Vom Lötkolben zum Machine-Learning-Lead: Mislav Findrik, Research Engineering Lead bei cyan Digital Security über den geraden Weg durch Forschung und Industrie

Kontext: Ein Gespräch, das Brücken schlägt

In „Mislav Findrik, Research Engineering Lead bei cyan Digital Security“ (Speaker: Mislav Findrik, Company: CYAN Security Group GmbH) öffnet der Sprecher den Blick auf einen Werdegang, der Hardware-Neugier, akademische Tiefe und industrielle Wirkung zusammenführt. Was wir gehört haben, ist kein lautes Spektakel und keine Überhöhung, sondern eine klare, geradlinige Erzählung: vom technischen Gymnasium über Studium und angewandte Forschung bis hin zur Leitung eines Research-Engineering-Teams in der Cybersicherheit – mit einem konsequenten Fokus auf maschinelles Lernen.

Wir haben aufmerksam zugehört, wie sich aus frühen Praxisstunden mit dem Lötkolben ein Berufsbild formte, das heute auf Kollaboration, Datenkompetenz und Produktverbesserung zielt. Und wir haben herausgezogen, was für Entwicklerinnen und Entwickler an dieser Geschichte besonders wertvoll ist: die Nähe zur Praxis, die konsequente Weiterbildung und der Blick über die Grenzen von Disziplinen und Organisationen hinweg.

Ein Anfang mit Lötkolben und Leiterplatten

Der Einstieg klingt nach klassischem Tüftlergeist. Mislav beschreibt seine Schulzeit an einer technischen Höheren Schule, in der die Welt der Schaltungen und Platinen greifbar wurde:

Mehr Praxisbezug lässt sich in einer Frühphase kaum denken: Leiterplatten programmieren, mit dem Lötkolben experimentieren, das Zusammenspiel aus Hardware und Logik verstehen. Diese Erfahrung erklärt, warum der spätere Übergang in die Software nicht einer Flucht aus der Hardware, sondern einer Erweiterung des Werkzeugkastens gleicht. Wer Elektronik von Grund auf erlebt, lernt systemisch zu denken: Es gibt Eingänge, Ausgänge, Abhängigkeiten, Nebenwirkungen – genau die Art von Denken, die in Datenprojekten und maschinellem Lernen große Stärke entfalten kann.

Was wir daraus mitnehmen

• Frühpraxis schafft Fundament: Wer früh an echten Systemen arbeitet – seien es Leiterplatten oder Datensätze – baut ein Gespür für Zusammenhänge auf, das im Berufsleben unbezahlbar ist.
• Hardware-Erfahrung schult die Strenge: Wenn ein Bauteil falsch sitzt, funktioniert nichts. Diese Konsequenz wirkt in Software und ML-Projekten weiter – saubere Schnittstellen, klare Annahmen, überprüfbare Hypothesen.

Vom Plan Elektrotechnik zur Realität Informatik

Mit Beginn des Studiums war das Ziel zunächst Elektrotechnik. Doch es kam anders – und zwar schnell:

Die Konsequenz: Bachelor und Master in Informatik. Kein Bruch, sondern eine Weiterentwicklung – vom physikalischen zur algorithmischen Ebene, vom Löten zum Programmieren. Wir hören hier kein Drama, sondern eine nüchterne Entscheidung, getragen von Neugier. Programmierung eröffnete neue Räume: die Abstraktion von Problemen, die Wiederverwendbarkeit von Lösungen, der Weg in Daten und später ins maschinelle Lernen.

Learnings für angehende Entwicklerinnen und Entwickler

• Richtungswechsel sind kein Risiko, sondern eine Ressource: Wer in den ersten Semestern merkt, dass Software die stärkere Anziehungskraft hat, sollte der Neugier folgen.
• Disziplinen addieren sich: Eine elektrotechnische Perspektive bleibt wertvoll – sie ergänzt die Informatik um ein Verständnis für Systeme, Physik und Grenzen.

