Interdisziplinäre Metallforschung trifft Data Science: Wie das LKR am AIT Prozesse, Simulation und Recruiting modern denkt

Kontext der Session und unser Blick von DevJobs.at

In „Matthias Hartmann, Senior Research Engineer bei LKR Ranshofen / AIT“ gab uns Speaker Matthias Hartmann vom AIT Austrian Institute of Technology GmbH einen präzisen Einblick in ein Forschungsumfeld, das Metall- und Materialwissenschaft mit datengetriebenen Methoden verbindet. Aus DevJobs.at-Sicht war besonders spannend, wie klar das LKR die Brücke zwischen klassischer Prozesskompetenz (Gießen, Umformen, Additive Fertigung) und modernen Datenkompetenzen (Data Engineering, Data Science, Machine Learning) schlägt – und welchen Stellenwert Zusammenarbeit, Kommunikation und ein strukturiertes Recruiting dabei einnehmen.

Mit dieser Haltung beschreibt Hartmann eine Kultur, die sich auf fundierte Fertigungsprozesse stützt, aber zugleich systematisch Sensorik, Datenpipelines und flexible Software-Deployments – bis hin zum Einsatz von Docker – integriert. Der Anspruch ist nicht, Data Science als Selbstzweck zu betreiben, sondern Prozesse besser zu verstehen, zu stabilisieren und Erkenntnisse zurück in Produktion und Simulation zu führen.

Wer und was ist das LKR am AIT?

Das LKR (Leichtmetallkompetenzzentrum Ranshofen) ist, so Hartmann, interdisziplinär aufgestellt und in der Metall- und Materialforschung verankert. Die Teams bestehen vor allem aus Metallurg:innen, Physiker:innen und Maschinenbauer:innen. Organisatorisch gibt es vier Teams:

• Drei Prozessgruppen, die sich jeweils mit Gießen, Umformen und Additiver Fertigung beschäftigen.
• Ein Simulationsteam, dem Matthias Hartmann vorsitzt.

Übergreifend wächst in allen Teams der Bedarf an Datenverarbeitung: Data Engineering, Data Science und angrenzende Kompetenzen werden forciert aufgebaut. Die Begründung ist pragmatisch und prozessnah: Die Forschung steckt zunehmend in Instrumentierung, Datenerfassung und -auswertung – und diese Daten sollen Mehrwert stiften, etwa indem sie aus Sensorik Einsichten in Prozessverhalten, Qualität oder Simulationsmodelle liefern.

Das Unternehmen existiert seit rund 25 Jahren. Nicht als Softwarehaus im engeren Sinne, sondern – in Hartmanns Worten – als „Prozessmenschen“, die sich an realen Fertigungsvorgängen orientieren. Die Simulation ist dabei keine Parallelwelt, sondern bewusst am Prozess ausgerichtet. Genau in dieser Verzahnung liegt der fachliche Reiz: Simulationen, die sich an realen Daten messen lassen, und Prozesse, die durch Simulationen und Datenanalysen präziser gesteuert werden können.

Engineering-Kultur: Prozessnähe als Leitlinie

Wer beim LKR einsteigt, trifft auf eine klare Kultur: Das Team versteht sich über Prozesse und deren Verbesserung. Digitalisierung wird nicht als Projekt, sondern als Entwicklung verstanden, die sich in die tägliche Arbeit einschreibt. Die Prioritäten werden deutlich:

• Prozessnähe: Jede datengetriebene Aktivität orientiert sich an realen Fertigungsschritten – Gießen, Umformen, Additive Fertigung – und deren Herausforderungen.
• Modelle mit Bodenhaftung: Simulationen stehen in direkter Beziehung zu Prozessdaten und operativen Zielen.
• Praktikabilität: Lösungen müssen beim Kunden laufen, auf heterogenen Systemen funktionieren und übertragbar sein.

