Dr. Dr. Florian Brugger Email & Phone Number

Big Data, Machine Learning und Künstliche Intelligenz (Data Science) sind General Purpose Technologies, die alle Lebensbereiche massiv verändern werden. Wobei das Gesamtpotenzial der Technologien gegenwärtig nur ansatzweise abschätzbar ist. Unternehmen investieren mittlerweile umfangreich in Data Science: dennoch scheitern viele Projekte, insbesondere im Dienstleistungsbereich. Vier Hauptursachen führen primär zum Scheitern:1) Oberflächliches Interesse an Technologie und Thema. Frei nach dem Motto ‚Die KI wird’s schon richten‘ werden viele Projekte als Schlagwortkompositionen ohne thematischen Tiefgang konstruiert. Ebenso bleibt die technologische Vielfalt im Data Science zumeist unausgeschöpft – Überfokussierung auf Deep Learning. 2) Geringe Ausrichtung auf die tatsächlichen Needs des Unternehmens – nicht jeder braucht ein Churn-Modell und einen Product Recommender. Erfolgreiche Projekte profitieren vom engen Austausch zwischen Domänenexperten und Data Scientisten. Leichter gesagt als getan: Die ‚Etablierung eines gemeinsamen Problem- und Lösungsverständnisses‘ ist zumeist der schwierigste und wichtigste Teil des Projekts.3) Übertriebene Orientierung an der Mathematik und geringe Interdisziplinarität. Vielen erfolgreichen Projekten gelingt es, Konzepte aus anderen Bereichen, wie Psychologie oder Soziologie, konsequent einzubeziehen. Besonders schwierig, aber notwendig ist dabei das gegenseitige Verständnis für die Konzepte und Technologien und ihre Limitationen. 4) Die Integration der Modelle in die Produktivumgebung wird oft kaum mitbedacht – Ignorieren der DevOps-Seite.Mein Ziel ist, die vier Hauptursachen des Scheiterns von Data-Science-Projekten zu überwinden: mit dem notwendigen Tiefgang, großer Methodenkompetenz und Kenntnisreichtum in unterschiedlichen Disziplinen. Insbesondere liegt mir daran, Konzepte und Methoden aus den Sozial- und Wirtschaftswissenschaften im Bereich des Data Science zu etablieren.