Wir möchten uns kurz mit einem Update in eigener Sache bei euch melden. Normalerweise erscheinen unsere Episoden alle zwei Wochen, aktuell sind wir jedoch stark in laufende Projekte eingebunden. Damit wir euch weiterhin qualitativ hochwertige und praxisnahe Inhalte rund um Data Science liefern können, legen wir im Dezember und über den Jahreswechsel eine kurze Podcast-Pause ein.

Gleichzeitig möchten wir die Gelegenheit nutzen, Danke zu sagen: Danke fürs Zuhören, fürs Weiterempfehlen und für euer Interesse an unseren Themen. ❤️

Ab Mitte Januar sind wir wieder zurück mit neuen Episoden, frischen Perspektiven und wie gewohnt spannenden Themen aus der Welt der Data Science.

Bis dahin wünschen wir euch entspannte Feiertage, eine gute Zeit zwischen den Jahren und einen großartigen Start ins neue Jahr. Bleibt gesund oder werdet gesund, bis bald!

In dieser Episode sprechen wir darüber, wie es ist, im Body Leasing als externer Data Scientist direkt im Kund*innenteam zu arbeiten. Mira und Andreas teilen ihre Erfahrungen zu Rollenwechseln, Erwartungen im Projekt und dem Umgang mit Druck und neuen Teamkulturen. Wir geben praktische Tipps für Onboarding, Kommunikation und Beziehungspflege, damit die Zusammenarbeit für alle Seiten gut funktioniert. Außerdem beleuchten wir die Chancen und Risiken für Beratungen, Freelancer*innen und Auftraggeber*innen. Am Ende zeigt sich: erfolgreich wird Body Leasing vor allem über gute Beziehungen und gute Selbstorganisation.

**Zusammenfassung**

• Was Body Leasing bedeutet und warum es eine besondere Form der Beratung ist
• Erfahrungen von Mira und Andreas: Rollen, Herausforderungen und Chancen im Kund*innenteam
• Tipps für den Einstieg: Onboarding ernst nehmen, Erwartungen klären, Ergebnisse gut präsentieren
• Bedeutung von Beziehungsebene, Teamkultur und Kommunikation im täglichen Miteinander
• Umgang mit Druck, Bewertung und wechselnden Anforderungen
• Vorteile für Berater*innen: neuer Input, externe Validierung, Einblick in andere Unternehmen
• Chancen und Risiken für Beratungsunternehmen und Freelancer*innen
• Sicht der Auftraggeber*innen: schnelle Verfügbarkeit, Know-how-Gewinn, aber auch On-/Offboarding-Aufwand

In dieser Folge sprechen Mira und Amit über Modellgütemaße für kontinuierliche Zielvariablen – also darüber, wie man die Qualität von Vorhersagen richtig bewertet. Von MAE und RMSE bis hin zu R² und AIC/BIC: Wir erklären, was die einzelnen Kennzahlen aussagen, wo ihre Grenzen liegen und welche typischen Fallen es gibt. Außerdem geht's um Bias, Robustheit und warum der Kontext entscheidend ist. Und natürlich um die Frage: Welches Gütemaß passt eigentlich zu meinem Modell?

**Zusammenfassung**

• Überblick über Gütemaße für kontinuierliche Zielgrößen
• Bias, MAE, MAPE, sMAPE, MSE, RMSE, R², AIC/BIC im Vergleich
• Vor- und Nachteile der einzelnen Metriken
• Typische Fallstricke: Ausreißer, kleine Werte, verzerrte Interpretation
• Tipps zur Auswahl des passenden Gütemaßes für den Use Case
• Bedeutung von Repräsentativität, Validierung und Gewichtung
• Fazit: Kombination mehrerer Gütemaße ist meist die beste Wahl

**Links**

• Blogserie zum Bestimmtheitsmaß (R²): https://www.inwt-statistics.de/blog/bestimmtheitsmass_r2-teil1
• #26: A/B-Testing: Erkenntnisse statt Bauchgefühl https://www.podbean.com/ew/pb-6fzpj-143cfb1
• #43: Damit es im Live-Betrieb nicht kracht: Vermeidung von Overfitting & Data Leakage https://www.podbean.com/ew/pb-vw736-15baac0

Wie behält man eigentlich den Überblick, wenn Data Science Services in Produktion laufen? In dieser Folge sprechen Sebastian und Michelle darüber, wie man einen sinnvollen Monitoring-Stack aufsetzt – von Logs und Metriken bis hin zu Alerts und Dashboards. Wir schauen uns Tools wie Prometheus, Grafana, Loki und ELK an und klären, worin sie sich unterscheiden. Außerdem geht's um Best Practices fürs Alerting, sinnvolle Feedbackschleifen und die Frage, wann und wie man Monitoring in den Entwicklungsprozess integriert.

