Künstliche Intelligenz - 10 Überlegungen zur Skalierung der Aus- und Weiterbildung in der Industrie und an Hochschulen

Mit seiner Initiative 10.000 Data Scientists for Europe plant Dr. Chris Armbruster, Spezialist(inn)en für Künstliche Intelligenz zu rekrutieren. Für das Hochschulforum Digitalisierung hat er 10 Überlegungen zu der Expansion der Weiterbildung erarbeitet.

Künstliche Intelligenz ist in aller Munde, und das zu Recht: Autonome Autos, autonome LKW und autonome Drohnen sind bereits erfolgreich unterwegs. Doch das ist erst der Anfang, denn der weltweite industrielle Einsatz in vielen Bereichen steht bevor, von der Gesundheit bis zu den Finanzen. Oft wird angenommen, dass Automatisierung Angestellte bedroht. Jedoch ist die absolute Zahl der Beschäftigten weltweit in den letzten hundert Jahren immer gestiegen, auch wegen der durch Automatisierung erzielten Produktivitätsgewinne. Mehr noch, für die Künstliche Intelligenz fehlt es an Talenten wie Spezialisten und damit auch an Verständnis für diese Technologie.

Die Data-Specialists von morgen? Bild: [https://unsplash.com/photos/ourQHRTE2IM Alex Kotliarskyi]

1. Der Mangel an Spezialisten

Die New York Times recherchierte, dass es weltweit nur etwa 10.000 KI-Experten gibt, welche neue Projekte initiieren und leiten können. Die Einschätzung stammt von Element AI, einem hochrangigen Netzwerk, welches kürzlich über $100M Frühphasenfinanzierung erhielt. Das Tencent Research Institute beziffert die Zahl der KI-Talente auf insgesamt 300.000, wovon etwa 100.000 an Universitäten sind. Die Zahl der Absolventen wird weltweit auf jährlich 20.000 geschätzt.

2. Der fehlende Nachwuchs

Das Wettrennen um ‚AI-driven products’ führt zum Abwerben von Professor/inn/en wie Doktorand/inn/en. Der spektakulärste Fall war als Uber auf einen Schlag 40 Forscher der Carnegie-Mellon-Universität übernahm und damit eines der führenden Institute aushöhlte. Dies und viele weitere Fälle, auch in Deutschland, schränken die Nachwuchsausbildung stark ein. Zusätzlich erschwerend kommt hinzu, dass auch die an den Hochschulen verbleibenden Experten oft nur teilweise zur Verfügung stehen wegen zusätzlicher Engagements in der Industrie.

3. Der Zeitdruck

Wie am Beispiel Autonome Mobilität ersichtlich, können sich die Parameter einer ganzen Industrie in weniger als 10 Jahren grundlegend ändern. Dies beutet, dass die Zeit für grundlegende Bildungsreformen oder den Aufbau neuer Angebote nicht ausreicht. Deswegen haben viele deutsche Automobilfirmen sowie Zulieferer ihren Angestellten die Möglichkeit eingeräumt, zum Beispiel auf Udacity sich zum ‚self-driving car engineer’ weiterzubilden.

Künstliche Intelligenz entlastet die Industrie. Bild: [https://unsplash.com/photos/aiyBwbrWWlo Kevin]

4. Die Chance der Weiterbildung

Die letzten fünf Jahre haben gezeigt, dass eine Kombination aus Online-Kursen sowie ‚Bootcamps’ für Fachspezialisten mit MINT Ausbildung in nur 400-600 Stunden (das sind 3-4 Monate maximal) einen qualifizierten Einstieg ermöglichen in Künstliche Intelligenz und Machine Learning. Mitarbeiter/innen von Firmen, die ein Sabbatical gewähren, oder auch Doktoranden und Postdocs haben die Chance berufsbegleitend diesen Einstieg zu schaffen.

