Kompetenzentwicklung für Maschinelles Lernen zur Konstituierung der digitalen Souveränität

Kompetenzen und deren Entwicklung nehmen in der Wissenschaft sowie der alltäglichen Diskussion einen immer höheren Stellenwert ein. Im Jahr 2006 war der Begriff Kompetenz nach Zählungen des Projekts Deutscher Wortschatz unter den 5000 am häufigsten verwendeten Begriffen (Klieme and Hartig, 2008). Während in der Literaturdatenbank FIS Bildung im Jahr 2008 8889 Treffer für den Begriff Kompetenz registriert wurden, stieg dieser Wert im Jahr 2018 auf 35.260 Treffer, was den enormen Anstieg entsprechender Literatur verdeutlicht (Weisner, 2019). Ein wichtiger, in zahlreichen Publikationen und der Presse diskutierter Aspekt ist der demografische Wandel und die hiermit einhergehende Veränderung der Bevölkerungsstruktur. Fokus dieses Diskurses sind häufig gesellschaftliche Probleme wie z. B. sinkende Innovationsdynamik, soziale Konflikte zwischen älteren und jüngeren Generationen, steigende Kosten für das Sozialsystem (Landau et al., 2011). Allerdings sind auch Unternehmen direkt betroffen, da diese vor der großen Herausforderung stehen, dem drohenden Fachkräftemangel durch eine entsprechende Ausbildung von älteren Beschäftigten zu begegnen (Frerichs, 2015). Die zuvor beschriebenen Probleme werden durch die Corona-Pandemie teilweise deutlich beschleunigt und verschärft. Aufgrund von Versäumnissen in der digitalen Ausbildung der Beschäftigten gelingt es teilweise nur schleppend, das virtuelle Arbeiten zu ermöglichen und somit eine Akzeptanz für die neue Arbeitssituation zu schaffen (Lavanchy et al., 2020).

Die häufige Verwendung des Kompetenzbegriffs, sowie die Verbreitung in verschiedenen Forschungsdisziplinen führen dazu, dass sich keine einheitliche Definition in der Literatur findet. Oftmals werden die Begriffe Kompetenz, Qualifikation und teilweise auch Wissen sowohl im betrieblichen Umfeld als auch im wissenschaftlichen Umfeld synonym betrachtet. Diese synonyme Verwendung ist bei genauer Betrachtung jedoch nicht korrekt. Vielmehr stellen Qualifikationen das Ergebnis eines Lernprozesses dar und umfassen das erlangte Wissen einer Person. Qualifikationen können daher im Rahmen von Prüfungssituationen sichtbar gemacht und auch zertifiziert werden (Weisner, 2019; Erpenbeck et al., 2017). Kompetenzen wiederum adressieren einen ganzheitlicheren Betrachtungsansatz und berücksichtigen, dass Fertigkeiten und Wissen nicht nur durch Lehr- sowie Lernprozesse sondern auch auf informellem Wege erworben werden können (Fölsch, 2010). Weinert (2001) versteht unter Kompetenzen „die bei Individuen verfügbaren oder von ihnen erlernbaren kognitiven Fähigkeiten und Fertigkeiten, bestimmte Probleme zu lösen, sowie die damit verbundenen motivationalen, volitionalen und sozialen Bereitschaften und Fähigkeiten, die Problemlösungen in variablen Situationen erfolgreich und verantwortungsvoll nutzen zu können“. Wesentliches Charakteristikum dieses Verständnisses ist die Tatsache, dass Kompetenzen erworben werden können bzw. sogar erworben werden müssen. Dieser Kompetenzerwerb setzt wiederum das Sammeln von situationsbedingtem Erfahrungswissen voraus (Hartig und Klieme, 2006; Klieme et al., 2003). Auf den beruflichen Kontext bezogen bedeutet dies, dass Kompetenzen nur durch konkrete Anwendung von Wissen und Fertigkeiten, zur Erzielung der beabsichtigten Ergebnisse, erlangt werden können (North et al., 2016). Im beruflichen Handlungskontext lassen sich erforderliche Kompetenzen in vier übergeordnete Klassen unterteilen. Die Fach-, Methoden-, Sozial- und Selbstkompetenz sind erforderlich, um eine entsprechend berufliche Handlungskompetenz zu erwerben (Weisner, 2019). Abb. 2 verdeutlicht die grundlegenden Kompetenzarten.

Unter Methodenkompetenz werden Fähigkeiten verstanden, welche dazu genutzt werden, Lösungswege systematisch zu finden und anzuwenden. Die Selbstkompetenz fokussiert sich auf die Fähigkeit in Situationen der Interaktion Probleme durch Kommunikation kooperativ lösen zu können (Kauffeld et al., 2017). Die Selbstkompetenz umfasst insbesondere Merkmale, welche sich in den Einstellungen und Werten von Individuen zeigen, dies können beispielsweise Durchhaltevermögen oder auch Willensstärke sein (Weisner, 2019).