**Zusammenfassung**

• Ziel von Monitoring: schnelle Feedbackschleifen zwischen Entwicklung und Produktion
• Unterschied zwischen CI/CD und Monitoring, letztere liefert Feedback nach dem Deployment
• Planung des Monitorings idealerweise schon bei der Architektur berücksichtigen
• Überblick über Monitoring-Ziele: Services, Infrastruktur, Daten, Modelle
• Vergleich Cloud vs. Self-Hosted Monitoring (Aufwand, Flexibilität, Kosten)
• Wichtige Tools: Prometheus/Grafana/Loki, ELK-Stack, Nagios/Icinga/Zabbix, Great Expectations, Redash/Metabase
• Best Practices fürs Alerting: sinnvolle Schwellenwerte, Vermeidung von "Alert Fatigue", klare Zuständigkeiten
• Fazit: Monitoring braucht klare Ziele, sinnvolle Alerts und gute Visualisierung, um echten Mehrwert zu liefern

**Links**

• #23: Unsexy aber wichtig: Tests und Monitoring https://www.podbean.com/ew/pb-vxp58-13f311a
• Prometheus – Open-Source Monitoring-System: https://prometheus.io
• Grafana – Visualisierung von Metriken und Logs: https://grafana.com
• Loki – Log-Aggregation für Grafana: https://grafana.com/oss/loki/
• ELK Stack (Elasticsearch, Logstash, Kibana): https://www.elastic.co/elastic-stack
• Great Expectations – Datenvalidierung und Monitoring: https://greatexpectations.io
• Redash – SQL-basierte Dashboards und Visualisierungen: https://redash.io
• Metabase – Self-Service BI-Tool: https://www.metabase.com
• Nagios – klassisches System-Monitoring-Tool: https://www.nagios.org
• Icinga – moderner Nagios-Fork: https://icinga.com
• Zabbix – Monitoring-Plattform für Netzwerke & Server: https://www.zabbix.com
• Prometheus Alertmanager: https://prometheus.io/docs/alerting/latest/alertmanager/
• PagerDuty – Incident Response Management: https://www.pagerduty.com

📬 Fragen, Feedback oder Themenwünsche? Schreibt uns gern an: podcast@inwt-statistics.de

In dieser Folge des Predictive AI Quarterly sprechen wir über die Veröffentlichung von GPT-5 und was sich im Vergleich zu GPT-4 geändert hat. Wir schauen uns an, wie Reasoning jetzt funktioniert und welche Optionen Entwickler*innen bei der Nutzung haben. Außerdem geht's um neue Open-Source-Modelle von OpenAI, die Einführung von TabArena als dynamischem Benchmark für Tabulardaten und spannende Integrationen wie TabPFN in Sourcetable. Im Praxisteil nehmen wir QLoRA unter die Lupe und testen, ob Finetuning mit Quantisierung wirklich so effizient und verlustfrei ist, wie versprochen.

** Zusammenfassung **

• GPT-5 Release: Neues Reasoning-Feature, flexible Steuerung über Parameter und Empfehlungen für die Migration von GPT-4.
• Open-Source-Modelle von OpenAI: Veröffentlichung von 20B- und 120B-Modellen mit vergleichsweise moderatem Hardwarebedarf.
• TabArena: Dynamischer Benchmark für tabellarische Daten, der Ensembling und TabPFN bei kleinen Datensätzen hervorhebt.
• TabPFN in Sourcetable: Integration von Predictive AI direkt in Spreadsheets für nahtlose Nutzung.
• Praxis-Test QLoRA: Finetuning mit Quantisierung liefert gleiche Qualität wie LoRA, benötigt aber nur halb so viel Speicher.

