Daten & Künstliche Intelligenz

Was macht man in der Datenverarbeitung?

Drei Rollen stehen hier nebeneinander, und die Anzeigen mischen ihre Bezeichnungen freizügig. Der Data Engineer baut die Wege, auf denen Daten fließen: Quellsysteme anbinden, Daten übernehmen, bereinigen, zusammenführen, historisieren und in ein Modell bringen, aus dem sich zuverlässig auswerten lässt. Das ist Handwerk mit SQL, Python, Ladestrecken, Zeitplanung und Überwachung – und es macht den größten Teil der Stellen aus.

Der Data Scientist arbeitet auf dem, was der Engineer bereitstellt: Fragestellungen formulieren, Verfahren auswählen, Modelle trainieren, Ergebnisse bewerten und – der Teil, an dem die meisten Vorhaben scheitern – sie so in den Betrieb bringen, dass sie dort auch in einem halben Jahr noch funktionieren. Der Datenbankadministrator schließlich betreibt die Systeme darunter: Installation, Sicherung, Wiederherstellung, Leistungsanalyse, Hochverfügbarkeit, häufig für mehrere Produkte gleichzeitig.

Was alle verbindet, ist ein Satz, den man in diesem Feld früh lernt: Die Arbeit an den Daten ist der Beruf, die Modellierung ist die Kür. Ein erheblicher Teil der Zeit geht dafür drauf, herauszufinden, warum zwei Systeme für denselben Kunden verschiedene Angaben führen.

Dazu kommt der rechtliche Rahmen. Personenbezogene Daten unterliegen der Datenschutz-Grundverordnung, und für Systeme, die mit künstlicher Intelligenz arbeiten, kommt die KI-Verordnung der Europäischen Union hinzu – mit abgestuften Pflichten je nach Risiko der Anwendung. Wer Modelle in den Betrieb bringt, muss beides mitdenken.

Wie kommt man hinein?

Über ein Studium, meist. Informatik, Wirtschaftsinformatik, Mathematik, Statistik oder ein naturwissenschaftliches Fach mit starkem Auswertungsanteil – Physiker und Volkswirte sind in diesem Feld häufig. Für die Datenbankadministration führt der Weg ebenso oft über die Ausbildung zum Fachinformatiker und den Betrieb. Quereinstiege aus dem Controlling oder der Softwareentwicklung funktionieren, wenn SQL und Programmierung sitzen.

Was die Arbeit verlangt

Genauigkeit und Skepsis gegenüber den eigenen Ergebnissen. Ein Modell, das gut aussieht, ist häufiger ein Fehler in den Daten als eine Entdeckung. Dazu kommt Kommunikationsarbeit: Fachbereiche erwarten Antworten, die die Daten nicht hergeben, und das zu sagen gehört zum Beruf.

Der unbequeme Teil ist die Erwartungshaltung. Um kaum ein Feld der IT ranken sich so viele Versprechen, und wer darin arbeitet, verbringt einen Teil seiner Zeit damit, sie auf das zu reduzieren, was mit dem vorhandenen Bestand möglich ist.

Aussichten

Sehr gut, mit einer Verschiebung: Der Bedarf an Data Engineers ist stabil hoch, während reine Auswertungsstellen seltener ausgeschrieben werden als vor einigen Jahren – gesucht wird, wer Verfahren auch betreiben kann. Wege führen in die Datenarchitektur, in die Plattformverantwortung oder in die Leitung von Datenbereichen.