Alexandra ist eine passionierte Problemlöserin, die sich in ihrem Studium des Scientific Computing auf Data Science spezialisiert hat. Davor hatte sie bereits Mathematik und Marketing studiert. Durch diesen breitgefächerten universitären Hintergrund kann sie Schlüsselkompetenzen aus den unterschiedlichsten Fachrichtungen miteinander kombinieren — eine Eigenschaft, die im Data Science von unschätzbarem Wert ist.

INTERVIEW MIT ALEXANDRA ARKHIPOVA

1. Was hat sich in den letzen Jahren in Deinem Job / als Data Scientist / im Bereich AI Engineering / Deep Learning geändert?

Bei der prudsys AG arbeitete ich an automatisierten Personalisierungs- und Pricing-Prozessen im Omnichannel-Handel. Dort nutzten wir cloudbasierte KI-Lösungen zur Erstellung von Dynamic-Pricing-Modellen und halfen unseren Kund*innen bei der Implementierung von Personalisierungsempfehlungen in ihre bestehenden Systeme. Nach meiner Zeit bei der prudsys AG wechselte ich zur Mercedes-Benz Group. In einem eigenen Forschungsprojekt konnte ich Methoden aus Machine Learning und Data Science anwenden, um Produktionsprozesse zu optimieren. Durch eine intelligente Steuerung der Produktionsfaktoren konnten ich so dabei helfen, Ausfallraten zu reduzieren und Vorgänge effizienter zu gestalten. Zweieinhalb Jahre später zog es mich zur Limebit GmbH. Hier kann ich meine Leidenschaft für Mathematik und Informatik verbinden, um neue Innovationen zu entwickeln und um anderen Menschen das Thema Künstliche Intelligenz näherzubringen.
Durch meinen beruflichen Werdegang habe ich sowohl die Perspektive von internationalen Großkonzernen als auch die Arbeitsweise von kleineren Start-ups kennen und schätzen gelernt. Unternehmen wie die Limebit GmbH arbeiten grundsätzlich flexibler, dynamischer und agiler als Großunternehmen. Entscheidungswege sind kürzer und das Aufgabenspektrum, das jede Person erfüllen muss, ist wesentlich breiter gefasst. Eine weitere Besonderheit ist die Nähe zu unseren Kund*innen, die wir persönlich begleiten, um aus den unterschiedlichsten Datensätzen die bestmöglichen Lösungen auf die Anforderungen unserer Auftraggeber*innen zuzuschneiden.

2. Was sind besondere Herausforderungen / Pain Points Deiner Kund-*innen / von Unternehmen / Deiner Kolleg*innen / im digitalen Zeitalter etc.?

Daten bilden die Grundlage jeder Künstlichen Intelligenz. Eine der größten Herausforderungen in diesem Bereich ist eine unzureichende Datengrundlage, die dadurch entsteht, dass Daten entweder nicht erhoben werden oder nicht zur Verfügung gestellt werden können. Vor allem im Medizinbereich stellt das Entwickler*innen vor große Herausforderungen, wenn es darum geht, valide reproduzierbare Ergebnisse zu erzielen.
Ein anderes Problem liegt im Mangel von Fachkräften. Data Science ist eine Wissenschaftsdisziplin, die Schlüsselkompetenzen aus unterschiedlichen Fachrichtungen miteinander verknüpft. In diesem Kontext entstehen vollkommen neue Disziplinen, die von den meisten Universitäten momentan noch nicht umfassend adressiert werden.
In meiner Karriere als Datenexpertin habe ich zudem oft festgestellt, dass das Bewusstsein für die Relevanz von Daten in vielen größeren Unternehmen noch nicht vollumfänglich erkannt wurde. Viele Unternehmen arbeiten noch immer zu unflexibel und haben agile Arbeitsweisen noch nicht in allen Bereichen adaptiert.

3. Was braucht es für besondere Kompetenzen, um diese zu lösen?

Eine der wichtigsten Kompetenzen liegt in der Bereitschaft, sich kontinuierlich weiterzubilden. Künstliche Intelligenz entwickelt sich rasant weiter. Neue bahnbrechende Entwicklungen werden beinahe wöchentlich publiziert. Zukünftige Expert*innen auf diesem Gebiet sollten deshalb bereit sein, regelmäßig Zeit in die eigene Weiterbildung zu investieren und den Status quo nie als gegeben betrachten. Es geht darum, Neues auszuprobieren und die Entwicklung auf diesem spannenden Gebiet voranzutreiben.
Wichtig ist zudem die Fähigkeit, abstrakt und logisch denken zu können. Problemstellungen im Datenbereich sind oft sehr komplex und erfordern eine vollumfängliche Analyse des Sachverhaltes. Data Scientists müssen diesen Problemstellungen deshalb ergebnisoffen begegnen. Dazu braucht es Kenntnisse aus zahlreichen unterschiedliche Disziplinen. Data Science vereint Fähigkeiten aus der Informatik, Mathematik, Statistik und vielen anwendungsspezifischen Fachrichtungen. Es geht darum, eine Brücke zwischen den Erkenntnisse aus der Wissenschaft und der Anwendung in der Praxis zu schlagen.

Für welche Herausforderungen/Zukunftsthemen ist Deep Learning / Data Science besonders nützlich?
Künstliche Intelligenz gilt als eine der disruptivsten Technologien des 21. Jahrhunderts und hat das Potential, alle Bereiche des Alltags und der Wirtschaft zu revolutionieren. Es gibt beinahe keinen Wirtschaftszweig, der nicht von der Technologie profitieren und KI erfolgreich einsetzen kann. Dieses breite Anwendungsspektrum reicht von Kundenempfehlungen und Meinungsanalysen auf sozialen Plattformen über personalisierte Angebote und automatisierte Unternehmensprozesse bis hin zu Erdbebenvorhersagen und autonomen Diagnosesystemen im medizinischen Sektor.