** Links **

• OpenAI – GPT-5 für Entwickler*innen vorgestellt: https://openai.com/de-DE/index/introducing-gpt-5-for-developers/
• OpenAI – API Responses Referenz: https://platform.openai.com/docs/api-reference/responses/create
• OpenAI – Guide: Reasoning in GPT: https://platform.openai.com/docs/guides/reasoning
• OpenAI – Modell-Migrationsempfehlungen: https://platform.openai.com/docs/guides/latest-model#migration-guidance
• Hugging Face – Open-Source GPT 20B: https://huggingface.co/openai/gpt-oss-20b
• Hugging Face – Open-Source GPT 120B: https://huggingface.co/openai/gpt-oss-120b
• OpenAI – Ankündigung OSS-Modelle: https://openai.com/de-DE/index/introducing-gpt-oss/
• Hugging Face – TabArena Leaderboard: https://huggingface.co/spaces/TabArena/leaderboard
• arXiv – TabArena Paper: https://arxiv.org/abs/2506.16791
• Sourcetable – Homepage / Tool: https://sourcetable.com/
• Heise c’t – Artikel "Komprimierte KI" (Februar 2025): https://www.heise.de/select/ct/2025/2/2432617330867723674
• Heise c’t – Artikel "Quantisierung": https://www.heise.de/select/ct/2025/7/2504911435670065158
• arXiv – QLoRA Paper (Mai 2023): https://arxiv.org/abs/2305.14314
• NeurIPS – QLoRA Veröffentlichung: https://proceedings.neurips.cc/paper_files/paper/2023/hash/1feb87871436031bdc0f2beaa62a049b-Abstract-Conference.html
• arXiv – Paper zu Quantisierung: https://arxiv.org/abs/2501.13787

📬 Fragen, Feedback oder Themenwünsche? Schreibt uns gern an: podcast@inwt-statistics.de

Onboarding ist mehr als nur Laptop einrichten und Accounts anlegen, es ist der Startpunkt für alles, was danach kommt. In dieser Folge sprechen wir über die ersten Tage und Wochen, wie man neuen Kolleg*innen Orientierung gibt und warum Mentoring so wichtig ist. Wir diskutieren auch den Übergang von den Basics hin zu Projekten und wie man Schritt für Schritt Verantwortung übernimmt. Außerdem werfen wir einen Blick darauf, was langfristig zählt: Wissen teilen, Feedback geben und Raum für Entwicklung schaffen.

**Zusammenfassung**

• Technische Basics: Accounts, Laptop, Tools, Datenschutz etc.
• Mentoring als Anlaufstelle für Fragen und Kulturvermittlung
• Feedback- und Mitarbeitergespräche, am Anfang ganz besonders entscheidend
• Unterschiedliche Profile: Coding, Statistik, echte Daten – wie man Skills ausgleicht
• Einarbeitung in Projekte: zuerst im Hintergrund, dann mit wachsender Verantwortung
• Unterschied remote vs. vor Ort: passende Unterstützung finden
• Langfristig wichtig: Wissenstransfer, Weiterbildung und Raum für Eigeninitiative

**Links**

• #60: Job-Sicherheit als Data Scientist: Personalentwicklung in Zeiten von AI https://www.podbean.com/ew/pb-x68nz-1748acb
• #51: Wer rastet, rostet: Die Rolle von Weiterbildung in Data Science https://www.podbean.com/ew/pb-czpd3-16716c0

📬 Fragen, Feedback oder Themenwünsche? Schreibt uns gern an: podcast@inwt-statistics.de

Modelle auf Edge-Devices zu bringen ist kein Standard-Deployment – das zeigt sich im gesamten Life-Cycle: von der Datenpipeline über das Feature-Engineering bis zur Modellüberwachung. In dieser Folge diskutieren wir, wie sich gängige MLOps-Ansätze verändern, wenn Netzwerk, Datenschutz oder Ressourcen limitiert sind. Wir sprechen über typische Architektur-Entscheidungen, sinnvolle Deployment-Strategien und warum Murphys Law auf Edge-Setups besonders gut zutrifft. Am Ende bleibt die Erkenntnis: ohne triftigen Grund bleibt man besser in der Cloud.

