vorheriger Artikel
Eine Machine-Learning-Konferenz in München, da darf b.telligent nicht fehlen!
Das Data-Science-Team von b.telligent hat es sich nicht nehmen lassen, an der dreitägigen Machine Learning Conference in München teilzunehmen, um sich über die Themen und Trends von heute zu informieren und mit Gleichgesinnten auszutauschen!
Die Highlights und wichtigsten Erkenntnisse hat Dr. Sebastian Petry zusammengefasst:
Erkenntnis 1
Deep Learning und Artificial Intelligence (AI) sind voll im Machine Learning angekommen. Kaum ein Vortrag, der sich nicht mit diesem Thema beschäftigte. Es wurde in vielen Talks klar, dass die Möglichkeiten sehr groß sind, aber das Thema insgesamt noch in einem sehr frühen Stadium ist. Deep-Learning-Projekte sind auch immer Forschungsprojekte. Zum einen sahen wir uns in unserer Wahrnehmung bestätigt, auf der anderen Seite war es schön, unsere Erfahrungen beispielsweise mit Tensorflow bestätigt zu sehen.
Erkenntnis 2
Wie messe ich Intelligenz bei AI. Eine sehr spannende Frage, für die ein methodologisches Framework vorgestellt wurde. Diese Frage wird mich noch ein wenig beschäftigen, da ich gute Möglichkeiten sehe, dieses Framework für die Evaluation von Bots oder anderen AIs einzusetzen.
Erkenntnis 3
Data Science und Softwareentwicklung rücken näher zusammen. Smarte Algorithmen werden immer enger mit Produkten verknüpft, was den Data Scientist immer näher an die Softwareentwicklung bringt. Ich bin gespannt, ob sich das Bild des Data Scientists nicht in zwei Richtungen entwickelt:
- Technical Data Scientist: Ein Data Scientist, der das gesamte Methodenset beherrscht und für den die Implementierung und Optimierung dieser Algorithmen in einem Produkt im Vordergrund steht. Hier werden erhebliche Softwareentwicklungsskills benötigt, z. B. auch in Java, was keine typische Sprache für Data Scientists ist. Das Businessproblem und der Business Case wurden schon gerechnet und als erfolgsversprechend erachtet.
- Der Business Data Scientist: Ein Data Scientist, der sich stark damit beschäftigt, Businessprobleme mit dem Methodenset der modernen Data Science zu lösen, der sich aber weniger stark an der Implementierung orientiert. Er steht vor der Implementierung und er arbeitet stärker im PoC und bei der Implementierung in weniger komplexen Umfeldern.
Ob es angesichts des Arbeitsmarktes genug Data Scientists gibt, die beide Felder in gleichem Maße bedienen können, wird sich zeigen, aber ich sehe hier eine mögliche sinnvolle Trennung.
In jedem Fall war die dreitägige Machine Learning Conference in München eine gelungene Veranstaltung mit einem interessanten Vortragsprogramm!
