Herr Borgelt, Sie sind seit Herbst 2018 in Salzburg Professor für Data Science. Was finden Sie an Salzburg und ihrem Aufgabengebiet so spannend?
Ich fand die Möglichkeit, in Salzburg den Studiengang Data Science mitaufzubauen, von Anfang an spannend. Denn eigentlich wird im Bereich der Data-Science-Ausbildung noch zu wenig gemacht. Das Thema ist derzeit sehr aktuell, auch bei Unternehmen. Dabei gab es schon Mitte der 90er-Jahre erste interessante Arbeiten zu dieser Thematik. Damals hieß es noch Data Mining, aber es hat etwas länger gedauert, bis es auch in der Industrie stärker wahrgenommen wurde. Ich glaube, jetzt kommt so richtig der Schub, dass die Unternehmen merken, wie viel noch zu tun ist. Und dann ist es wichtig, dass man dafür entsprechend Leute ausbildet.
Salzburg hat mit dem Data-Science-Studiengang angefangen, in diese Lücke zu stoßen, und das anzubieten, was in der Industrie dann auch gebraucht wird. Meine Forschung passt hier auch gut hin und beschäftigt sich mit Themen, die in Salzburg noch nicht abgedeckt waren – das Finden häufiger Muster zum Beispiel ist eines meiner Spezialgebiete. Außerdem habe ich mich speziell mit der Lehre über künstliche neuronale Netze beschäftigt. Dieser Bereich des Deep Learning ist ja auch etwas, das zurzeit sehr en vogue ist.
Können Sie Deep Learning noch etwas näher erklären?
Deep Learning ist das Training „tiefer“ (viele Schichten umfassender) künstlicher neuronaler Netze, die der Struktur und Funktionsweise biologischer Gehirne und Zentralnervensysteme nachempfunden sind. Durch solche Netze ist es in den vergangenen Jahren gelungen, erhebliche Fortschritte bei der Objekterkennung auf Bildern zu machen. Das ist zum Beispiel für die Entwicklung selbstfahrender Autos entscheidend oder auch für komplizierte Spiele wie Go (Anm.: strategisches Brettspiel aus China) und Schach, ohne manuelle Programmierung menschlichen Wissens auf einem Niveau jenseits menschlicher Möglichkeiten zu spielen. Im Data-Science-Studium in Salzburg werden Studierende an diese Technologie durch die Vorlesung „Künstliche neuronale Netze und Deep Learning“ herangeführt.
Gibt es im Data-Science-Studium individuelle Gestaltungsmöglichkeiten für die Studierenden?
Einige Grundvorlesungen sind natürlich obligatorisch, aber den Studierenden bleibt ein relativ großer Wahlbereich. Im Bereich Data Science gibt es viele Ansätze, sehr viele verschiedene Verfahren oder Richtungen, auf die man sich spezialisieren kann. Ich vertrete die Position, Probleme nicht ausschließlich mittels einer Lieblingsmethode zu lösen. Das will ich auch den Studierenden vermitteln. Jeder hat natürlich seine Spezialgebiete, aber es ist besser, problemorientiert zu arbeiten. Sich zuallererst das Problem anzusehen und dann abzuwägen, was eine geeignete Lösungsmethode sein könnte.
Auch für Unternehmen ist es wichtig, dass eine Absolventin oder ein Absolvent nicht nur bestimmte Methoden kennt und versucht, diese anzuwenden, sondern stets problemorientiert arbeitet. Deswegen ist eine Ausbildung, die die Breite des Methodenspektrums betont, so wichtig.
Zum Studiengang gehört auch ein verpflichtendes Industriepraktikum. Ist das ein Win-Win für Unternehmen und Studierende?
Ja, auf jeden Fall. Was wir normalerweise machen, ist, Unternehmen und Studierende durch eine Art Speed Dating zusammenzuführen. Vertreterinnen und Vertreter von Industrieunternehmen lernen Studierende dann bei kurzen Gesprächen kennen, eigentlich so, wie man das auch aus dem normalen Speed Dating kennt. Bei einem passenden Match kommen dann die Praktika zustande. Studierende können dort dann Erfahrungen sammeln, sehen, was in der Praxis gebraucht wird, und eventuell sogar ihr Studium darauf ausrichten. Unternehmen bekommen Kontakt zu Personen, die vielleicht irgendwann Arbeitnehmerinnen oder Arbeitnehmer in ihrem Betrieb werden. Das kommt durchaus häufig vor.