Lead Data Scientist

Die Rekrutierung eines/einer Lead Data Scientist zu steuern bedeutet zuallererst, die Rolle genau zu kennen. Sie wird hier sehr allgemein zusammengefasst und muss an Ihren konkreten Kontext angepasst werden.
(Berichtet an den Head of AI oder den Chief Data Scientist)

Der/die Lead Data Scientist ist ein technischer Experte, der auf die Entwicklung und Optimierung von Algorithmen für Data Science, Machine Learning und KI spezialisiert ist, um strukturierte und unstrukturierte Daten zu analysieren (Texte, Bilder, tabellarische Daten, Zeitreihen usw.). Die Hauptaufgabe besteht darin, algorithmische Lösungen für komplexe fachliche Probleme zu konzipieren, zu implementieren und zu industrialisieren und dabei agil mit den Produktteams zusammenzuarbeiten, die die Autorität über die Backlogs des Teams haben. Die Person leitet ein Team aus Data Scientists und ML Engineers und arbeitet eng mit den Teams aus Data Engineering und Produkt zusammen, um robuste und skalierbare Lösungen zu liefern.

Aufgaben und Verantwortlichkeiten

1. Algorithmen für Data Science entwickeln und optimieren

  • Algorithmen für Machine Learning und KI (überwacht, unüberwacht, Deep Learning) konzipieren, um verschiedene Arten von Daten zu analysieren.
  • Spezifische Lösungen für die Verarbeitung tabellarischer Daten, Zeitreihen, Texte und Bilder entwickeln.
  • Die Performance der Modelle optimieren (Genauigkeit, Rechenzeit, Skalierbarkeit).
  • Rigorose Evaluationsmethoden implementieren, um die Qualität der Algorithmen zu validieren.

2. Algorithmische Lösungen industrialisieren

  • Mit den Data-Engineering-Teams zusammenarbeiten, um die Algorithmen in Produktionspipelines zu integrieren.
  • MLOps-Lösungen für Deployment und Monitoring der Modelle entwickeln.
  • Die Prozesse für Validierung und Tests der Algorithmen automatisieren.
  • Die algorithmischen Lösungen und ihre Use Cases dokumentieren.

3. Agil mit den Produktteams zusammenarbeiten

  • Eng mit den Product Ownern zusammenarbeiten, die die Backlogs des Teams verwalten.
  • Fachliche Anforderungen in algorithmische Lösungen übersetzen.
  • An den agilen Ritualen teilnehmen (Sprint Planning, Reviews, Retrospektiven).
  • Die algorithmischen Entwicklungen auf die Produktprioritäten abstimmen.

4. Das technische Team anleiten und weiterentwickeln

  • Die Data Scientists und ML Engineers des Teams als Mentor begleiten.
  • Best Practices in der Entwicklung von Algorithmen fördern.
  • Schulungen zu neuen Data-Science-Techniken organisieren.
  • Die technischen Kompetenzen bewerten und Entwicklungspläne vorschlagen.

5. Qualität und Ethik der Lösungen gewährleisten

  • Validierungsmethoden implementieren, um die Qualität der Modelle zu bewerten.
  • Mögliche Bias in den Algorithmen identifizieren und mindern.
  • Die Einhaltung der Vorschriften sicherstellen (DSGVO, KI-Ethik).
  • Entwicklungsprozesse dokumentieren, um Nachvollziehbarkeit zu gewährleisten.

6. Innovieren und technologische Fortschritte beobachten

  • Die neuesten Fortschritte in Data Science und Machine Learning verfolgen.
  • Neue algorithmische Ansätze bewerten (GenAI, neue Modelle usw.).
  • PoCs (Proof of Concept) steuern, um innovative Lösungen zu testen.
  • An Konferenzen und Veranstaltungen teilnehmen, um auf dem aktuellen Stand zu bleiben.

Beispiele für konkrete Umsetzungen

  • Entwicklung eines Prognosealgorithmus auf Basis von Zeitreihen, der die Genauigkeit der Vorhersagen um 25 % verbesserte.
  • Implementierung eines Klassifikationsmodells zur Analyse tabellarischer Daten, das die Fehler um 30 % reduzierte.
  • Aufbau eines Empfehlungssystems auf Basis von Collaborative-Filtering-Algorithmen, das das Nutzerengagement um 20 % steigerte.
  • Optimierung einer Datenverarbeitungspipeline, um die Rechenzeiten um 40 % zu verkürzen.
  • Entwicklung eines Modells zur Anomalieerkennung für die Analyse von Echtzeitdaten, das die Erkennungsrate um 35 % verbesserte.

Erforderliche Kompetenzen und Eigenschaften

  • Technische Expertise in ML-/KI-Algorithmen (überwacht, unüberwacht, Deep Learning).
  • Beherrschung der Sprachen und Frameworks (Python, R, TensorFlow, PyTorch, scikit-learn).
  • Erfahrung mit MLOps-Pipelines und Data-Engineering-Tools.
  • Fähigkeit zur agilen Zusammenarbeit mit den Produktteams.
  • Sensibilität für ethische Fragen und die Qualität von Modellen.
  • Neugier auf technologische Innovationen in der Data Science.