Kompetenzfeld: Artificial Intelligence und Business Intelligence
Im Kompetenzfeld Artificial Intelligence und Business Intelligence (AIBI) beschäftigen wir uns mit allen Methoden, Technologien und Arbeitsweisen rund um AI und BI. Neben analytischen Verfahren wie z.B. Machine Learning beinhaltet dies auch Methoden und Technologien zur Datenaufbereitung, zur Darstellung von Analyseergebnissen und zur Operationalisierung in Cloud- oder On-Premises-Systemen. Data Story Telling oder Möglichkeiten der effektiven Zusammenarbeit in analytischen Projekten sind Beispiele für Arbeitsweisen, mit denen wir uns im Kompetenzfeld beschäftigen.
Je nach individuellem Schwerpunkt unterstützen wir aktuell HMS-Mitarbeiter in der Weiterbildung zu Methoden wie Text Mining, Anomalie-Erkennung, Visualisierung und Datenmodellierung sowie Technologien wie Python, R und Dataiku. Für eine reibungslose Organisation der Projekte sorgt außerdem unser Themenschwerpunkt auf Arbeitsweisen in analytischen Projekten, z.B. mit ML-Ops oder Data-Science-Workflow-Modellen.
Wir orientieren uns am Markt und dem in Kundenprojekten nachgefragten Know-how, um zukunftsorientierte Kompetenzziele zu definieren.
Jeder bei HMS ist willkommen, bei uns mitzumachen!
Auszug der Mitarbeitenden
Dr. Dorothee Childs
Senior Data Scientist
Roland Mannshardt
Senior Software Ingenieur
Darius Fischer
Data Scientist
Fabian Kaiser
Data Scientist
Strategische Wissensziele
- Unterstützung der HMS-Mitarbeiter beim Wissensaufbau zu grundlegenden AI-/BI-Themen durch Ausbildungsreihen (z. B. Python Know-how, ML-Algorithmen).
- Kontinuierlicher Wissensausbau zu Konzepten von Datenhaltungsformen und Tools für Data-Pipelining.
- Aufbau von methodischem Wissen sowie tiefgehendem Verständnis zu ML-Algorithmen und deren praktische Anwendung in Kundenprojekten.
Durch unsere Ausbildungsreihen bieten wir eine gute Basis für den Einstieg in spannende Themen. Wir erarbeiten moderne und projektrelevante Inhalte gemeinsam um Spezialisten der Branchen zu werden. Zusammen stellen wir sicher, dass die erarbeitete Theorie im richtigen Projekthafen landet und dort sicher entladen wird.
Markward spricht über die Arbeit im Kompetenzfeld
Position: Senior Data Scientist
Bei HMS seit: 2016
Tätigkeitsfeld: Machine Learning, MLOps, Zeitreihen
Wieso machst du beim Kompetenzfeld mit?
Als Senior Data Scientist ist AI selbstverständlich ein zentraler Bestandteil meiner Arbeit. Dabei ist es einfach sehr wichtig thematisch stets weiterzukommen und auf dem Laufenden zu bleiben. Das Kompetenzfeld bietet hierfür einige wichtige Möglichkeiten wie Vorträge und eigenständige Themenarbeit.
Welche Themen bearbeitest du im Kompetenzfeld?
In den letzten Jahren habe ich mich durch meine Projektarbeit hauptsächlich auf Zeitreihenvorhersagen spezialisiert. Dabei bearbeite ich sowohl technische Themen wie die Umsetzung in bestimmten Programmiersprachen oder Tools als auch algorithmische Themen wie Deep Learning. Kürzlich war ich auf einer Konferenz zur Anwendung von AI in der industriellen Produktion, was auch durch das Kompetenzfeld unterstützt wird. Außerdem beteilige ich mich an unserer Ausbildungsreihe zum Thema Machine Learning.
Wie bringt dich die Arbeit im Kompetenzfeld weiter?
In meiner Arbeit für das Kompetenzfeld kann ich meine Spezialisierung aus den Projekten nehmen und noch weiter vertiefen oder verbreitern. Dieses Wissen trage ich dann in bestehende oder zukünftige Projekte. Wenn ich selbst Vorträge vorbereite und halte, sei es aus meiner Themen- oder Projektarbeit, von Konferenzen oder für die Ausbildungsreihe, bringt das allen Beteiligten etwas.
Was gefällt dir besonders an der Arbeit im Kompetenzfeld?
Wir haben regelmäßig gute Vorträge zu spannenden Themen, längere Wissenszirkel, um Themen in der Tiefe zu beleuchten oder kürzere Cafés als Überblicksvorträge. Abgesehen von den Themen sind natürlich die kompetenten, neugierigen und engagierten Kollegen wichtig.
Beispiele für Wissenszirkel
Hier wurde die Cloud-Datenbank Snowflake für Data Warehouses vorgestellt und die Gemeinsamkeiten und Unterschiede zu anderen Cloud-Datenbanken aufgezeigt. Darüber hinaus war das Datenhaltungs-Konzept der „Data Meshes“ und wie sich dieses Konzept mit der Snowflake-DB umsetzen ließe ein spannendes Thema dieses Wissenszirkels.
Theorie: Attention Mechanism in Deep Learning, Praxis: Wie nutzt man Transformer? Beispiele und Erfahrungen über was geht und was geht nicht gut, wurden miteinander geteilt.
Anwendungsfälle von Anomalie-Erkennung aus der Projekterfahrung und von Konferenzberichten wurden zusammengefasst und präsentiert.
Neben der klassischen Zeitreihenmodellierung wurde Deep Learning auf Zeitreihen vorgestellt. Neben der Theorie wurde auch eine Demo in R gezeigt und die Projekterfahrung vorgestellt, wo Zeitreihenanalyse in der Industrie eine Anwendung findet.