**Zusammenfassung**

• Edge Computing verändert die Art und Weise, wie Modelle in der Data Science implementiert werden
• Offline-Serving ist der einfachste Fall, während Online-Serving komplexere Anforderungen hat
• Latenz ist ein kritischer Faktor bei der Nutzung von Edge-Devices
• Datenbeschaffung kann über Push- oder Pull-Ansätze erfolgen
• Feature Engineering muss an die Einschränkungen von Edge-Devices angepasst werden
• Modelltraining kann sowohl zentral als auch lokal auf Edge-Devices erfolgen
• CI/CD-Prozesse müssen an die spezifischen Anforderungen von Edge-Devices angepasst werden
• Monitoring ist entscheidend, um die Leistung von Modellen auf Edge-Devices zu bewerten
• Die Qualität der Daten und der Sensoren hat einen direkten Einfluss auf die Modellleistung
• Ein erfolgreicher Einsatz von Edge Computing erfordert enge Zusammenarbeit zwischen Data Science und Engineering-Teams

**Links**

• #54: Modell-Deployment: Wie bringe ich mein Modell in die Produktion? https://www.podbean.com/ew/pb-hhhwu-16b91f3

📬 Fragen, Feedback oder Themenwünsche? Schreibt uns gern an: podcast@inwt-statistics.de

In dieser Folge sprechen wir darüber, wie man den nächsten sinnvollen Data-Science-Use-Case identifiziert. Egal ob man gerade erst mit Daten startet oder schon komplexe Produkte im Einsatz hat. Wir klären, wer in den Prozess einbezogen werden sollte, worauf man bei der Ideenfindung achten sollte und wie man Use Cases richtig bewertet. Ein besonderer Fokus liegt auf der Perspektive der Nutzer*innen und die Umsetzbarkeit in Bezug auf Daten, Methoden und Technik. Eine Folge für alle, die Orientierung suchen, um den weiteren Weg auf ihrer Data-Journey zu gestalten.

**Zusammenfassung**

• Zielgruppe: Organisationen, die mit Daten Mehrwert schaffen wollen, aber unklar sind, welcher Use Case der nächste sein sollte
• Ausgangssituation: Entweder besteht noch keine Idee, oder es gibt bereits eine Idee, deren Umsetzbarkeit geprüft werden soll
• Beteiligte Rollen: Entscheider*innen, Fachexpert*innen, Anwender*innen sowie Data- & IT-Personal sollten früh eingebunden werden
• Ideation-Phase: Kreative Suche nach Problemen mit Hebelwirkung mit Fokus auf Pain Points, Engpässe, repetitive Tätigkeiten und Business Value
• Nutzer*innenzentrierung: Anforderungen, Nutzungskontext und Entscheidungsprozesse der Anwender*innen bestimmen, was ein Use Case leisten muss
• Technische Implikationen: Die Form der Ergebnisausspielung (z. B. Dashboard, API, E-Mail) hängt direkt vom Nutzungskontext ab
• Machbarkeitsprüfung: Datenlage, methodische Passung und technische Umsetzbarkeit werden realistisch bewertet
• Datenstruktur: "Must-have" vs. "Nice-to-have"-Daten, typische Hürden wie fehlende IDs, Möglichkeiten zur Verknüpfung
• Reifegrad beachten: Nicht zu groß denken, sowohl Überforderung bei geringer Reife als auch Overengineering bei hoher Reife vermeiden
• Dienstleisterfrage: Strategisches Assessment und Umsetzung trennen oder vereinen, beide Varianten haben nachvollziehbare Vor- und Nachteile

**Links**

• Das Data & AI Design Thinking Workshop Canvas von Datentreiber https://www.datentreiber.com/de/data-and-ai-design-thinking-workshop-canvas/#canvas
• #70: Der Aufstieg zur Datenreife – Stufe für Stufe zur Data Maturity https://www.podbean.com/ew/pb-a7663-1882b25
• #63: Data Mining: der pragmatische Weg zu Datenreife & Datenkultur mit Prof. Dr. Ana Moya https://www.podbean.com/ew/pb-d38qj-1799899
• #36: Der Data Mesh Hype und was davon bleibt https://www.podbean.com/ew/pb-7er7v-15080c1
• #2: Erfolgsfaktoren für Predictive Analytics Projekte https://www.podbean.com/ew/pb-kdcmd-12460ab

📬 Fragen, Feedback oder Themenwünsche? Schreibt uns gern an: podcast@inwt-statistics.de