Diese Kultur schützt vor Selbstzweck. Machine Learning, neuronale Netze, Cloud-Dienste – sie sind Mittel zum Zweck. Sie werden dort eingesetzt, wo sie aus Prozessdaten verlässliche, umsetzbare Learnings generieren und in Anlagenumgebungen belastbar sind.

Der Weg der Daten: Von Sensorik bis Data Science

Hartmann skizziert eine Wertschöpfungskette der Daten, die viele moderne Fertigungsumgebungen anstreben – beim LKR allerdings konsequent am Prozess verankert:

1. Sensorik und Instrumentierung: Prozesse werden mit unterschiedlichen Sensoren ausgestattet. Teilweise entstehen dafür Kooperationen mit Sensorherstellern. Das Team arbeitet „ganz nah am Stand der Technik“. Das ist für Bewerber:innen wichtig: Wer hier einsteigt, bekommt Zugang zu neuer Sensorik und realen Prozessdaten.
2. Auswertung: Erhobene Daten werden aufbereitet und analysiert. Hartmann nennt u. a. Zusammenarbeit mit der Firma Eboard als Beispiel in dieser Kette.
3. Data Engineering: Daten werden gefiltert, bereinigt und auf Qualität geprüft. Es geht um übertragbare, robuste Pipelines – nicht um Einmal-Analysen.
4. Data Science: Auf dieser Basis werden Modelle und Hypothesen entwickelt. Ziel ist, „mehr rauszuholen“ – also aus den Daten konkrete Erkenntnisse über Prozesse oder korrespondierende Simulationen zu gewinnen.

Allein diese Aufzählung zeigt, dass das LKR einen End-to-End-Blick auf Daten verfolgt: von der physischen Sensorik bis zu Modellen, die zurück in Prozess- und Simulationswelt wirken. Für Data Engineers und Data Scientists entsteht so ein Spielfeld, das nicht im Dashboard endet, sondern auf tatsächliche Prozessverbesserungen einzahlt.

Technologieeinsatz: Lokal, Cloud und Container – immer mit Blick auf Deployment

Technologisch betont Hartmann Flexibilität. Das LKR arbeitet je nach Use Case mit lokalen Datenbanken oder Cloud-basierten Lösungen – explizit genannt wird Microsoft Azure als Beispiel. Die Plattformwahl folgt dem Ziel, Daten anwendungsnah bereitzustellen und die Fähigkeit zu wahren, Machine Learning und neuronale Netze dort laufen zu lassen, wo sie gebraucht werden.

Wichtig ist dabei die Transferfähigkeit zum Kunden. Ergebnisse sollen nicht am LKR-Rechner enden. Entsprechend setzt das Team auf Docker, um Lösungen „unabhängig“ deployen zu können. Dieser Aspekt ist aus Engineering-Sicht zentral: Containerisierung verhindert, dass ein Prototyp auf einem Windows-Entwicklungsrechner funktioniert, aber beim Kunden – etwa auf einem Embedded-System mit Linux – scheitert.

Dieser Satz bringt die Kultur auf den Punkt: Architekturentscheidungen werden vom Ziel her getroffen, Lösungen in realen Anlagenumgebungen tragfähig zu machen. Wer an robustem Engineering interessiert ist, findet hier eine klare Haltung.

Interdisziplinarität braucht Kommunikation – wirklich

Hartmann betont, dass das Team international ist und häufig auf Englisch arbeitet. In einer Organisation, die Metallurgie, Physik, Maschinenbau und Datendisziplinen vereint, ist Kommunikation kein Nebenthema, sondern zentrale Arbeitsbedingung. Genau deshalb gehört Kommunikationsfähigkeit neben technischer Exzellenz zu den Top-Kriterien im Recruiting.

Für Bewerber:innen heißt das: Exzellente Technikskills sind Voraussetzung, aber nicht hinreichend. Man muss Ideen und Ergebnisse mit Kolleg:innen anderer Fachrichtungen teilen, Fragen stellen, Hypothesen verteidigen und in Meetings Klarheit schaffen können. Diese Erwartung passt zum Prozessfokus: Daten- und Simulationsarbeit muss mit den Realitäten in den Hallen rückgekoppelt und durch gemeinsame Sprache operationalisiert werden.

