TechLead-Story: Adrian Schiegl, Head of Data Science von XUND

TechLead-Story: Adrian Schiegl, Head of Data Science von XUND

Team

Zurzeit sind wir ungefähr fünfzehn Leute bei XUND, die im Bereich Software Entwicklung und Data Science arbeiten. Das macht ca. fünfzig Prozent unserer Mitarbeiter aus.

Also wir sind ein sehr technologiegetriebenes Startup, wir sind aufgeteilt auf Budapest und Wien. Wobei mein Team – das Data Science Team – befindet sich in Wien, wir sind zurzeit drei Leute und wir haben vor bis Ende des Jahres auf das dreifache zu wachsen, so ungefähr auf zehn Leute.

In meinem Team befinden sich ausschließlich Data Scientists, Data Engineers, Machine Learning Engineers – natürlich wenn das Team wachsen wird, werden auch weitere Rollen möglich sein.

Recruiting

Bei uns ist das Data Science Team involviert in jeden Schritt beim Recruiting, also vom Erstellen der Requirements bis hin zum Filtern der Lebensläufe – allerdings machen nicht nur wir das Recruiting sondern unsere Founder sind auch involviert. Ein persönliches Anliegen ist es keinesfalls Zeit von den Bewerbern zu verschwenden, deswegen habe ich den Recruiting Prozess auf drei Schritte für den Bewerber beschränkt.

Wir haben anfangs ein Interview wo ich und ein Founder mal ein Kennenlerngespräch führen, um zu schauen; haben wir dieselben Erwartungen wie der Bewerber, beziehungsweise würde sich diese Person überhaupt wohlfühlen in unserem Team.

Im zweiten Gespräch geht es um das Technische. Wir schauen immer, dass wir ein möglichst praxisnahes Übungsbeispiel geben, welches wir dann besprechen im zweiten Interview. Mich interessiert es jetzt nicht, irgendwelche Intelligenztests zu machen – weil ich nicht glaube, dass sowas aussagekräftig ist über die spätere Jobperformance – deshalb versuchen wir auch möglichst Aufgaben zustellen, die dann wirklich auch in der Arbeit so stattfinden. Und die Aufgaben sind natürlich auch zeitlich begrenzt gehalten, weil niemand will sich acht Stunden hinsetzen bei einer Job Bewerbung um eine Aufgabe zu lösen, mit der Möglichkeit dann nicht einmal eingestellt zu werden.

Wenn das technische Gespräch passt, dann gibt es am Ende noch ein Gespräch wo die Arbeitsvereinbarung geklärt wird. Da bin ich dann nicht mehr dabei, weil ich nicht dabei sein muss.

Onboarding

Da wir noch so ein kleines Team sind, ist bei uns der Onboarding Prozess noch relativ kurz gehalten. Am Anfang findet noch eine Einführung in unser Qualitätsmanagement System statt, weil wir eben ein Medizinprodukte Hersteller sind – das heißt wir müssen gewisse Anforderungen erfüllen. Jeder Mitarbeiter muss Bescheid wissen über gewisse Standards, damit man die später einhalten kann im Arbeitsbetrieb.

Danach findet ein Onboarding statt mit unseren Foundern, wo über die Vision von XUND und über ethische Grundsätze und dergleichen diskutiert wird.

Und zuletzt noch ein technisches Onboarding, bei dem unser ganzes Team den neuen Hire in die verschiedenen Tools, die wir haben, einführt, zeigt wo unsere Dokumentation sich befindet und Möglichkeiten zu finden die Dokumentation zu updaten.

Aber da wir uns in unserem Team mit sehr neuen Dingen beschäftigen, erwarten wir auch nicht, dass sich die Person von Tag eins oder Woche eins super produktiv ist und wir geben den Leuten auch die Möglichkeit am Job zu lernen und eventuell gewisse neue Fähigkeiten zu erlangen.

Technologien

Bezüglich Technologien. Unser Team – obwohl es eigentlich ein Data Science Team ist, beschäftigen wir uns ausschließlich mit Maschine-Learning im medizinischen Bereich, dementsprechend kommt eigentlich nur Python in Frage, weil das die häufigste Wahl ist und die ganzen Frameworks dort auch in hoher Qualität zur Verfügung stehen.

Ein weiterer Fokus bei uns ist noch NLP, was bedeutet effektiv, wenn man im NLP heutzutage state-of-the-art Performance erreichen will, ist man auf Deep Learning mehr oder weniger eingeschränkt. Wir verwenden bei uns im Team PyTorch als Deep Learning Framework. Und wir arbeiten auch zum großen Teil nicht auf unseren Laptops, weil die keine Grafikkarten eingebaut haben, die stark genug sind. Deswegen arbeiten wir viel mit Cloud Anbietern, die uns diese Grafikkarten und die 100 Kern CPUs, etc. zur Verfügung stellen. Aber natürlich, am Ende des Tages ist Data Science auch sehr programmierlastig, deswegen haben wir uns auch viel von unserem Dev-Team in Budapest abgeschaut.

Wir verwenden GitLab als Source Control System, wir verwenden auch Continuous Integration, Regression Tests und versuchen generell viele Prinzipien aus der Softwareentwicklung ins Data Science Team zu übernehmen, weil das Methoden sind die sich über die Zeit erprobt haben.

Herausforderungen

Technische Herausforderungen gibt es bei uns zur Genüge, vor allem weil unser Team auch sehr forschungslastig ist. Wir arbeiten oft mit Universitäten und medizinischen Einrichtungen innerhalb von Forschungsprojekten, wo wir auch versuchen zu publizieren und möglichst nah an state-of-the-art Modelle heranzukommen.

Das ist natürlich eine riesige technische und wissenschaftliche Herausforderung! Außerdem müssen wir zusätzlich noch zu den technischen Herausforderungen schauen – weil wir uns in der Medizin bewegen – dass wir die Privatsphäre der Patienten respektieren: dass wir Modelle entwickeln, die vertrauenswürdig sind, die man dann auch guten Gewissens in die echte Welt loslassen kann, dass sie robust funktionieren und im Notfall auch den Input von Menschen miteinbeziehen – beziehungsweise manchmal ist es sogar die primäre Anforderung.

Ich glaube das macht unser Anwendungsgebiet umso spannender.

 

 

Erfahre mehr zum DevTeam von XUND

Adrian Schiegl

Interview im April 2022

Technologien in diesem Artikel