FachbereichFachartikel

Data Scientists: Über Talentmangel und den Lückenschluss zwischen Promotion und Industrie

Lösungsvorschläge zur Skalierung

Mehrjährige Erfahrung in den USA wie Europa zeigt, dass eine Kombination aus Onlinekursen und Bootcamps einen qualifizierten Einstieg in Data Science und/oder Künstliche Intelligenz ermöglicht. Für Doktoranden wie Industriespezialisten ist dies üblicherweise ein Aufwand von 400 bis 600 Stunden. Die Erfahrung mit der Industrie, insbesondere den „hiring managers“ verdeutlicht dabei, dass Onlinekurse allein nicht ausreichen. Vielmehr kommt es darauf an, über eine gewisse Zeit, etwa 6 bis 10 Wochen, intensiv an einem ersten Praxisprojekt zu arbeiten, gegebenenfalls auch als Team.

Aus den obigen Beobachtungen und Überlegungen ergeben sich folgende Lösungsansätze:

  1. Während der Promotion ließe sich der Lückenschluss recht kompakt erreichen durch eine Kombination aus begleitender Weiterbildung, kompaktem Training und Projektarbeit für Produktprototypen. Für Postdocs wäre das gleiche Format denkbar. Alternativ wäre auch ein Umstieg direkt im Anschluss an die Promotion denkbar. Wenn Industrie und Universitäten hier nicht zueinander finden, könnte auch ein privater Anbieter die Lücke füllen.
  2. Unternehmen müssen neu planen. Der „Business Case“ für Data Science wie Künstliche Intelligenz ist hinreichend bekannt, und die Konsequenzen des Zu-Spät- oder Nicht-Handelns eigentlich auch. Wenn man erprobte Konzepte wie Sabbatical, Umstrukturierung und Ausgründung zusammenfügt, ergibt sich die Möglichkeit, neue und wendige Geschäftseinheiten in kürzester Zeit ans Laufen zu bringen.

Von Dr. Chris Armbruster, Director Data Science Retreat, Berlin

Wenn ich – oder auch Sie – auf LinkedIn Data Science in die Suche eingebe und auf „People“ klicke, erhalte ich mehr als 10 Millionen Ergebnisse. Aber für „Data Scientist“ sind es nur etwa 100.000 Personen, und für Deutschland weniger als 4000. Dieser greifbare Talentmangel muss und kann unter Zeitdruck in den nächsten fünf Jahren behoben werden, wenn Ausbilder, Industrie und auch die Politik zusammenwirken. Hier wird gezeigt, wie dies gelingt.

Wem die eigene Suche bei LinkedIn nicht solide genug erscheint, der möge die Recherche der New York Times nachlesen, wonach es weltweit nur etwa 10.000 KI-Experten gibt, welche neue Projekte initiieren und leiten können. Zudem beziffert das Tencent Research Institute die Zahl der KI-Talente auf insgesamt nur 300.000, wovon etwa 100.000 an Universitäten sind. Die Zahl der Absolventen wird weltweit auf jährlich nicht mehr als 20.000 geschätzt. Es kommt hinzu, dass die Industrie im großen Stil Professor/inn/en wie Doktorand/inn/en abwirbt, und die verbleibenden Experten oft nur teilweise zur Verfügung stehen wegen zusätzlicher Engagements in der Industrie. Der Grund ist Zeitdruck, wie am Beispiel autonomer Mobilität ersichtlich ist, wo in den nächsten zehn Jahren ein Wettlauf stattfinden wird, bei dem alle Teilnehmer um den Erfolg und zugleich ihre Eigenständigkeit kämpfen.

In diesem Szenario gibt es meines Erachtens zwei Wege den Fachkräftemangel binnen fünf Jahren zu beheben:

  1. MINT-Talente zu finden, bei denen die Lücke zu Data Science und Künstlicher Intelligenz schnell und einfach geschlossen werden kann.
  2. Die firmeninterne Weiterbildung und auch Umschulung von motivierten Mitarbeitern bei geeignetem fachlichem Hintergrund.

Beide Wege werden bereits beschritten; es fehlt aber noch an einem skalierbaren Modell.

