Ursprünglich veröffentlicht auf venturebeat.com.
Im Jahr 2015 eröffnete Uber eine Forschungseinrichtung um die Ecke des National Robotics Engineering Center der Carnegie Mellon University, die als Partnerschaft zwischen den beiden Organisationen gedacht war. Innerhalb weniger Monate verließen Dutzende von Fakultätsmitgliedern ihre Positionen, um Vollzeit bei Uber zu arbeiten, und entzogen dem Zentrum einen Großteil seiner Talente. Andere große Technologieunternehmen haben einen ähnlichen Weg eingeschlagen: 2018 hat Facebook KI-Labore in Seattle und Pittsburgh eröffnet, die von ehemaligen Professoren geleitet werden.
Diese Geschichten geben einen Einblick in das Tauziehen zwischen der Technologiebranche und der akademischen Welt. In dem Bestreben, Produkte und Dienstleistungen zu entwickeln, die KI und maschinelles Lernen nutzen, haben Technologiefirmen und andere Unternehmen Forscher und Professoren von Universitäten abgeworben, wodurch ein Mangel an Akademikern entstanden ist, die die nächste Generation von Datenwissenschaftlern unterrichten können. Der Anteil der promovierten Informatiker, die im akademischen Bereich bleiben, hat einen "historischen Tiefstand" erreicht, so die Computing Research Association.
Indem sie diesen Kampf führt, gefährdet die Technologiebranche jedoch ihre eigene Zukunft und den Fortschritt in der KI. Universitäten bilden nicht nur die Talente von morgen aus, sondern betreiben auch die Art von "Blue Sky"-Forschung, die Unternehmen oft nur ungern übernehmen, weil die finanziellen Erträge unklar sind. Indem sie talentierte Forscher aus dem akademischen Bereich abziehen, stören die Unternehmen diese wichtige Grundlagenforschung.
Gleichzeitig herrscht in den Unternehmen ein großer Mangel an Experten für Data Science und maschinelles Lernen. In einer O'Reilly-Umfrage unter mehr als 1.600 Entwicklern, Datenwissenschaftlern und Datenanalysten, die letztes Jahr veröffentlicht wurde, gaben 74 Prozent der Befragten an, dass sie ML und KI für einen Game Changer halten. Der Mangel an qualifizierten Fachkräften bleibt jedoch eine große Hürde. Die Universitäten versuchen, dieses Problem zu beheben, indem sie mehr Kurse in Datenwissenschaft und maschinellem Lernen anbieten, aber das erfordert qualifizierte Professoren, die sie unterrichten - dieselben Leute, die von der Industrie abgeworben werden.
Um diesen Konflikt zu lösen, sollten Technologieunternehmen ihr Verhältnis zur akademischen Gemeinschaft ändern. Anstatt Akademiker in Vollzeit einzustellen, sollten mehr Unternehmen Forschern und Professoren erlauben, ihre Zeit zwischen den beiden Welten aufzuteilen. Dies könnte bedeuten, dass sie in der akademischen Welt bleiben und in Teilzeit für ein Unternehmen arbeiten, oder umgekehrt. In jedem Fall gewinnen beide Seiten. Die Universitäten profitieren weiterhin von den klügsten Köpfen in den Bereichen KI und Datenwissenschaft, während die Unternehmen ihr internes Fachwissen und eine Pipeline für KI-Talente durch Praktika erhalten.
Wir haben dies in meinem eigenen Unternehmen in die Praxis umgesetzt, und es funktioniert gut. Unser leitender Wissenschaftler, Greg Benson, lehrt auch an der Universität von San Francisco, wo er seit mehr als 20 Jahren als Professor tätig ist. Während des Semesters verbringt Greg die meiste Zeit mit der Lehre und arbeitet ein oder zwei Tage pro Woche für mein Unternehmen. Während der Sommermonate und in den Semesterferien arbeitet er Vollzeit bei SnapLogic.
Wir sehen viele Vorteile in diesem Modell. Die USF vermittelt jedes Semester etwa 50 Studenten an Technologieunternehmen und andere Unternehmen, darunter auch an unser eigenes. Diese Studenten erhalten wertvolle Erfahrungen bei der Arbeit an realen Problemen und haben eine Chance auf einen Arbeitsplatz. In den letzten acht Jahren haben wir etwa 40 Studenten in unserem Unternehmen untergebracht, und viele von ihnen arbeiten jetzt in Vollzeit für uns.
Diese Studenten können mit echten Daten arbeiten und echte Produkte entwickeln. Vor einigen Semestern hat eine Gruppe unserer Praktikanten an Projekten wie Empfehlungsmaschinen, Verarbeitung natürlicher Sprache und Stimmungsanalyse gearbeitet. Die Arbeit an Empfehlungsmaschinen erwies sich als besonders fruchtbar, und wir haben sie schließlich in unsere Plattform integriert, um die Integration von Apps und Daten zu beschleunigen.
Greg kennt die Fähigkeiten und Grenzen seiner Studenten, so dass er die richtigen Praktikanten für die richtigen Aufgaben einsetzen kann. Wir hoffen, dass diese Erfahrung sie auf ihrem weiteren Karriereweg dazu inspiriert, sich weiterhin in der akademischen Gemeinschaft zu engagieren, Mentorenschaften mit Studenten zu bilden und sogar selbst Lehrtätigkeiten zu übernehmen.
Andere Technologieunternehmen haben ihren KI-Experten erlaubt, ihre Zeit zwischen Industrie und Wissenschaft aufzuteilen, wie z. B. Yann LeCun von Facebook. Aber das sind in der Regel die prominenteren Forscher, die den nötigen Einfluss haben, um den Ton anzugeben. Sie sind eher die Ausnahme als die Regel.
Bei den lukrativen Gehältern und einladenden Vergünstigungen ist es nicht verwunderlich, dass so viele Forscher eine Karriere in der Wirtschaft anstreben; ich werfe ihnen ihre Entscheidung nicht vor. Aber es obliegt der Industrie, dafür zu sorgen, dass wir das Ökosystem nicht stören, das wichtige KI-Forschung und die Ausbildung der zukünftigen Talente, die wir alle brauchen, ermöglicht.
Es gibt noch andere Möglichkeiten, die KI-Qualifikationslücke zu schließen. Dazu gehören Self-Service-Tools, die es technisch weniger versierten Analysten erleichtern, das maschinelle Lernen zu nutzen, ohne selbst einen Doktortitel haben zu müssen. Aber letztlich brauchen wir unsere qualifizierten Professoren und Forscher, um die nächste Generation von Datenwissenschaftlern auszubilden. Technologieunternehmen sollten ihre Datenwissenschaftler ermutigen und unterstützen, Kurse an Universitäten und online zu geben. Langfristig ist das ein Gewinn für uns alle.