Recruiting: Klarer Prozess, geerdete Erwartungen

Das Recruiting folgt einem strukturierten Ablauf, der Transparenz schafft und Berührungsängste nimmt:

1. Bewerbungseingang beim AIT Recruiting: Die Unterlagen werden in der Recruitingabteilung gesichtet. Es kann ein erster Anruf erfolgen, um Fragen zu klären und die Relevanz einzuordnen.
2. Weiterleitung an Teamleiter:innen: Passende Bewerbungen gehen in die Fachbereiche.
3. Mindestens zwei Gespräche: Wenn möglich, findet ein Gespräch vor Ort in Ranshofen statt. Das ist bewusst so angelegt, damit Kandidat:innen Hallen, Anlagen und die Arbeitsumgebung sehen können.
4. Entscheidung und Probejahr: Wird man eingestellt, folgt ein klassisches Probejahr – realistisch, transparent, standardisiert.

Diese Onsite-Komponente ist mehr als ein Nice-to-have. Sie passt zur Kultur des LKR: Prozesse, Sensorik, Anlagen – all das sollte man gesehen haben, wenn man datengetriebene Lösungen dafür baut. Wer dort arbeitet, arbeitet nicht im luftleeren Raum.

Onboarding: Checkliste und Einführungspartner:in

Das Onboarding ist bewusst strukturiert. Zu Beginn gibt es eine Checkliste, um organisatorische Schritte und Stabsstellen zügig abzudecken. Außerdem wird jeder neuen Person eine Einführungspartnerin oder ein Einführungspartner zur Seite gestellt – als erste Anlaufstelle für alle Fragen, von „wo liegt das Obst“ bis zu sehr spezifischen Themen.

Diese scheinbar kleinen Details prägen Kultur. Sie signalisieren, dass das LKR auf Orientierung und Hilfestellung setzt – besonders wichtig in einem internationalen, interdisziplinären Setup. Aus DevJobs.at-Sicht ist das ein starkes Zeichen für pragmatisches People Enablement: Die Organisation schafft Strukturen, die das Ankommen erleichtern und Lernen beschleunigen.

Was das für Tech-Talente bedeutet

Aus dem Gesagten ergeben sich für Data Engineers, Data Scientists, Simulationsexpert:innen und Software-Engineers klare Anknüpfungspunkte:

• Arbeiten am Puls der Anlage: Sensorik, echte Prozesse, reale Daten. Kein theoretisches Konstrukt, sondern anfassbare Technik.
• End-to-End-Verantwortung: Vom Sensor über die Datenpipeline bis zum Modell – und wieder zurück in den Prozess.
• Deployment zählt: Containerisierte Lösungen, die beim Kunden laufen müssen, auf heterogener Hardware.
• Kollaborative Umgebung: Interdisziplinär, international, häufig Englisch – Kommunikation ist Schlüsselkompetenz.
• Strukturierter Rahmen: Klarer Recruitingprozess, Onboarding-Checkliste, Einführungspartner:in und ein transparentes Probejahr.

Diese Punkte machen das LKR für Kandidat:innen attraktiv, die robuste, praxisnahe Technik bevorzugen – und die genauso gern in Hallen stehen wie in Notebooks arbeiten.

„Prozessmenschen“ in der Digitalisierung: Warum das überzeugt

Hartmanns Selbstbeschreibung „Wir sind Prozessmenschen“ ist markant. Sie drückt Bodenhaftung aus – und ist gerade in der Digitalisierung ein Vorteil. Denn Datenarbeit ist nur dann wertvoll, wenn sie Prozesse messbar verbessert. Beim LKR bedeutet das:

• Sensorik statt Bauchgefühl: Entscheidungen basiert auf realen Messungen.
• Simulation mit Feedback: Modelle sind mit Prozessdaten rückgekoppelt.
• Plattformneutralität: Lösungen werden so verpackt, dass sie auf Zielsystemen stabil laufen – notfalls auf Embedded-Linux statt komfortablem Windows.

