#arbeitend
Michael Henninger
Leiter Data Science Weiterbildung | Hochschule für Technik FHNW
Die Vorstellung ist äusserst verlockend: Mit Hilfe von künstlicher Intelligenz kristallisieren sich automatisch und kostengünstig betriebswirtschaftlich relevante Erkenntnisse aus den bestehenden Daten heraus, die dann gewinnbringend eingesetzt werden können. Die Nachfrage nach Data Science Knowhow ist riesig; ebenso die Masse an verfügbaren Kursen. Viele dieser Kurse verfolgen das Ziel, für gegebene Anwendungsfälle die besten Vorhersagen zu treffen. Ein Modell, das gute Vorhersagen macht, ist jedoch nur die halbe Miete.
Ein häufig vernachlässigter Aspekt ist, dass diese Modelle für die Vorhersagen operativ betrieben und somit in die bestehende Infrastruktur eingebunden werden müssen. Bevor dazu Entscheidungen bezüglich Umsetzungen und Technologien getroffen werden, müssen die Anforderungen an die Infrastruktur und die Applikation wie auch rechtliche und betriebliche Rahmenbedingungen berücksichtigt werden. Im Normalfall wird eine permanente Verfügbarkeit der Modelle erwartet, um Ausfälle der Dienstleistungen zu vermeiden. Ein redundanter Betrieb ermöglicht dies, und weiter auch, verschiedene Modelle in der Praxis einander gegenüberzustellen oder ein neues Modell unterbruchsfrei einzubinden. Neben dieser Redundanz ist auch die Überwachung der Daten, Vorhersagen und Infrastruktur ein wichtiger Bestandteil. Die Vorhersagequalität eines einmalig trainierten Modells wird schlechter, wenn sich die Datenlage über die Zeit ändert. Dashboards und Deskriptive Statistik helfen dabei, die Eigenschaften der Daten zu überwachen und das Verständnis für die Daten zu schärfen. Um neue Modelle zu trainieren oder weitere betriebsrelevante Erkenntnisse aus den Daten zu gewinnen, ist es von Vorteil, wenn die Daten einfach verfügbar abgespeichert sind. Bei einer zentralisierten Daten-Infrastruktur gelangen die Daten von verschiedenen Datenquellen in die zentrale Datenbank oder das Data Warehouse. Zudem ermöglicht eine hoch verfügbare Daten-Infrastruktur die Echtzeit-Verarbeitung von Daten und kommt auch mit grossen Datenmengen spielend zurecht. Um Probleme frühzeitig zu erkennen, ist ein gutes Monitoring der kompletten Infrastruktur unerlässlich.
Die FHNW bietet mit ihrem Weiterbildungslehrgang CAS Data Engineering die Möglichkeit, sich das Wissen für die Operationalisierung von Data Science und den Aufbau und Betrieb einer Daten-Infrastruktur praxisorientiert anzueignen. Das konzeptionelle Verständnis und die praktische Anwendung stehen dabei im Zentrum. Der Grossteil der Dozierenden dieses Weiterbildungslehrgangs kommt aus der Privatwirtschaft und beschäftigt sich täglich intensiv mit Daten-Infrastrukturen und Data Science. Dies ermöglicht, dass der Unterricht nicht nur reine Wissensvermittlung beinhaltet, sondern auch spannende Einblicke in verschiedene Praxisanwendungen und Diskussionen zu individuellen Anwendungsfällen bietet.
Das Institut für Data Science der FHNW setzt seit vielen Jahren Data Science-Projekte zusammen mit Partnern aus der Industrie und Wissenschaft erfolgreich um. Um der steigenden Nachfrage nach Data Science Weiterbildungsmöglichkeiten gerecht zu werden, wurde das Angebot in den letzten Jahren stark ausgebaut. Neben dem CAS Data Engineering werden noch weitere Data Science Weiterbildungslehrgänge angeboten:
Die oben aufgeführte Abbildung 1 liefert eine Übersicht, wie die Weiterbildungslehrgänge zusammenhängen und aufgebaut sind. Bei den Fachvertiefungsmodulen handelt es sich um Module im Umfang von 1.5 – 3 ECTS, die sich intensiv mit einem Thema befassen.
Um mehr Informationen zu unserer Data Science Weiterbildung zu erhalten, haben Sie folgende Möglichkeiten:
