OLIVER FRANKE

Als Dozent für Software-Entwicklung findet Oliver Franke effiziente und nachhaltige Lösungen für jedes Software Problem. Oliver ist zudem Software Engineer und Gründungsmitglied von Limebit. Er arbeitete zuvor fünf Jahre als Entwickler bei einem Telekommunikationsunternehmen und ist Absolvent der Hochschule für Wirtschaft und Recht Berlin in Economic Computer Science.

REFERENZEN

Oliver hat mit seinem Team von Limebit unter anderem schon für Wikipedia und Bayer gearbeitet. Weitere Referenz-Kunden finden Sie auf der Website https://limebit.de/referenzen

INTERVIEW MIT OLIVER FRANKE

1. Was hat sich in den letzten Jahren in Deinem Job bzw. in den Bereichen Data Science, AI Engineering und Deep Learning geändert?

Die Welt der Datenwissenschaft, Künstlichen Intelligenz und Programmierung hat sich in den letzten Jahren enorm erweitert. Nie war der Bedarf an Datenspezialist_innen und -wissenschaftler_innen so groß wie heute. Ständig kommen neue Modelle, Algorithmen, Ideen und Frameworks auf den Markt. Um einen guten Überblick über die zahlreichen neuen Plattformen und Tools zu behalten und diese sinnvoll und kompetent zu bewerten und auszuwählen, braucht es Expert_innen mit solidem Grundwissen, Fachkompetenz und Praxiserfahrung.

2. Was sind besondere Herausforderungen und Pain Points Deiner Kund_innen?

Eine der größten Herausforderungen für viele Organisationen und Unternehmen ist es, einen sinnvollen Startpunkt für Data Science- und Machine Learning-Projekte zu finden. Anfangsziele und Vorhaben sind häufig zu groß, zu komplex und erfordern in der Regel sehr viel Vorlauf. Mit Bildung, Geübtheit und praxisnahen Data Scientists lassen sich große Projekte in kleine Etappen segmentieren, sodass die Erfolgschancen steigen. Eine andere Schwierigkeit sehe ich in der Versionierung, Reproduktion und Interpretation von Daten und Modellen. Hier ist Know How aus dem Bereich Software Engineering von großer Bedeutung, welches in Statistik- und Datenwissenschaftsabteilungen häufig nicht vorhanden ist. Außerdem ist es wichtig, Projektmanagement-Frameworks wie Scrum auf datenbasierte Projekte anzupassen. Anders als Software Engineering-Vorgehen haben Data Science- und Machine Learning-Projekte einen sehr explorativen und forschenden Charakter. Das kann in einigen Fällen dazu führen, dass letztlich nicht das positive Ergebnis eintritt, weil die erhofften Erkenntnisse gar nicht in der Datenbasis stecken. Ein erfolgreiches und nachhaltiges Projektmanagement im Bereich Datenanalyse und -auswertung erfordert einen Paradigmenwechsel.

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

Es benötigt unbedingt mehr Software Engineering Know How in Daten- und Statistikabteilungen. Im Software Engineering wurden in den letzten zehn Jahren Prozesse wie Code Versionierung, Continuous Integration, Continuous Delivery, Deployments, Hosting, uvm. extrem automatisiert und damit manuelle und menschliche Fehlerquellen nahezu komplett eliminiert. Data Science und Machine Learning-Expert_innen stehen in vielen Unternehmen aber häufig ganz am Anfang und verfügen selten über automatisierte Prozesse. Data Scientists müssen in der Lage sein, diesen Transfer vom Software Engineering in Datenabteilungen zu bewerkstelligen. Außerdem ist es wichtig, dass sie die Ergebnisse ihrer Arbeit sinnvoll und transparent kommunizieren und dem Management begreiflich machen.ern.