Diese Konsequenz verleiht den Projekten Substanz. Für Engineering-Profile, die Wert auf Qualität, Reproduzierbarkeit und Transfer legen, ist das ein ideales Umfeld.

Zusammenarbeit über Disziplinen hinweg: Was gute Kommunikation praktisch heißt

Wenn Hartmann Kommunikationsfähigkeit betont, meint er damit nicht nur „gut präsentieren können“. Praktisch geht es um:

• Übersetzen zwischen Fachsprachen: Metallurgie, Physik, Maschinenbau, Data – jede Disziplin hat ihren Jargon.
• Gemeinsames Problembild: Welche Prozessfrage wollen wir mit Daten und Simulation beantworten?
• Erwartungsmanagement: Was leisten Modelle, was nicht? Welche Datenqualität ist nötig?
• Saubere Schnittstellen: Von Sensorik über Datenbank bis Python-Notebook – wer liefert was, in welcher Form, mit welcher Qualität?

Genau in diesen Punkten entscheidet sich, ob Datenarbeit Wirkung entfaltet. Das LKR scheint das verinnerlicht zu haben – und stellt Kommunikation darum neben technische Exzellenz.

Warum jetzt? Der Momentum-Mix aus Sensorik, Cloud und ML

Die letzten Jahre haben eine klare Richtung gesetzt: Prozesse werden instrumentiert, Daten werden zur Ressource, Plattformen wie Azure werden zugänglich, ML-Methoden leistungsfähig. Das LKR nutzt diesen Momentum-Mix – allerdings mit der Nüchternheit von „Prozessmenschen“. Das Ergebnis ist ein Setup, das moderne Tools einsetzt, ohne sich von ihnen treiben zu lassen. Für Tech-Talente entsteht damit ein Kontext, der fachliche Tiefe mit handfesten Outcomes verbindet.

Dieser Satz beschreibt eine produktive Neugier: Daten sind kein Selbstzweck. Sie sollen Antworten geben – über den Prozess, über die Simulation, über Qualität.

Was wir aus der Session besonders mitnehmen

• Das LKR ist interdisziplinär und prozessfokussiert aufgestellt – mit drei Prozessgruppen und einem Simulationsteam.
• Digitalisierung ist integraler Bestandteil: Sensorik, Kooperationen mit Herstellern, End-to-End-Datenketten.
• Data Engineering und Data Science werden explizit ausgebaut – mit Fokus auf Qualität, Filterung, Bereinigung und belastbare Erkenntnisse.
• Technologie pragmatisch eingesetzt: lokale Datenbanken oder Cloud (z. B. Microsoft Azure), ML/Neuronale Netze, Containerisierung mit Docker.
• Kulturmerkmale: International, häufig Englisch, Kommunikation als Muss.
• Recruiting und Onboarding sind strukturiert, transparent und praxisnah – inklusive Onsite-Einblick in Ranshofen, Checkliste und Einführungspartner:in.

Fazit: Ein Umfeld für Leute, die Wirkung in der Realität suchen

„Matthias Hartmann, Senior Research Engineer bei LKR Ranshofen / AIT“ hat gezeigt, wie das AIT Austrian Institute of Technology GmbH mit dem LKR eine Brücke schlägt: zwischen klassischer Fertigungskompetenz und moderner Datenarbeit. Wer sich für Gießen, Umformen, Additive Fertigung und Simulation interessiert – und dabei End-to-End in Datenketten denken will –, findet hier ein Umfeld, in dem Technik nicht im Prototyp stecken bleibt, sondern zum Kunden, zur Anlage, in die Realität zurückkehrt.

Für Tech-Talente heißt das: Hier gibt es echte Prozesse, echte Daten, echte Deployments – und ein Team, das Kommunikation als Schlüssel versteht. Ein Ort für Menschen, die „Prozessmenschen“ sein wollen und die Digitalisierung so leben, dass sie wirkt.