden Tag in unseren Kundenprojekten. Wo vor ein paar Jahren noch Proof of Concepts und Machbarkeitsstudien zum Einsatz von KI und Analytics vorherrschten, kommen heute vielfach Machine Learning und (Generative) KI operativ zum Einsatz: von der automatisierten Bearbeitung von Anfragen im Kundenservice über die KI-basierte Ausschusssteuerung im produzierenden Gewerbe bis hin zur personalisierten Gesundheitsversorgung.

Wichtige Rollen in modernen KI- & Data Science-Teams

Data Science und Künstliche Intelligenz sind Teamsport. Ein breites Spektrum an Kompetenzen und Fähigkeiten ist nötig, um die vielfach komplexen Projekte zum Erfolg zu führen und die dafür nötigen digitalen Lösungen dauerhaft stabil zu betreiben. Daher sollten in den Teams mindestens die folgenden Rollen besetzt sein:

Rolle: Die Person, die diese Rolle übernimmt, entwickelt Strategien und Taktiken, mit denen sich das Zielbild „Data Driven Company“ erreichen lässt. Sie identifiziert, wo sich das Unternehmen durch die Nutzung und Auswertung von Daten in Geschäftsprozessen einen Vorsprung gegenüber Mitbewerbern verschaffen kann. Die Aufgabe des Data Strategist ist es, das große Ganze im Blick zu behalten und die Brücke zwischen Business und Technologie herzustellen.

Kompetenzen:

Strategisches Denken und Planungsfähigkeiten

Business-Know-how und Kenntnis von Branchentrends

Expertise in Datenanalyse und -interpretation

Kommunikations- und Präsentationsfähigkeiten

Stakeholdermanagement und Überzeugungskraft

Beispiel: Ein Einzelhändler möchte seine Umsätze steigern. Der Data Strategist initiiert ein „Customer 360“-Projekt zur Analyse der Verkaufs- und Kundendaten mit dem Ziel, Trends im Kaufverhalten zu identifizieren. Daraus leitet er dann Maßnahmen wie z. B. personalisierte Werbekampagnen ab, um die Kundenbindung zu verbessern.
Rolle: Das ist sozusagen der Baumeister, der die technischen Grundlagen schafft. Solche Spezialist:innen sind verantwortlich für die Entwicklung und Implementierung der Dateninfrastruktur, für das Management von Datenbanken und für die Bereitstellung von Daten für KI-Lösungen. Sie sind die Leute, die die Daten zum Laufen bringen. Darunter fallen auch spezialisierte Profile wie bspw. Data Architects oder auch Data Engineers.

Kompetenzen:

Datenbankdesign und -entwicklung

Datenmodellierung und -integration

Programmierkenntnisse (z. B. SQL, Python)

Kenntnisse in cloudbasierten Datentools wie Azure Data Factory oder AWS Glue

Know-how bezüglich Automatisierung (z. B. mithilfe von Skripten oder Tools wie Apache Airflow)

Beispiel: Im vorherigen Beispiel-Projekt stimmt sich der DataOps Specialist mit dem Data Strategist und den Modellierungsexperten (s. u.) dazu ab, welche Daten wofür benötigt werden. Er berät zur Bereitstellung und Nutzung der Daten und implementiert Datenpipelines, um Daten in Echtzeit zu verarbeiten.
Rolle: Hier haben wir eine:n Expert:in für mathematische Modellierung, für Machine Learning und für (Generative) KI. Hauptaufgabe ist das Entwickeln komplexer Machine Learning-Modelle, durch die Algorithmen zum Leben erwachen. Diese Rolle kommt dem „klassischen“ Data Scientist mit Fokus auf mathematisch-statistische Modellierung am nächsten.

Kompetenzen:

Fortgeschrittene Kenntnisse in Machine Learning und Deep Learning

Expertise in spezifischen ML-Bereichen wie NLP oder Generative KI/Sprachmodelle (LLMs)

Programmier-Skills in Python und Vertrautheit mit ML-Bibliotheken wie TensorFlow oder PyTorch

Statistische Analysefähigkeiten und mathematisches Verständnis von Algorithmen

Kreativität und Problemlösungsfähigkeit insbes. bei der Modellierung komplexer Probleme

Beispiel: In unserem Beispiel-Projekt sind AI-Spezialist:innen für die Analyse der Verkaufs- und Kundendaten zuständig. Basierend darauf entwickeln sie bspw. ein Empfehlungssystem, welches das Einkaufsverhalten der Kunden analysiert und maßgeschneiderte Vorschläge macht.
Rolle: Diese Rolle sorgt dafür, dass aus technischer Perspektive alles reibungslos abläuft. Ein MLOps Engineer entwickelt und verwaltet die notwendige Infrastruktur für Machine Learning und Analytics und sorgt dafür, dass die entwickelten ML- oder KI-Komponenten reibungslos in bestehende Prozesse integriert werden können.