5. Gesucht wird ein skalierbares Weiterbildungsmodell

Wenn Deutschland mehr Talente wie Experten braucht, so ist dennoch unklar, welches Modell der Weiterbildung skalierbar, d.h. nachhaltig erfolgreich ist. Bei Online Kursen ist bekannt, dass auch der Abschluss mehrerer Kurse mit Zertifikat meist noch keinen ‚produktionsfertigen’ Spezialisten macht. Die Bootcamps sind für Teilnehmer typischerweise mit einer Jobgarantie verbunden, sind aber für den Einzelnen oft zu teuer (€10.000 Kursgebühr und mehr im Voraus). Master Studiengänge sind sehr lang (bis zu 2 Jahre), oft Voraussetzungsvoll (wenn z. B. am Fachbereich Mathematik angegliedert), und daher als Weiterbildung nur begrenzt geeignet.

6. Skalierung misst sich an Teilnehmer- plus Industrieerfolg

Sprechen wir von Skalierung, so misst sich der Erfolg nicht primär am Abschluss der Weiterbildung (Zertifikat), sondern vielmehr an: a) Anzahl der Teilnehmer in Festanstellung im Bereich Künstliche Intelligenz, b) dem gemessenen Mehrwert im Unternehmen, und c) der Anzahl der (neuen) Gründer/innen und Neugründungen. Im Ergebnis fördert dies die Beschleunigung von Innovation, welche im globalen Wettlauf zwischen USA, China, Indien und der EU unverzichtbar geworden ist.

7. Der weitere Kontext der Aus- und Weiterbildung für Künstliche Intelligenz

Das kommende ‚Machine Teaching’ (Microsoft Research) für alle intelligenten Maschinen bedeutet, dass Millionen neuer Jobs in der Industrie entstehen werden. Dafür muss die Weiterbildung in alle Hochschulstudiengänge und betriebliche Weiterbildungen integriert werden muss.

Lernen mit Maschinen. Bild: [https://unsplash.com/photos/0E_vhMVqL9g Andy Kelly]

8. Testen und Vergleichen der Weiterbildungsmodelle

Wir brauchen die Förderung des Wettbewerbes sowie der Kooperation der Weiterbildungsmodelle, d.h. Online Kurse, Hochschulen, Bootcamps, und auch andere Anbieter. Teilnehmer der Weiterbildungen, die Industrie und auch die Politik müssen dringend verstehen, wie und wie gut die verschiedenen Modelle funktionieren.

9. Wettbewerb und Begutachtung 2018

Der Wettbewerb und eine vergleichende Begutachtung könnten sofort starten (siehe These 2), z. B. durch eine Ausschreibung von Fördermitteln für Konzepte zur Skalierung von Weiterbildung. Sowohl im nationalen wie internationalen Kontext bedarf es besser Angebote für Studierende, Talente, und Spezialisten. Das messbare Ziel (siehe These 6) sollte fix sein, der Weg aber offen und frei definierbar. Wenn die Projekte spätestens Januar 2019 starten sollen, muss die Ausschreibung im August 2018 beendet sein.

10. Erste Ergebnisse 2019

Erste Ergebnisse vor Ende 2019 sind machbar. Wenn 400 Stunden oder 3 Monate (siehe These 4) ausreichend sein können für Fachspezialisten, so müssen die Projekt in der Antragsstellung darlegen, wie sie im Laufe des Jahres 2019 erste Ergebnisse mess- und sichtbar machen.

CC-BY-SA LogoDieser Text steht unter der Lizenz Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International - CC BY-SA 4.0. Bitte nennen Sie bei einer möglichen Nachnutzung den angegebenen Autorennamen sowie als Quelle das Hochschulforum Digitalisierung.

Kommentare

Chris Armbruster

Der 'Science to Data Science' Workshop in Heidelberg am 19. März hat mehr als 100 Teilnehmer. https://www.eventbrite.de/e/science-to-data-science-phds-leaving-for-ind...