Datenwissenschaftler · Findet Muster und erstellt Vorhersagemodelle aus Daten – eine Berufsbezeichnung aus dem Jahr 2008, die auf drei Jahrhunderten des Zählens, Testens und Visualisierens von Beweisen basiert.
Die Populärkultur ging meist direkt am Statistiker vorbei und ging zu der dramatischeren Figur des Quants oder des Algorithmus über – das öffentliche Image des Datenwissenschaftlers verdankt sich mehr den Baseball-Analysten von Moneyball und den krisenvorhersagenden Quants von The Big Short als irgendjemandem, der das tut, was ein arbeitender Datenwissenschaftler tatsächlich Tag für Tag tut.
Innerhalb der Branche basiert die Kultur auf wettbewerbsorientierten öffentlichen Benchmarks, ausdruckslosen statistischen Scherzen und einem Dokumentenformat – der Modellkarte –, das „Seien Sie ehrlich über die Grenzen Ihres Modells“ zu einer routinemäßigen beruflichen Gewohnheit und nicht zu einem nachträglichen Einfall macht.
Wie viel Ansehen der Beruf in jeder Epoche hatte, auf einer Skala von 0–100.
Frühe statistische Arbeiten wurden größtenteils von Angestellten, Amateurreformern und autodidaktischen Außenseitern wie Nightingale durchgeführt; nützlich und gelegentlich einflussreich, aber selten für sich genommen prestigeträchtig.
Pearson, Fisher und Gosset professionalisierten die Statistik zu einer akademischen Disziplin mit eigenen Zeitschriften und Universitätsabteilungen und erlangten wissenschaftlichen Respekt, blieben aber für die breite Öffentlichkeit nahezu unsichtbar.
Mit der Verbreitung von Mainframe-Computing wurden Datenverarbeitungsmitarbeiter und Statistiker hauptsächlich als unverzichtbare, aber unscheinbare Backend-Unterstützung für Unternehmen angesehen, die bei der Entscheidungsfindung von Führungskräften selten präsent war.
Clevelands akademischer Vorschlag aus dem Jahr 2001 erregte in der Öffentlichkeit kaum Beachtung, doch der Millionen-Dollar-Preis für Empfehlungsalgorithmen von Netflix 2006–2009 und die Einführung des Begriffs „Data Scientist“ bei LinkedIn und Facebook im Jahr 2008 sorgten in der Technologiebranche für Aufsehen.
Die Formulierung „Sexiest Job“ im Harvard Business Review vom Oktober 2012 löste einen Einstellungs- und Prestigeboom aus; In den 2020er Jahren ist der Titel in spezialisiertere Rollen zersplittert und hat etwas von seinem einzigartigen Glanz verloren, obwohl Bezahlung und Nachfrage nach wie vor stark sind.
Dramatisiert, wie Billy Beane von den Oakland Athletics und der Analyst Paul DePodesta statistische Analysen nutzten und sich dabei auf die Sabermetrics von Bill James stützten, um mit einem der kleinsten Baseball-Budgets einen konkurrenzfähigen Kader aufzubauen.
Folgt einer Handvoll Analysten, die die Hypothekenmarktdaten genau genug studiert haben, um die Finanzkrise von 2008 vorherzusagen, bevor fast jeder andere den Zahlen glaubte.
Ein Mathematiker hilft seinem FBI-Agenten-Bruder bei der Aufklärung von Verbrechen mithilfe statistischer Analysen und Mustererkennung und führt so ein amerikanisches Mainstream-Fernsehpublikum in die angewandte Mathematik als Ermittlungsarbeit ein.
Diese britische Anthologiereihe stellt sich wiederholt vor, dass Datenprofilierung und prädiktives Scoring auf beunruhigende Extreme getrieben werden, am deutlichsten in der Episode „Nosedive“ aus dem Jahr 2016, die die öffentliche Besorgnis über die algorithmische Einstufung von Personen prägt.
Erzählt die wahre Geschichte von Katherine Johnson, Dorothy Vaughan und Mary Jackson, schwarzen Mathematikerinnen, deren Handberechnungen bei der NASA die Grundlage für die Mercury-Orbitalmissionen von 1962 bildeten, bevor elektronische Computer die Arbeit übernahmen.
Folgt der Entdeckung der MIT-Forscherin Joy Buolamwini, dass Gesichtserkennungssysteme dunklere Gesichter viel häufiger falsch identifizieren und so aus einer technischen Datenverzerrung eine breitere öffentliche Auseinandersetzung mit algorithmischer Fairness machen.