Zu 1. Deutschland und Europa bilden überdurchschnittlich viele Doktoranden aus, wie folgender Vergleich verdeutlicht: In Deutschland, Großbritannien, Frankreich und Spanien schließen etwa so viele Doktoranden pro Jahr ab wie in den USA (um die 70.000), jedoch ist die Wirtschafsleistung nur etwa halb so groß und auch die Bevölkerung deutlich kleiner (260 Mio. zu 330 Mio.). In Deutschland promovieren jedes Jahr etwa 30.000 junge Menschen, davon sind rund 60% MINT-Promotionen, mit einem steigenden Frauenanteil (nur in den Ingenieurwissenschaften ist die Verteilung mit 80/20 noch sehr ungleich).

Auf einer „Science to Data Science“-Tour durch deutsche Universitätsstädte verschaffe ich mir zurzeit einen Überblick. Erste Daten deuten darauf hin, dass Doktoranden in großer Zahl (d.h. einige Tausend) über die Karrierechancen in Data Science und Künstlicher Intelligenz nachdenken und auch prinzipiell die notwendigen Voraussetzungen mitbringen. Jedoch klappt der „Lückenschluss“ zwischen Promotion und Industrie im Bereich KI und Data Science derzeit eher nur vereinzelt und zufällig.

Es gibt einige Gründe, die den „Lückenschluss“ verhindern; so etwa, dass a) Kandidat/inn/en nicht wissen, wie sie ihre Fähigkeiten an die Industrie bringen; b) auch der Abschluss mehrerer Online­kurse oft noch nicht zu einer Anstellung führt; c) die Industrie nicht weiß, wo die Talente zu finden sind und wie sie für einen Einstieg vorbereitet werden müssen; und d) die Hochschulen keine berufsorientierte Weiterbildung anbieten können oder wollen.

Zu 2. Deutsche Unternehmen investieren in die Onlineweiterbildung und dabei ist Sebastian Thruns Udacity oft der bevorzugte Partner, z.B. für Bertelsmann (15.000 Stipendien für Data-Science-Kurse), oder BMW, Bosch und Daimler (Kooperationspartner für den Kurs „self-driving car engineer“).

Meine eigenen Recherchen und Nachfragen haben ergeben, dass insbesondere in der Autoindustrie (auch bei den Zulieferern) eine Vielzahl von Mitarbeitern Onlinekurse belegt und auch abschließt. Dabei kommt es immer häufiger vor, dass das Unternehmen die Kursgebühren übernimmt, Lerngruppenbildung ermutigt und auch Lernen während der Arbeitszeit ermöglicht. Soweit mir bekannt, schaffen einzelne Mitarbeiter den Umstieg zu Data Science oder KI.

Jedoch habe ich kein Beispiel vor Augen für eine systematische firmeninterne Umschulung („Upskilling“). Es gab Überlegungen zur Verzahnung von Online­kursen mit Präsenztraining und langfristigem Mentoring für die Autoindustrie, und ich war daran beteiligt, aber ein tragfähiges Modell ist nicht entstanden. Die folgenden Gründe kann ich benennen: a) Mitarbeiter/innen systematisch über Monate für die Weiterbildung freizustellen scheint schwierig und die deutschen Gepflogenheiten zur Weiterbildung (z.B. mit einem Anspruch von 10 Tagen in 2 Jahren) helfen nicht; b) die Vorqualifizierung und Auswahl geeigneter Kandidaten scheint bisher zu aufwendig; c) es fehlt wohl auch des Öfteren ein Plan, was mit den neu qualifizierten Mitarbeitern kurzfristig sinnvoll zu erreichen wäre.

Zusammenfassend lässt sich beobachten: Doktoranden und Postdocs erreichen den Lückenschluss bisher am besten auf eigene Initiative, wobei Online­kurse üblicherweise nicht ausreichen und Bootcamps sehr teuer sind, so dass die Zahl der qualifizierten Talente klein bleibt. In der Industrie ist ebenso Eigeninitiative gefragt, und mit Hilfe von Lerngruppen und Onlinekursen gelingt in der Autoindustrie einigen Hundert Mitarbeitern ein Einstieg in das Thema Data Science und KI. In diesem Format ist es aber unwahrscheinlich, dass dies nachhaltig die Wettbewerbsfähigkeit der Unternehmen befördert.

    Über den Autor

    Dr. Chris Armbruster

    Dr. Chris Armbruster ist Direktor des Data Science Retreat, Berlin. Seit Anfang 2018 läuft seine Kampagne 10.000 Data Scientists for Europe mit dem Ziel, binnen fünf Jahren mindestens 10.000 zusätzliche Talente zu finden und für einen qualifizierten Einstieg in die KI-getriebene Produktentwicklung zu trainieren.

    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.