Neue Berufe im Bereich Artificial Intelligence bei Capgemini

Artificial Intelligence und Machine Learning werden aktuell ja heiß diskutiert. Wie bewertest du diesen Hype? Und inwiefern arbeiten die Capgemini-Mitarbeiter mit KI?

So manches, was in den Medien besprochen wird, sind noch technologische Fingerübungen, um aufzuzeigen, was theoretisch möglich ist. Aber es gibt schon einige greifbare Anwendungsfälle, die Ergebnisse liefern. Das sind genau die Fälle, an denen wir bei Capgemini arbeiten: Wie können wir die neuen Algorithmen für praxisrelevante Use Cases bei unseren Kunden einsetzen? Ein konkretes Beispiel: Wir nutzen künstliche Intelligenz schon heute zur Qualitätssicherung, z.B. bei Lackierprozessen von Automobil-Herstellern. Statt der zeitaufwändigen manuellen Überprüfung der Lackierung durch einen Mitarbeiter, erledigt das nun ein bildverarbeitender Algorithmus in Sekunden.

Entscheidend ist dabei übrigens nicht, die nächsten bahnbrechenden Deep-Learning-Algorithmen zu entwickeln, sondern als Erste aus diesen neuen Algorithmen messbare Business Cases für unsere Kunden zu entwickeln. Wer an so etwas arbeiten will, ist bei uns an genau der richtigen Stelle.

Welche Berufsbilder sind für das Feld künstliche Intelligenz besonders relevant?

Eine ganze Menge! Aufgrund ihrer hohen Komplexität sind KI-Aufgaben nämlich nur im Verbund zu lösen. Es braucht ein Team aus Experten, die unterschiedliches Know-how einbringen. Zu diesen relevanten Jobs gehören:

• AI-Berater/ AI-Ninjas:
  Bevor wir eine KI-Lösung entwickeln können, müssen wir zuerst das Kundenproblem verstehen; darum kümmern sich unsere Berater. Idealerweise sind das „hybride“ Berater – also Leute, die neben tiefem Branchen- und Prozessverständnis auch Data Science im Blut haben. Wer bei uns gar ein „AI-Ninja“ sein möchte, muss im Projekt beweisen können, welchen messbaren Erfolg seine Ideen bringen.
• Data Engineers:
  Sie kümmern sich um die Aggregation der Daten aus verschiedensten Quellen, ihre Aufbereitung und Bereitstellung für die Machine-Learning-Algorithmen.
• Data Scientists:
  Sie selektieren je nach Aufgabenstellung die geeigneten Machine-Learning- oder Deep-Learning-Algorithmen, trainieren sie mit den Testdaten und verfeinern sie, um spannende Anwendungen wie Spracherkennung und -erzeugung oder Video-Verarbeitung zu ermöglichen.
• Software Architekten:
  Sie setzen die entwickelten Algorithmen in eine nutzbare Anwendung um und integrieren diese in die bestehenden Geschäftsprozesse und Systeme des Kunden.
• Projektmanager:
  Die Zusammenarbeit der genannten Spezialisten muss gerade bei komplexeren Vorhaben effizient koordiniert werden – das obliegt den Projektmanagern. AI-Projekte laufen natürlich agil ab, nicht selten über Ländergrenzen hinweg, was wir „Distributed Agile“ nennen.

Schon diese kurze Aufzählung macht, glaube ich, deutlich: Künstliche Intelligenz bietet sehr anspruchsvolle und facettenreiche Arbeitsplätze für IT-Fachkräfte. Wer im Team an echten Innovationsthemen arbeiten möchte, ist hier sehr gut aufgehoben.

Wie kann ich mir als zukünftiger Mitarbeiter im Bereich KI den Ablauf eines Projektes vorstellen? Welche Rollen sind in welcher Projektphase gefragt?

Die erste Phase ist die Data Exploration. In dieser Phase sind vor allen Dingen der Berater, der Data Scientist sowie der Data Engineer gefragt. Es geht hier um die Erfassung des Problems, um das Sammeln von Kundenideen und die Definition der Use Cases. Abgeklärt werden müssen Fragen wie: Worin besteht der geschäftliche Mehrwert? Und ist das Ganze auch technisch machbar und sind die nötigen Daten vorhanden? Erst dann geht es in die zweite Phase: die Proof-of-Value-Phase.

Was zeichnet die zweite Phase aus? Was erwartet die Projektmitarbeiter hier?

In der Proof-of-Value-Phase sind involviert: Der Data Scientist, der Data Engineer, der Berater und der Projektmanager. Ziel dieser Phase ist die Validierung des Use Cases. Dazu bauen wir einen Test-Algorithmus, um herausfinden, ob aussagekräftige Ergebnisse generiert werden und ob sich der Aufwand rechnet. Im Zuge dessen finden unsere Experten auch heraus, ob die erforderlichen Daten in der benötigten Form verfügbar sind, oder wie man sie ggf. beschaffen kann. In der dritten Phase wird es dann ernst.

Was genau geschieht in der dritten Phase? Erfolgt jetzt die Umsetzung?