Öffentliche, auf Kaggle veranstaltete Wettbewerbe für maschinelles Lernen, die 2010 ins Leben gerufen wurden, platzieren die Teilnehmer während des gesamten Wettbewerbs auf einer sichtbaren Bestenliste und zeigen am Ende des Wettbewerbs ihre endgültige Platzierung gegenüber einem versteckten Testsatz an – ein Moment, den Konkurrenten als „Aufrütteln“ bezeichnen, da eine übermäßige Anpassung an die öffentliche Bestenliste ein Team über Nacht um Dutzende Plätze fallen lassen kann.
In Anlehnung an die Vorgehensweise, die Margaret Mitchell und Kollegen bei Google 2018 in einem Artikel vorgeschlagen haben, dokumentieren Teams zunehmend den Verwendungszweck eines Modells, Trainingsdaten und bekannte Einschränkungen in einer kurzen „Modellkarte“, bevor es ausgeliefert wird – was eher als berufliche Verpflichtung denn als optionales Extra behandelt wird.
Die Präsentation explorativer Ergebnisse durch Live-Scrollen durch die Zellen und Diagramme eines Jupyter-Notebooks anstelle eines ausgefeilten Foliendecks ist nach wie vor die Standardmethode, mit der ein Datenwissenschaftler frühe Ergebnisse mit Teamkollegen und Stakeholdern teilt.
Nichts davon löst die älteste Spannung auf diesem Gebiet: ob es sich bei „Datenwissenschaft“ um eine wirklich neue Disziplin handelt oder ob ältere Statistik- und Computerarbeiten einen marktfähigeren Namen tragen. Darüber streiten sich die Praktiker selbst, oft im selben Team.
Was seit Graunts Sterbetafeln von 1662 konstant geblieben ist, ist der grundlegende Schritt: Verwandeln Sie einen Stapel von Aufzeichnungen in eine Behauptung, auf die jemand reagieren kann, und seien Sie ehrlich darüber, wie viel von dieser Behauptung die Daten tatsächlich stützen.
Die nächsten Nachbarn im Sechs-Werte-Profil — nicht nur im selben Feld.
Der Hüter der Bücher: Erbe eines Handwerks, das so alt war, dass es das Schreiben selbst erfand und jetzt mit der Software verhandelt, die entwickelt wurde, um es zu automatisieren.
KI-resistent 35 🗺️Entscheidet, was ein Unternehmen als Nächstes bauen soll und warum — verwandelt Kundenbedürfnisse, Unternehmensziele und technische Grenzen in einen gemeinsamen Plan, den sonst niemand vollständig besitzt.
KI-resistent 50 💻Schreibt, testet und wartet den Code, der das moderne Leben antreibt — und beobachtet als einer der ersten Berufe, wie KI seine eigene tägliche Arbeit automatisiert.
KI-resistent 35 📣Die Person, die Nachfrage schafft — von Pompejis bemalten Wänden und P&Gs Markenmann-Memo von 1931 bis zu den auktionsgetriebenen Feeds des digitalen Zeitalters.
KI-resistent 38 📦Baut die Systeme, die Machine-Learning-Modelle in der Produktion trainieren, bereitstellen, überwachen und regeln.
KI-resistent 54 🔎Untersucht, wie Menschen Produkte nutzen, und wandelt beobachtetes Verhalten, Bedürfnisse und Frustrationen in Beweise um, die Teams umsetzen können.
KI-resistent 69Leitet die mathematischen Gesetze von Materie, Energie, Raum und Zeit her und prüft sie — von der einsamen Tafel bis zum Teilchenbeschleuniger-Paper mit 3.000 Autoren.
KI-resistent 65 🧬Der Wissenschaftler, der das Leben selbst untersucht, von Linnés handschriftlicher Artbenennung bis zur Genom-Editierung mit CRISPR — und jede Idee noch immer an einem lebenden Organismus prüft.
KI-resistent 64 🧪Der Wissenschaftler, der die Materie selbst herstellt und misst – von Tapputis babylonischem Parfüm bis zu den heutigen Roboterlabors, ist immer noch derjenige, der entscheidet, was das Spektrum bedeutet.
KI-resistent 70 🔭Der Wissenschaftler, der das Universum vermisst, von babylonischen Tontafeln bis zu Weltraumteleskopen, entscheidet immer noch, welches Flimmern in den Daten eine Entdeckung ist.
KI-resistent 70 🧮Von babylonischen Schreibern über Fields-Medaillengewinner bis hin zu KI-gestützten Beweisen: der Beruf, der schwierige Fragen in dauerhafte Gewissheit verwandelt, einen Satz nach dem anderen.
KI-resistent 70 🧿Baut, misst und steuert Geräte, die Quantenzustände für Computer, Sensorik, Kommunikation und Materialforschung nutzen.
KI-resistent 78 🧫Verwendet klinische Daten, Studiendaten und Daten des Gesundheitssystems, um zuverlässige Beweise für eine sicherere Pflege, Forschung und betriebliche Entscheidungen zu generieren.
KI-resistent 68