Angwandte Forschung in Wien: Projekte zwischen Industrie und Wissenschaft

Nach Masterabschluss ging es für Mislav in den angewandten Forschungsbereich – in Wiener Forschungseinrichtungen, eingebunden in österreichische und europäische Projekte. Wichtige Stichworte in seiner Erzählung sind Kooperation, Transfer und das verzahnte Arbeiten mit der Wissenschaft:

Diese Phase ist prägend: Projekte, die Forschung und Praxis zusammenbringen, zwingen dazu, Fragestellungen sauber zu formulieren und Ergebnisse so zu liefern, dass sie tatsächlich nutzbar sind. In diesem Umfeld ergab sich auch die Möglichkeit zum Doktorat:

Das Bemerkenswerte: Kein theoretisches Elfenbeinturm-Studium, sondern ein Doktorat parallel zur angewandten Arbeit. Das schärft, aus unserer Sicht, zwei Fähigkeiten, die in modernen ML- und Data-Teams unverzichtbar sind: einerseits die methodische Tiefe und wissenschaftliche Strenge, andererseits der Blick für die Umsetzbarkeit in realen Produkten.

Transferkompetenz als Karrieretreiber

• Forschung ist kein Selbstzweck, sondern Werkzeug: Wer projektgetrieben forscht, lernt, Resultate zu operationalisieren.
• Akademische Tiefe plus Produktfokus: Diese Kombination schafft langfristig Wert – und bildet oft die Grundlage für Führungsaufgaben in datenintensiven Bereichen.

Wechsel in die Industrie: Wirkung im Produkt bei CYAN Security Group GmbH

Nach der Forschungsphase kam der Schritt in die Industrie. Heute arbeitet Mislav bei Cyan – in der Rolle, die im Titel der Session klar benannt ist: Research Engineering Lead. Seine knappe Zusammenfassung der Mission ist unmissverständlich:

Damit ist die strategische Klammer gesetzt: Zusammenarbeit mit Forschungspartnern, um Cybersicherheitsprodukte kontinuierlich zu verbessern – mit einem unmittelbaren Ziel: den Schutz der Kundinnen und Kunden. Es geht nicht um Forschung um der Forschung willen, sondern um konkrete Produktfähigkeit.

Die Organisation der Arbeit

Mislav beschreibt sein Wirkungsfeld entlang dreier Achsen:

• Kooperation mit Forschungspartnern in Österreich
• Leitung eines interdisziplinären Teams aus Data Engineers, Data Scientists und Software Engineers
• Fokus auf maschinelles Lernen als Technologiehebel

Diese Rollenbeschreibung macht klar: Research Engineering ist Brückenarbeit. Sie fordert die Sprache der Wissenschaft und die Sprache des Produkts – und sie verlangt Führung, die Prioritäten übersetzt: Welche Forschungsfrage zahlt auf die Produktsicherheit ein? Welche ML-Ansätze sind reif genug, um echten Kundennutzen zu stiften?

Maschinelles Lernen in der Cybersicherheit: Fokus ohne Buzzword

Mislav bleibt bei der Beschreibung des ML-Fokus bewusst sachlich. Keine Marketingfloskeln, keine Spezifika, die über das Gesagte hinausgehen – dafür eine klare Linie: ML als Mittel, um Cybersicherheitsprodukte zu verbessern. Genau diese Nüchternheit ist die Stärke der Erzählung. Sie lässt sich in drei Grundsätze übersetzen, die wir aus dem Gesagten ableiten:

1. Zweckorientierung: ML dient der Produktverbesserung – „better cybersecurity solutions“ – nicht der Demonstration technologischer Machbarkeit.
2. Kollaboration als Qualitätshebel: Forschungspartner bringen Tiefe, Strenge und frische Ideen – entscheidend, wenn sich Bedrohungslagen und Datenmuster ändern.
3. Teamkomplementarität: Data Engineering, Data Science und Software Engineering stellen gemeinsam sicher, dass ML nicht in Notebooks stecken bleibt, sondern den Weg ins Produkt findet.