Kompetenzen:

Verständnis von Analytics-Infrastruktur und -Architektur

Erfahrung mit Cloud-Computing-Plattformen (z. B. AWS, Azure, GCP)

DevOps-Kenntnisse und Erfahrung mit Containerisierungstechnologien (z. B. Docker, Kubernetes)

Fähigkeit zur Implementierung von MLOps-Praktiken und -Prozessen

Kenntnisse in Machine Learning und Deep Learning

Beispiel: Der MLOps Engineer sorgt dafür, dass das entwickelte Empfehlungssystem sicher als Micro-Service betrieben werden kann. Damit schafft er einen digitalen „Lebensraum“ für die Anwendung.
Rolle: Last but not least haben wir diejenigen, die die Modelle in die Praxis umsetzen. Diese Entwickler:innen bauen die konkreten Anwendungen und Systeme, die maschinelles Lernen nutzen. Sie sorgen dafür, dass die Modelle nahtlos in die Prozesse integriert werden.

Kompetenzen:

Kenntnisse und praktische Erfahrung in der Entwicklung von Software, Apps und Systemen

Vertrautheit mit ML-Modellierung und -Implementierung

Kenntnisse in allen im Unternehmen verwendeten Programmiersprachen

Kenntnisse über Schnittstellen der im Unternehmen verwendeten Software, insbesondere bez. der Integration von ML-Services in die Systeme

Kenntnisse in Datenbanken und APIs für die Integration von ML-Modellen in Produktionsumgebungen

Beispiel: Die ML Developer kümmern sich darum, dass KI final an der Kundenschnittstelle zum Einsatz kommt und dass eine angenehme User Experience möglich ist.

Wie Teammitglieder in Daten- & KI-Projekten optimal zusammenarbeiten

Eine effektive Zusammenarbeit zwischen Data Scientists und KI-Expert:innen erfordert neben den beschriebenen Kompetenzen und Rollen auch ein nahtloses Zusammenspiel aller Teammitglieder. Dies beginnt bei der Ideenfindung und geht bis zur Implementierung und Wartung der KI- und Analytics-Lösungen. Ein typischer Workflow kann so aussehen:

1. Ideenfindung und Konzept
In diesem Stadium sammeln die Data Strategists Informationen über die Geschäftsziele und Herausforderungen des Unternehmens. Sie führen ggf. Marktanalysen durch und identifizieren Möglichkeiten zur Optimierung und Verbesserung von Prozessen und Produkten durch Daten aus der Perspektive der Geschäftsprozesse. Gemeinsam mit den AI Specialists und den MLOps Engineers entwickeln sie Konzepte für datengetriebene Lösungen, die das Erreichen der Geschäftsziele unterstützen. Diese Lösungen sollen dann in die Prozesse implementiert werden.

2. Datenbeschaffung und -vorverarbeitung
Die DataOps Specialists sind in diesem Bereich federführend. Sie identifizieren und beschaffen die für die Modellierung und den Betrieb der KI-Lösungen benötigten Daten aus verschiedenen Quellen. Außerdem führen sie die notwendige Datenbereinigung und -vorverarbeitung durch, um sicherzustellen, dass die Daten für die Modellierung geeignet sind. Datenqualität und Datenverfügbarkeit sind in fast allen Datenprojekten zentrale Herausforderungen.

3. Modellentwicklung und -validierung:
Hier kommen die AI Specialists wieder ins Spiel. Sie entwickeln und trainieren die Machine Learning-Modelle unter Verwendung der bereitgestellten Daten. Währenddessen arbeiten die MLOps Engineers an der Entwicklung von Validierungsstrategien für die Performance der mathematischen Modelle, d. h. sie sorgen für eine Bewertung der Modellleistung.

