Zurück

Crafting AI: Spannung zwischen Data-Science-Handwerk und Management-Erwartung

Data Scientists sind die Macher der KI-Anwendungen. Viele Data-Science- und KI-Projekte in Unternehmen scheitern aber, oder liefern nicht den erwarteten Benefit – Frustration programmiert.

Wir gehen den Herausforderungen von KI-Projekten in der Praxis auf den Grund und haben in > 100 Interviews eine Erklärung gefunden: Die Spannung zwischen der mechanistisch-technischen Erwartung an und dem handwerklichen Charakter der KI-Arbeit.

Wir beschreiben 15 Taktiken für das Management von Data-Science-Projekten, um Data Scientists, Entwicklern, ML-Engineers und anderen Berufen im KI-Umfeld bei ihrem Selbstverständnis und dem Erwartungsmanagement zu helfen.

Vorkenntnisse

Keine technischen Vorkenntnisse nötig. Hilfreich sind erste Erfahrungen mit Data-Science-, Analytics- oder KI-Projekten aus Management, Fachbereich, IT oder Entwicklung. Geeignet für alle, die KI-Vorhaben planen, begleiten oder verantworten.

Lernziele

Die Teilnehmenden verstehen, weshalb Data-Science- und KI-Projekte häufig scheitern.
Sie können das Spannungsfeld zwischen Management-Erwartung und technischer Realität mit den Konzepten strukturieren und analysieren.
Die Teilnehmenden können praxistaugliche Management- und Kommunikationstaktiken für erfolgreichere KI-Projekte anwenden.

Speaker

Konstantin Hopf erforscht als Leiter des Lehrstuhls für Wirtschaftsinformatik, insbesondere Business Analytics, an der TU Chemnitz, wie Unternehmen Data-Science-Methoden und KI gewinnbringend einsetzen können. Seine Erkenntnisse zum Management von KI-Projekten und zum Berufsstand von Data Scientists wurden mehrfach mit Forschungspreisen ausgezeichnet.
LinkedIn

Deniz Oruç Çelik ist wissenschaftlicher Mitarbeiter am Lehrstuhl für Wirtschaftsinformatik, insb. Business Analytics der TU Chemnitz. Nach seinem Masterabschluss in Politikwissenschaften mit dem Schwerpunkt auf Computational Social Sciences (Univ. Bamberg) erforscht er den Data-Science-Berufsstand.
LinkedIn