NextLytics Blog

Wie Sie ein erfolgreiches Machine Learning Team zusammenstellen

Geschrieben von Luise Wiesalla | 06.05.2021 07:30:00

In einem gelungenen Machine Learning Projekt gilt es neben dem berühmten Data Scientist verschiedene Rollen mit eigener Spezialisierung zu besetzen. Damit Sie den Überblick behalten, wer mit in das Machine Learning Team gehört, möchten wir ihnen in diesem Artikel die Rollen sowie deren Kompetenzbereiche näher vorstellen.

Domain Experte - Fachexperte

Als Fachmann für die Anwendung bringt der Domain Expert viel Wissen rund um die Projektziele ein. Er spezifiziert die Anforderungen und sorgt für den Kontext der Daten und Ergebnisse. Durch das umfangreiche Fachwissen über die Prozesse und das zugrundeliegende Problem, kann er die Sinnhaftigkeit des Modelles einschätzen. Als Kernkompetenzen sollte der Domain Expert spezifisches Fachbereichswissen und Kenntnisse über die internen Abläufe mitbringen. Eine gute Kommunikationsfähigkeit und ein Interesse an den technischen und statistischen Themen ist ebenfalls unabdingbar.

Diese ermöglicht es Ihm, optimal zum Projekt beizutragen. So kann er die anderen Projektmitglieder über bestehende Zusammenhänge informieren und somit redundante Analysen vermeiden. Im Projektverlauf sorgt er durch anhaltendes Feedback dafür, dass die Machine Learning Lösung bedarfsgerecht gestaltet wird. 

Data Engineer - Bereitstellung der Daten

Damit die Daten am richtigen Ort, in der richtigen Qualität und Form landen, gibt es die Projektrolle des Data Engineers. Der Data Engineer stellt dem Data Scientist die Daten für die Exploration zur Verfügung. Er ist zuständig für die Bereinigung der Daten und Administration der Datenbanken und das Zusammenführen der verschiedenen Datenquellen. Der wesentliche Teil des Machine Learnings Projektes beschäftigt sich mit dem Verfügbarmachen der Daten, weshalb mit steigender Projektgröße die Anzahl der Data Engineers als erstes wächst. 

Da seine Ergebnisse das Datenmodell formen und somit direkt in das Modell fließen, sind nachträgliche Änderungen und aufwendige Ergänzungen ein Hauptgrund für Verzögerungen im Projekt. Mit geänderten Merkmalen muss die komplette Modellerstellung wiederholt werden. Dieser Einfluss sollte auch in einer iterativen Modellentwicklung nicht unterschätzt werden. 

Für eine passende Besetzung sollte Spezialwissen im Bereich Datenbanken und falls benötigt Big Data bereitstehen. Die programmiertechnische Umsetzung der Datenzusammenführung und -bereinigung sollte ebenfalls durch das Kompetenzprofil abgedeckt sein.

So kurbeln Sie Ihr Business durch Künstliche Intelligenz und Machine Learning an

 

Data Scientist - Entwicklung des ML-Modells

Ausgestattet mit einem intuitiven Datenverständnis und hervorragenden Methodenkompetenzen begibt sich der Data Scientist an den ersten Entwurf des Modells und somit des Prototyps. Im Vorfeld übernimmt er die Erkunden der Daten (Data Exploration) und gewinnt dabei Erkenntnisse welche Merkmale voraussichtlich gewinnbringend für das Modell sind. Durch geschickte Visualisierung werden dabei wichtige Zusammenhänge in den Daten entschlüsselt. Im weiteren Projektverlauf dient der Data Scientist als Allrounder, der die anderen Mitglieder des Machine Learning Teams unterstützt. Besonders ein enger Kontakt zu den Domain Expert wirkt sich oft sehr positiv auf das Projektergebnis aus.

Die Kompetenzen eines Data Scientist sind eine Mischung aus Statistik und Programmierung mit dem Fokus auf typische Data Science Framework, welche open-source oder proprietär sein können. 

Machine Learning Engineer - Produktivsetzung des Modells

Die Bereitstellung der Endanwendung für ihre Nutzer ist die Aufgabe des Machine Learning Engineers. Er optimiert das ML-Modell und dessen Performance und implementiert es für einen nachhaltigen Nutzen in ein Produktivsystem. In der Planung der Systemarchitektur schöpft er aus seinem Erfahrungsschatz und automatisiert notwendige Prozessschritte.

Die ideale Besetzung für die Rolle hat bereits Erfahrung mit dem Deployment und Betrieb von Machine Learning Anwendungen und bringt insbesondere Spezialkenntnisse im Bereich DevOps/ML Ops mit.

Selbstverständlich müssen nicht alle Rollen von verschiedenen Personen abgedeckt werden, jedoch sollten die Aufgabenbereiche und Kompetenzen umfassend eingeplant werden, um einen produktiven Mehrwert aus dem Machine Learning Modell zu ziehen. Falls das Team schon steht und Sie sich noch nach passenden Projektideen umschauen, werfen Sie gerne einen Blick in unser Whitepaper.

Machine Learning Teamarbeit

3 Tipps für die erfolgreiche Teamzusammenstellung

Abschließend möchten wir Ihnen mit den folgenden Tipps die Besetzung des Machine Learning Teams erleichtern:

  • Binden Sie ihre Business Intelligence Abteilung ein

Da die BI-Abteilung Entscheidungsprozesse bereits aktiv unterstützt, kann diese vor allem in der Einstiegsphase in das Machine Learning Projektmitglieder stellen. Je nach Kompetenzprofil ist die Rolle des Data Scientist oder des Machine Learning Engineers von der Abteilung abzudecken. Der Aufbau notwendiger Kompetenzen in ersten Projekten kann zu einer Angebotserweiterung um Data- und Machine-Learning-Services führen. Das Reporting und die Visualisierung der Machine Learning Ergebnisse kann zunächst im bekannten SAP BW Umfeld stattfinden.

  • Setzen Sie bei kleinen Projekte einen Fokus auf die Produktivsetzung

Gerade in kleineren Projekten, in denen nicht jede Rolle besetzt werden kann, ist es wichtig die Teamaufstellung nicht nur auf  Kompetenzen in der Datenanalyse zu konzentrieren. Praxiserfahrungen im Software Engineering sind für die reibungslose Implementierung des ML-Systems zwingend notwendig. Ein ausbaufähiges Modell mit eigener ML-Pipeline kann im nachhinein leicht optimiert werden, während ein gutes Modell ohne Implementierung keinen nachhaltigen Nutzen erzielt.

  • Das Team hört nicht bei den Mitgliedern auf

Bevorzugen Sie Personen mit breiten Netzwerk oder machen Sie das Team mit wichtigen Schnittstellen im Rahmen eines Kick-Off-Meetings vertraut. Das sorgt nicht nur für einen effizienten Projektablauf, der Austausch fördert auch die Offenheit und Akzeptanz der Machine Learning Anwendung im Unternehmen. 

Wenn Sie Unterstützung bei der Planung und Ausführung von Machine Learning Projekten benötigen, sprechen Sie uns gerne an. Unsere Beratern besitzen unterschiedlichen Schwerpunkten und ergänzen ihr Projektteam mit den gewünschten Kompetenzen.