Richtig, jetzt müssen die gewonnenen Modelle und Einsichten in eine praktische Anwendung münden. Hier sind fast alle Mitglieder des Teams gefragt:

• Der Data Scientist muss den bisher nur vorläufigen Test-Algorithmus weiterentwickeln und perfektionieren.
• Der Data Engineer muss sich um die automatisierte Anbindung der Datenquellen kümmern.
• Empfängersysteme müssen angepasst werden, eine Aufgabe, die vom Software-Architekten übernommen wird.
• Aber auch der Berater muss bis zum Schluss am Ball bleiben, um z.B. mit dem Kunden abzuklären, welche Prozesse sich auf Fachseite verändern. Des Weiteren stimmt er ab, wie der Erfolg des Business Cases gemessen wird.
• Der Projektmanager schließlich koordiniert alle Arbeitsschritte und bereitet auch schon die Übergabe in die Betriebsphase vor.

Was passiert in dieser letzten Phase, der Betriebsphase?

In dieser Phase stellen wir – ganz ähnlich wie im klassischen Application Management – zwei Dinge sicher: Dass erstens die KI-Anwendung kontinuierlich verfügbar ist und so funktioniert wie vorgesehen, und zweitens, dass die KI-Anwendung ständig weiterentwickelt wird.

Falls sich etwa Quellsysteme ändern, werden Anpassungen bei Datenbelieferung und Schnittstellen notwendig. Oft will man auch Machine-Learning-Algorithmen in regelmäßigen Abständen neu trainieren, oder quasi in Echtzeit aktuell halten. Und wenn neue Informationen und Quellen verfügbar sind, kann ein Modell darum erweitert und so noch präziser gemacht werden.

Falls ich mich jetzt für eine Tätigkeit im Bereich KI interessiere – welche Voraussetzungen gibt es? Welche Fähigkeiten sollte ich mitbringen?

Der ideale Kandidat oder die ideale Kandidatin muss natürlich zunächst die Fachexpertise gemäß der oben geschilderten Rollen mitbringen. Darüber hinaus ist für alle übergreifend wichtig:

• Ein Grundverständnis von Machine Learning und Deep Learning.
• Erfahrung mit agiler Entwicklung und Spaß am Arbeiten in interdisziplinären, länderübergreifenden Teams, mit kurzen Entwicklungszyklen und schnellen Ergebnissen.
• Die Bereitschaft, sich in Kundenprobleme reinzudenken, und der Enthusiasmus, mit Hilfe neuester AI-Technologie dafür spannende Lösungen zu bauen. Das erfordert Lernbereitschaft und Out-of-the-Box Thinking, um kreative neue Wege gehen zu können.

Bietet Capgemini seinen Mitarbeitern spezielle Aus- und Weiterbildungen in Sachen KI an?

Selbstverständlich. Und da die Innovationszyklen hier sehr kurz sind, entwickeln wir unser Angebot an Weiterbildungen ständig weiter. Eine erste Stufe ist beispielsweise, mittels Inhouse-Webinaren bei allen Mitarbeitern ein stärkeres Bewusstsein für das Thema AI zu schaffen. Außerdem arbeiten wir gerade ein spannendes Trainingsangebot für konkrete KI-Ausbildungen aus, also für Data Scientists, Data Engineers usw.

Und natürlich spielt Training-on-the-Job eine große Rolle. So haben wir z.B. für Data Scientists unsere interne, globale „Data Science Challenge“, eine interaktive Weiterbildung für Data Scientists. Insgesamt wird, glaube ich, deutlich: Es ist uns wichtig, bei neuen Technologien immer am Puls der Zeit zu sein – und damit attraktiv für die Mitarbeiter, die wir haben wollen.

Aktuell baust du ja auch das „KI Center of Excellence“ von Capgemini mit auf. Kannst du uns abschließend dazu noch etwas verraten? Welche Ziele verfolgt Capgemini mit dem CoE?

Mit dem Center of Excellence wollen wir unsere breite KI-Expertise bei Capgemini noch stärker bündeln und für unsere Kunden nutzbar machen. Unser Ziel ist, bis Ende nächsten Jahres in alle Capgemini-Projekte eine AI-Komponente zu integrieren. Wir überlegen dazu gemeinsam, für welche Anwendungsfälle wir KI gewinnbringend einsetzen können. Schwerpunkt-Branchen sind dabei u.a. Automotive und Retail (Customer Intelligence), aber auch der Public Sector.

Wie gesagt ist uns wichtig, nicht auf der Beratungsebene stehen zu bleiben, sondern Use Cases für unsere Kunden zu entwickeln, die umsetzbar sind, skaliert werden können und einen messbaren Mehrwert erzeugen. Auch hier steht und fällt der Erfolg mit der Qualität der involvierten Mitarbeiter. Praxisorientierte Data- und KI-Spezialisten, die sich in den Kunden hineinversetzen und branchenübergreifend ungewöhnliche Lösungen entwickeln können, sind genau das, wonach wir beim CoE suchen. Wer sich hier angesprochen fühlt, sollte nicht zögern, sich an uns zu wenden.

Künstliche Intelligenz für Unternehmen nutzbar zu machen klingt nach genau der richtigen Aufgabe für Sie? Dann schauen Sie sich jetzt unser Stellenangebot im Bereich AI an, z. B. als Data Engineer. Sie erwarten aufregende Zukunftstechnologien, ein hochmotiviertes Team, spannende Projekte und ein ständig wachsendes Angebot an interessanten Weiterbildungsmöglichkeiten.