4. Implementierung und Bereitstellung
Die ML Devleoper übernehmen nun die Führung. Sie integrieren die entwickelten Modelle in Produktionsumgebungen und entwickeln Anwendungen und Schnittstellen, über die die Modelle angesprochen und für die Verbesserung der Geschäftsprozesse genutzt werden können. Die MLOps Engineers unterstützen bei der Implementierung von Überwachungs- und Wartungsprozessen, um sicherzustellen, dass die Modelle im laufenden Betrieb stabil funktionieren.

5. Betrieb und Optimierung
Der Workflow endet nicht mit der Implementierung. Das Team arbeitet kontinuierlich an der Überwachung der Modellleistung und der Identifizierung von Verbesserungsmöglichkeiten. Die MLOps Engineers spielen eine zentrale Rolle bei der Identifizierung von Verbesserungspotenzialen bezüglich der Leistung der Modelle und der Infrastruktur.

Insight

5 Thesen zu Machine Learning Operations (MLOps)

Machine Learning Operations (MLOps) ermöglicht Unternehmen, Künstliche Intelligenz effizient in jedes Produkt und jeden Service zu integrieren. So wie DevOps die Produktivität von Softwareentwicklern gesteigert […]

Erfolgsfaktoren & Best Practices für Daten- & KI-Projekte

In der Praxis sind klare Kommunikation, eine enge Abstimmung und kontinuierliche Weiterbildungen wichtige Faktoren für das Gelingen der Zusammenarbeit. Das Team muss die Geschäftsziele und die Bedürfnisse der verschiedenen Stakeholder im Unternehmen sowie außerhalb davon verstehen, flexibel auf Veränderungen reagieren und idealerweise immer einen Schritt voraus sein. Wie wird und bleibt ein Data-Team erfolgreich? Das sind unsere Lessons Learned aus zahlreichen Projekten:

Klare Kommunikation und transparente Zusammenarbeit:
Eine offene Kommunikation zwischen allen Teammitgliedern ist entscheidend für den Erfolg eines Data Science-Teams. Jedes Teammitglied sollte verstehen, wie seine Rolle zum Gesamtergebnis beiträgt und in der Lage sein, Ideen und Herausforderungen offen zu diskutieren. Regelmäßige Meetings und Statusupdates helfen dabei, alle Beteiligten auf dem gleichen Stand zu halten.

Flexibilität und Anpassungsfähigkeit:
Die Welt der Daten ist ständigen Veränderungen unterworfen, sei es durch neue Technologien, sich ändernde Geschäftsanforderungen oder externe Einflüsse wie Gesetzesänderungen. Erfolgreiche Daten- & KI-Teams sind in der Lage, sich schnell an neue Gegebenheiten anzupassen und flexibel auf Veränderungen zu reagieren. In der Regel verfolgen sie einen agilen Arbeitsmodus.

Kontinuierliche Weiterbildung und Entwicklung:
Um mit den sich ständig weiterentwickelnden Technologien und Best Practices Schritt zu halten ist es wichtig, dass die Teammitglieder kontinuierlich ihr Wissen und ihre Fähigkeiten erweitern. Fortbildungsmaßnahmen, Schulungen und die Teilnahme an Konferenzen und Workshops sind daher entscheidend für den langfristigen Erfolg des Teams.

Einbindung der Stakeholder:
Datenprojekte sind selten isolierte Unterfangen, sondern beeinflussen oft verschiedene Abteilungen und Interessengruppen im Unternehmen. Daher ist es wichtig, alle relevanten Stakeholder von Anfang an in den Prozess einzubeziehen, ihre Anforderungen zu verstehen und sicherzustellen, dass die entwickelten Lösungen ihren Bedürfnissen entsprechen.

Klare Zielsetzung und Messbarkeit:
Jedes KI- & Data Science-Projekt sollte klare Ziele und KPIs haben, anhand derer der Erfolg gemessen werden kann. Indem das Team von Anfang an gemeinsame Ziele definiert und regelmäßig den Fortschritt überprüft, können potenzielle Hindernisse frühzeitig erkannt und rechtzeitig Gegenmaßnahmen ergriffen werden.

Wenn Sie mehr darüber erfahren wollen, wie Sie das Daten- & KI-Team in Ihrem Unternehmen adäquat aufstellen oder sich Verstärkung bei bestimmten Rollen wünschen, kontaktieren Sie gerne Dr. Markus Knappitsch und seine Kolleg:innen: Hier können Sie Kontakt aufnehmen.