Redaktion: Frau Tran, Ihre Jobbezeichnung ist „Senior Data Scientist“.  Was genau verbirgt sich hinter diesem Jobtitel?

Als Senior Data Scientist innerhalb der Innovationsabteilung von PwC beschäftige ich mich mit Verfahren des Maschinellen Lernens (ML). Dabei ist mein Aufgabenfeld sehr breit – von der Entwicklung technischer Prototypen, dem Durchführen von Experimenten bis hin zum Forschen und Ausarbeiten von Ideen zu ML-Konzepten. 

Im Konkreten identifiziere ich in Workshops zusammen mit externen oder internen Kunden Anwendungsfälle, wie Künstliche Intelligenz (KI) gewinnbringend eingesetzt werden kann. Dabei arbeite ich anhand des gesamten Zyklus der Prototypenentwicklung konkrete Probleme aus, beurteile die Datengrundlage und schätze ab, wie eine technische Lösung unter dem Einsatz von KI gestaltet werden könnte. Basierend darauf evaluiere ich die Lösung prototypisch, indem ich geeignete Daten aufbereite, um im Anschluss verschiedene ML-Algorithmen zu trainieren. 

Daneben arbeite ich stark forschungsgetrieben und veröffentliche unter anderem wissenschaftliche Publikationen, in denen ich neueste Erkenntnisse und Methoden untersuche und anwende.  Dabei ist das Kernthema die Qualitätssicherung von KI, bei dem ich Ansätze entwickle, wie ML-Algorithmen auf Robustheit, Fairness und Erklärbarkeit geprüft werden können. Das Ziel ist, die Akzeptanz und das Vertrauen in KI-Systeme zu stärken. 

Redaktion: Welche Eigenschaften benötigt man als Senior Data Scientist? 

Neben einer analytischen und strukturierten Herangehensweise sollten die Leidenschaft und Beharrlichkeit für das Lösen von Problemen vorhanden sein. Dabei hilft es, wenn man über den Tellerrand hinausdenken kann, um auch auf kreative Weise Ideen und neue Lösungsansätze zu entwickeln. Ferner stellt auch Kommunikationsfähigkeit eine Schlüsseleigenschaft dar. Ein Data Scientist sollte in der Lage sein, Ideen, Erkenntnisse und Schlussfolgerungen sowohl einem technischen als auch einem nichttechnischen Publikum effektiv zu vermitteln.

Redaktion: Mit welchen Softwarelösungen arbeiten Sie?

Als Data Scientist programmiere ich hauptsächlich in Python und verwende Pakete wie numpy, pandas und seaborn für die Datenauswertung und -visualisierung sowie sciki-learn, keras und TensorFlow, um ML-Algorithmen zu trainieren und evaluieren. Innerhalb des Rapid Prototyping helfen Tools wie Streamlit, um aus einer ML-Lösung eine interaktive Web-Applikation zu gestalten, die für unterschiedliche Menschen möglichst früh anwendbar ist.

Redaktion: Welches Studium ist die Basis für einen Data Scientist?

Ich habe im Bachelor und Master Wirtschaftsinformatik studiert, wodurch ich mir ein grundlegendes Verständnis für Statistik, Mathematik und Programmierung angeeignet habe. Durch die Wahl von Vertiefungsmodulen im Bereich KI konnte ich wichtige Grundlagen zu statistischen Verfahren oder neuronalen Netzen lernen. Obwohl die Kenntnisse und Fertigkeiten nützlich waren, die ich im Studium erlernt habe, sehe ich bei vielen meiner Kolleginnen und Kollegen, dass ein Wirtschaftsinformatik-Studium nicht zwangsläufig erforderlich ist. So gibt es auch viele, die vorher Physik, Mathematik oder ein anderes MINT-Fach studiert haben. 

Redaktion: Wie war Ihr Berufseinstieg nach dem Studium? Haben Sie als Data Scientist gestartet oder gab es noch andere Stationen auf dem Weg dahin?

Nein, ich habe schon im Studium bei PwC als Studentin gearbeitet und im Rahmen dessen auch meine Bachelor- und Masterarbeit verfasst. Während der Masterarbeit bin ich dann in eine Festanstellung gewechselt. Obwohl ich lange bei dem gleichen Arbeitgeber bin, habe ich trotzdem das Gefühl, dass die Lernkurve steil bleibt, weil sich mit jedem Karriereschritt auch die Aufgaben verändern und man mit ihnen neue Herausforderungen erfährt.  

Redaktion: Was bereitet Ihnen im Berufsalltag am meisten Freude?

Ich finde es immer wieder spannend, dass mir meine Arbeit die Möglichkeit bietet, mich in verschiedensten Bereich weiterzuentwickeln. Sei es, mich in komplexe Themen einzuarbeiten, in Hackathons gemeinsam mit Kolleginnen und Kollegen an Prototypen zu arbeiten, das Arbeiten im wissenschaftlichen Umfeld, die Betreuung von Mitarbeiterinnen und Mitarbeitern oder auch am Kickertisch.