FachbereichFachartikel

Data Science im angloamerikanischen Kontext: Status quo eines modernen Studien- und Berufsbilds

Fazit und Ausblick

Angesichts des sich nach wie vor beschleunigenden technologischen Fortschritts hin zum Datenzeitalter und dem „Second Machine Age“ wird das Berufsbild der Data Scientist in den nächsten Jahren weiterhin an Popularität und Bedeutung gewinnen. Um diese in immer mehr Gebieten digitale Zukunft mitzugestalten, sind Unternehmen aller Branchen auf Data Scientists angewiesen, welche mit theoretischem Wissen und der Fähigkeit, dieses im Anwendungskontext vielseitig und produktiv zum Einsatz zu bringen, versehen sind. Dieser Bedarfskontext sollte sich auch im Ausbildungszusammenhang widerspiegeln, wo solide Grundlagenausbildung mit der notwendigen mathematischen und theoretischen Tiefe nahtlos in praktische Anwendungsfähigkeiten übergeht.

Von Dr. Tarek R. Besold, Lecturer in Data Science an der City, University of London

Im internationalen Kontext zählt die junge Disziplin Data Science zu den momentan sowohl bei Arbeitgebern als auch bei (gegenwärtigen oder zukünftigen) Berufseinsteigerinnen und -einsteigern gefragtesten Berufsfeldern. Die Data Scientist ist hierbei eine mit solider theoretischer Fundierung ausgebildete Allrounderin, die alle wichtigen Schritte des „Data Lifecycle“ durchführen, ihre jeweilige Tätigkeit, wie auch erzielte Resultate, kritisch reflektieren und anschließend sowohl den Prozess als auch die erreichten Ergebnisse kommunizieren kann.ht.

Data-Science-Studiengänge erfreuen sich im angloamerikanischen Raum großer Beliebtheit. Kleine und größere Unternehmen aus allen Wirtschaftszweigen, von digitalen Serviceprovidern zu klassischer fertigender Industrie, erhoffen sich Wettbewerbsvorteile durch datenunterstützte Entscheidungsfindung sowie durch (teilweise oder vollständig) datengetriebene Produkte. Studierende und Young Professionals, aber auch Arbeitnehmerinnen und Arbeitnehmer in vormals datenfernen Berufszweigen versprechen sich persönliche Karrierevorteile, aber auch nachhaltigere Karriereverläufe aus dem Erwerb der Fähigkeiten der Data Science.

Die genaue Interpretation von Data Science und die Schwerpunktlegung innerhalb eines Data-Science-Curriculums unterscheiden sich hierbei je nach Profillinie der jeweiligen anbietenden Institution. Generell ist eine Betonung anwendungsnaher und/oder anwendungsrelevanter Ausbildungsinhalte festzustellen. Ein zweiter genereller Trend kann in der gleichzeitigen, wenn auch etwas geringer gewichteten Fokussierung auf solide theoretische Grundlagen – vor allem in Masterstudiengängen, aber auch in grundständigen Studiengängen mit dezidierter Schwerpunktlegung auf Data Science als eigenständiger Disziplin – gefunden werden.

Konzeptuell dienen die theoretischen Lehreinheiten (wie z.B. Module zu statistischen Grundlagen, zu maschinellem Lernen oder zu Datenbanktechnologien im Kontext von Big Data) als Grundlage der angewandten Inhalte (z.B. Daten­visualisierung, Parallel Computing mit Schwerpunkt auf maschinellem Lernen, oder Verarbeitung großer Datenmengen). Zugleich stellt die theoretische Ausbildung die Nachhaltigkeit der erworbenen Kenntnisse sicher und ermöglicht es der Data Scientist auch zukünftige Entwicklungen mitverfolgen und sich bei Bedarf innerhalb eines dynamischen Technologieumfelds weiterqualifizieren zu können.

Eine Sonderstellung innerhalb der Data-Science-Landschaft nimmt die Unterkategorie der Data Science für wissenschaftliche Zwecke ein. Während die benötigten Grundqualifikationen zu großen Teilen mit der Data Science für den Einsatz im wirtschaftlichen Zusammenhang überlappen, wird für die sinnvolle wissenschaftliche Anwendung in den meisten Fällen zusätzlich Expertise im jeweiligen Wissenschaftsgebiet benötigt. Diese dient u.a. der reibungslosen Kommunikation mit Fachexpertinnen und      -experten, ist aber auch den in wissenschaftlichen Zusammenhängen auftretenden spezifischen Fragestellungen und Arbeits- und Datenkontexten geschuldet, welche in ihren speziellen Ausprägungen im Business-  oder Industriekontext in vielen Fällen als eher exotisch betrachtet werden können.

Eine wichtige Rolle jenseits der theoretischen  oder angewandten „technischen“ Ausbildung spielt im Data-Science-Zusammenhang die Sensibilisierung der Data Scientist für ein kritisches Herangehen an ihre Tätigkeiten – beginnend bei der Einschätzung bestehender und der Entwicklung neuer Anwendungsmöglichkeiten von Data Science, über das Hinterfragen der Validität von erzielten Resultaten, hin zur kritischen Reflexion des Umgangs mit Daten, der epistemischen Stellung von aus Daten gewonnenen Einsichten und der sowohl individuellen als auch sozialen Auswirkungen zunehmend datengetriebener Entscheidungsprozesse in allen Lebensbereichen. Gerade jetzt zu Beginn des „Datenzeitalters“ fällt es in die Verantwortung von Data Scientists als Domänenexpertinnen und -experten diese Entwicklung kritisch zu begleiten und, wo nötig, in entsprechende Bahnen zu leiten.

Als Voraussetzungen für die erfolgreiche Errichtung eines Data-Science-Ausbildungsprogramms spielt der Anschluss an vor Ort bereits vorhandenen Kompetenzen und Schwerpunkten eine wichtige Rolle. Aufgrund der anwendungsverankerten Natur der Inhalte, und des schnellen Fortschritts im Feld, ist es unerlässlich, dass Lehrende auf eigene Erfahrungen im Umgang mit den jeweiligen Lehrinhalten zurückblicken können, aktiv Empfehlungen zu Inhalten und Trends aussprechen, und die Weiterentwicklung der jeweiligen Themengebiete tagesaktuell mitverfolgen und – wenn irgend möglich – mitgestalten. Von einer Einrichtung eines Data-Science-Programms „ex nihilo“ ist daher abzuraten; sowohl im Sinne der Studierenden als auch im Sinne aller Programmbeteiligten auf Seite der Lehrenden.

    Über den Autor

    Dr. Tarek R. Besold

    Dr. Tarek R. Besold ist Lecturer in Data Science an der City, University of London. Dort forscht er an erklärbaren KI-Systemen, neurosymbolischer Integration sowie Themen an der Schnittstelle zwischen Künstlicher Intelligenz, künstlicher Kreativität und Kognitiven Systemen. Neben Aktivitäten als Organisator von wissenschaftlichen Konferenzen und Workshops sowie verschiedenen Herausgebertätigkeiten hat er die Rolle des Obmanns des DIN-NIA-Arbeitsausschusses zum Thema Künstliche Intelligenz (NA 043-01-42) inne.

    Dieser Text steht unter der Lizenz Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International - CC BY-SA 4.0. Bitte nennen Sie bei einer möglichen Nachnutzung den angegebenen Autorennamen sowie als Quelle das Hochschulforum Digitalisierung.