Praxisnahe Konsequenzen

• Datenqualität ist Produktqualität: Was Data Engineers ermöglichen, bestimmt, wie robust ML in der Anwendung performt.
• Wissenschaftliche Strenge schützt vor Luftschlössern: Saubere Evaluation, klare Annahmen und reproduzierbare Ergebnisse sind in Sicherheitsanwendungen nicht verhandelbar.
• Produktintegration ist der Test: Am Ende zählt, ob das Modell im Produktumfeld zuverlässig wirkt.

Führung, die übersetzt: Von der Idee zum Ergebnis

Aus der Rollenbeschreibung lässt sich erahnen, was Research-Engineering-Leadership im Alltag ausmacht – ohne über die Fakten hinauszugehen: Übersetzen, Priorisieren, Verbinden. Wer ein Team aus Data Engineers, Data Scientists und Software Engineers führt, muss Ziele formulieren, die alle drei Perspektiven integrieren. Forschungspartner erhöhen die Varianz der Ideen; Führung sorgt dafür, dass daraus produktrelevante Vorhaben werden.

Wir hören in Mislavs Worten keine Selbstdarstellung, sondern eine Aufgabenbeschreibung. Das passt ins Bild eines Umfelds, in dem die Arbeit sprechen soll: „better cybersecurity solutions … better protect the customers.“ Was zählt, ist Wirkung.

Empfehlungen für Einsteigerinnen und Einsteiger in ML und Data Science

Am Ende wird Mislav konkret – mit Empfehlungen, die nicht nur sinnvoll klingen, sondern direkt umsetzbar sind:

Drei Handlungsfelder – einfach und wirkungsvoll

1. Datenwettbewerbe: Benchmarken gegen andere ist eine Form der ehrlichen Rückmeldung. Es hilft, Lösungsideen zu schärfen, Metriken zu verstehen und die eigene Lernkurve sichtbar zu machen.
2. Meetups besuchen: Regelmäßige Branchentreffen halten den Blick offen – welche Probleme beschäftigen die Industrie, welche Ansätze werden praktiziert, worüber wird kritisch diskutiert?
3. GitHub-Profil pflegen: Öffentliche Arbeit ist ein Portfolio. Sie zeigt, wie man denkt, dokumentiert, testet – und erlaubt es anderen, das Potenzial einzuschätzen.

Warum genau diese drei?

• Sie sind niedrigschwellig und skalierbar: von kleinen Experimenten bis zu systematischem Aufbau von Kompetenz.
• Sie verknüpfen Lernen mit Sichtbarkeit: Lernen allein reicht nicht – es muss findbar und nachvollziehbar sein.
• Sie koppeln Feedback an Fortschritt: Wettbewerbe und Community-Formate liefern Vergleichsdaten und Resonanz.

Was wir als Redaktion daraus lernen

Wir haben die Session als Beispiel für geradlinige, pragmatische Karrieregestaltung erlebt. Keine Abkürzungen, keine großen Schlagzeilen – dafür drei Konstanten, die sich durchziehen:

• Handwerk zuerst: Ob Lötkolben oder Code – Können entsteht am Werkstück.
• Tiefe durch Forschung: Akademische Strenge ist kein Luxus, sondern Asset – besonders, wenn sie mit Projektpraxis verzahnt ist.
• Wirkung im Produkt: Forschungsergebnis plus Teamarbeit plus Kollaboration führt zu Verbesserungen, die Kundinnen und Kunden schützen.

Diese Konstanten fügen sich in einem Feld zusammen, das wie kaum ein anderes von Dynamik geprägt ist: Cybersicherheit. Der Weg, den Mislav skizziert, zeigt, wie man in dieser Dynamik Orientierung findet: durch Klarheit im Ziel („better cybersecurity solutions“), durch starke Partner und durch Teams, die Daten, Modelle und Software als Einheit begreifen.

