Wie Tools für maschinelles Lernen und Low-Code/No-Code beim IT-Fachkräfte-Mangel helfen

Die Ergebnisse einer kürzlich von Quanthub veröffentlichten Studie zeigen, dass bereits im Jahr 2020 weltweit 250.000 Data Scientists fehlten. Außerdem bleiben Data Scientists im Durchschnitt nur 2,6 Jahre im Unternehmen. Angesichts der monatelangen Einarbeitung und Lernprozesse bleibt ihnen nicht viel Zeit, um Projekte des maschinellen Lernens (ML) von der Konzeption bis hin zur Produktion zu begleiten.

Generell gibt es in Unternehmen sehr viel mehr Möglichkeiten für datengesteuerte Entscheidungsfindung als ausgebildete und qualifizierte Data Scientists und Data Engineers für ML, um diese zu verwalten. Low-Code-/No-Code-Produkte bieten eine Möglichkeit für sogenannte „Citizen Data Scientists“ durch ihren Beitrag zu dieser datengesteuerten Entscheidungsfindung geschäftliche Auswirkungen zu erzielen. Bei Citizen Data Scientists handelt es sich um alle Benutzer, die keine formale Ausbildung in Data Science oder maschinellem Lernen haben. Wenn man Fach- und Geschäftsexperten die Möglichkeit gibt, Datenanalysen und Data Science durchzuführen, kann dies oft zu besseren Ergebnissen führen, die enger an den allgemeinen Geschäftszielen ausgerichtet sind.

Anzeige

Warum sollten also mehr deutsche Unternehmen im Jahr 2022 in Low-Code/No-Code-Produkte investieren?

Aus der Erfahrung von zahlreichen Projekten lässt sich sagen, dass Unternehmen, die datengestützte Entscheidungsfindung in Data Science, künstlicher Intelligenz (KI) und weiteren Bereichen zuerst einsetzen, ihre Konkurrenten abhängen. Das ist ein klarer Trend, der alle Branchen und alle Unternehmen erfassen wird. Angesichts des Fachkräftemangels besteht die größte Chance darin, mehr Unternehmen und mehr Nutzer in diesen Unternehmen in die Lage zu versetzen, diese Technologien anzuwenden. Und zwar jene, die andere technikbegeisterte Kollegen bereits nutzen.

Zweitens funktioniert die datengestützte Entscheidungsfindung am besten, wenn die Person, die die Datenanalyse und die Data Science durchführt, auch diejenige ist, die ihren Fachbereich und ihre Geschäftsanforderungen genau kennt. Low-Code/No-Code-Tooling ermöglicht dies auf einzigartige Weise. Die Alternative wäre, erfahrene Data Scientists tief in das Unternehmen einzubinden. Dies ist jedoch aufgrund des Talentmangels nicht machbar und steht im Widerspruch zu vielen Organisationsstrukturen. 

Die meisten Low-Code/No-Code-Tools auf dem Markt haben jedoch nur begrenzte Funktionen und lassen sich nicht in das übrige Daten- und IT-Ökosystem eines Unternehmens integrieren. Infolgedessen wird die mit diesen Tools durchgeführte Arbeit oft nur als „Konzeptnachweis“ oder „Sondierung“ betrachtet und hat keinen direkten Einfluss auf das Geschäft. Viele Anwender von Low-Code/No-Code-Tools geben, sobald sie auf etwas stoßen, das für die Geschäftstätigkeit ihrer Unternehmen von Bedeutung sein könnte, ihre Erkenntnisse an ein Expertenteam weiter. Diese implementieren die gesamte Lösung erneut oder bauen die Architektur neu auf, was zu demselben Engpass führt, der Low-Code/No-Code-Tools überhaupt erst erforderlich machte. 

Der Ansatz für Low-Code/No-Code im Jahr 2022 sollte zum einen darin bestehen, „Citizen Data Scientists“ eine einfache UI-Oberfläche für ihre Aufgaben zur Verfügung zu stellen. Zum anderen sollte er aber auch Code generieren, damit Experten die Lösungen direkt in ihre Systeme integrieren können und sie nicht neu implementieren oder umgestalten müssen.

Clemens Mewald

Databricks -

Director Product Management, Data Science & Machine Learning

Anzeige

Weitere Artikel

Jetzt die smarten News aus der IT-Welt abonnieren! 💌

Mit Klick auf den Button “Zum Newsletter anmelden” stimme ich der Datenschutzerklärung zu.