Leitplanken für die eigene Laufbahn

Ohne den Rahmen des Gesagten zu verlassen, lassen sich aus der Erzählung Leitplanken ableiten, die gerade für Entwicklerinnen und Entwickler am Übergang zwischen Studium, Forschung und Industrie wichtig sind:

• Folge der Neugier: Der Wechsel von Elektrotechnik zu Informatik entstand aus echter Anziehung zum Programmieren – und wurde konsequent zu Bachelor und Master fortgeführt.
• Suche die Schnittmenge von Theorie und Praxis: Angewandte Forschung mit akademischer Komponente bietet Raum, tiefe Methodenkompetenz aufzubauen, ohne den Realitätsbezug zu verlieren.
• Lerne im Wettbewerb, teile im Netzwerk, dokumentiere öffentlich: Wettbewerbe, Meetups, GitHub – drei Wege, um Können sichtbar zu machen und zu verbessern.
• Denke in Systemen und Produkten: ML ist kein Selbstzweck. Es dient dem Schutz von Kundinnen und Kunden – und braucht dafür Daten, Modelle, Infrastruktur und Teamarbeit.

Ein roter Faden: Konsequenz ohne Spektakel

Die Kraft dieser Geschichte liegt in ihrer Einfachheit. Ein technischer Start, ein bewusster Richtungswechsel, Jahre der angewandten Forschung, begleitet von einem Doktorat, und schließlich eine Führungsrolle, die Forschung und Produkt verbindet. Weniger narrative Kurven, mehr Substanz – und gerade deshalb ein gutes Vorbild. Denn in Tech-Karrieren ist Beständigkeit oft unterschätzt: Die Geduld, Dinge gründlich zu lernen; die Bereitschaft, sich an Benchmarks zu messen; die Offenheit, in Communities zu lernen; die Disziplin, Ergebnisse so zu bauen, dass sie halten.

Fazit: Was zählt – und wie man dorthin kommt

Aus „Mislav Findrik, Research Engineering Lead bei cyan Digital Security“ nehmen wir drei Kerngedanken mit:

• Praxisnähe als Startkapital: Der Weg über Elektronik und frühe Programmierpraxis schafft ein robustes Fundament.
• Forschung als Katalysator: Projekte zwischen Industrie und Wissenschaft, gepaart mit einem Doktorat, formen eine Denkweise, die Produktverbesserungen strukturiert möglich macht.
• Führung durch Verbindung: Zusammenarbeit mit Forschungspartnern, interdisziplinäre Teams und ein klarer ML-Fokus liefern schrittweise bessere Cybersicherheitslösungen – mit direktem Nutzen für Kundinnen und Kunden.

Für angehende ML-Engineers und Data Scientists ist der Rat des Speakers pragmatisch und präzise: messt euch in Wettbewerben, lernt in Meetups, und zeigt euer Können auf GitHub. Für uns als Tech-Community ist es eine Erinnerung, dass Fortschritt aus vielen kleinen, konsequenten Schritten entsteht – und dass die beste Forschung die ist, die im Produkt ankommt und schützt.

• 

  

  Milen, Teamlead Project Managemtn at CYAN Security Group

  Jetzt ansehen
• 

  

  Alexander Zlatnik, Head of Product & Technology von cyan Digital Security

  Alexander Zlatnik von cyan Digital Security gibt im Interview Einblicke in die Developer Teams, die Technologien die dort zum Einsatz kommen und wie das Recruiting im Unternehmen gestaltet ist.

  Jetzt ansehen
• 

  

  Alexander Zlatnik, Head of Product and Development at CYAN Security Group

  Jetzt ansehen
• 

  

  Markus Cserna, CTO von cyan Digital Security

  Markus Cserna von cyan Digital Security umreißt im Interview die Organisation des Cybersecurity Unternehmens, mit welchen Technologien dort gearbeitet wird und gibt Einblicke in das Recruiting und Onboarding neuer Mitarbeiter.

  Jetzt ansehen

• 

  

  Jorge Costa, Product Manager bei cyan Digital Security

  Jorge Costa von cyan Digital Security fasst im Interview seinen beruflichen Weg bis hin zur aktuellen Arbeit als Product Manager zusammen, redet über die Besonderheiten des Unternehmens und gibt Tipps für Neueinsteiger.

  Jetzt ansehen
• 

  

  René Bürke, Technical Product Manager bei cyan Digital Security

  René Bürke von cyan Digital Security erzählt im Interview über seinen Karriereweg bis hin zur aktuellen Arbeit im Technical Product Management und gibt Tipps für Neueinsteiger.

  Jetzt ansehen