Fachkompetenzen beschreiben in diesem Zusammenhang den konkreten fachlichen Anwendungsbereich und sind auf eine Aufgabensituation bezogen. Die entsprechend notwendigen Kompetenzen sind daher von der spezifischen Aufgabenstellung abhängig und berücksichtigen nicht darüber hinausgehende Aspekte (Arnold, 2005). Diese Kompetenzen ermöglichen die Identifikation von Problemen und die Generierung entsprechender Lösungen (Kauffeld et al., 2017). Kompetenzen im Bereich des ML können beispielsweise die Datenaufbereitung oder die Auswahl geeigneter Analysemodelle sein. Außerdem lassen sich eine Vielzahl weiterer Fachkompetenzen finden, welche für ML als relevant betrachtet werden (Bauer et al., 2018). Insbesondere die Vielzahl der verschiedenen Fachkompetenzen verdeutlicht die Schwierigkeit, einzelne Beschäftigte so zu entwickeln, dass sie in allen aufgeführten Gebieten entsprechende Kompetenzen besitzen. Es zeigt sich die Erfordernis, neue Rollen zu definieren und diesen konkrete Kompetenzen zuzuweisen. Zu beachten ist, dass insbesondere die Vielfalt der neuen Fachkompetenzen dazu verleiten kann, die anderen Kompetenzarten nur unzureichend zu betrachten. Bei der Entwicklung des Konzepts müssen diese daher entsprechende Berücksichtigung finden, um eine erfolgreiche Implementierung in die Unternehmensorganisation zu ermöglichen.

Bei der Umsetzung von ML-Projekten stehen verschiedene Vorgehensmodelle zur Verfügung, welche die einzelnen Umsetzungsphasen beschreiben. Das Modell der Knowledge Discovery in Databases (KDD) gliedert ein ML-Projekt in die Phasen Selection, Preprocessing, Transformation, Data Mining sowie Interpretation/Evaluation (Fayyad et al., 1996). Ein in der Industrie etabliertes Vorgehensmodell findet sich mit dem CRISP-DM (Cross Industry Standard Process for Data Mining), welcher zusätzlich zum KDD noch die Phase des Deployments beinhaltet (Chapman et al., 2000). In der Literatur finden sich noch weitere Vorgehensmodelle, wie z. B. das Knowledge Discovery in Industrial Databases (KDID), das eine Erweiterung des KDD für industrielle Anwendungen darstellt (Deuse et al., 2014). Diesen Modellen ist jedoch gemein, dass sie eine technologisch getriebene Herangehensweise an ML-Projekte und die Datenerhebung, -vorverarbeitung und -auswertung fokussieren. Vernachlässigt wird in diesem Zusammenhang jedoch oftmals das Projektmanagement, welches eine essentielle Stellung in der praktischen Umsetzung einnimmt. Grundlegende Voraussetzung für ein effektives Projektmanagement ist eine zielgerichtete Aufgabenverteilung und eine klare Kommunikationsstruktur (Freitag, 2016). In der aktuellen Forschung wird die Frage, welche Kompetenzen für die einzelnen Umsetzungsphasen der Vorgehensmodelle erforderlich sind, jedoch nur unzureichend thematisiert.

Einen ersten Ausblick, wie ein solches Rollenmodell für die Integration von ML in der industriellen Produktion aussehen könnte, zeigt das dreigliedrige Industrial-Data-Science-Modell (Bauer et al., 2018) (Abb. 3).

In diesem Modell zeigt sich deutlich, dass durch ML insbesondere Schnittstellenfunktionen zwischen den Disziplinen der Informatik, Statistik und dem Domänenwissen immer bedeutsamer werden. Allerdings ist das vorliegende Modell für die Ausprägung auf KMU zu generisch, da eher die involvierten Disziplinen als die in Unternehmen vorhandenen Rollenbilder betrachtet werden. Eines der aktuell bekanntesten Rollenbilder im Zusammenhang mit ML ist der „Data Scientist“, welchem zahllose Fähigkeiten und Kompetenzen zugeschrieben werden. Teilweise werden in der Presse Meldungen veröffentlicht, die ihn gar zum Allheilmittel im Kampf mit den immer weiter steigenden Datenmengen stilisieren (Königes, 2020). Diese Darstellung und die erst langsam startenden Ausbildungsprogramme führen dazu, dass Data Scientists entsprechend zu gefragten Fachkräften auf dem Arbeitsmarkt mit entsprechenden Kostensätzen werden (Stadelmann et al., 2019).

Ein aus dieser Nachfrage resultierender Trend ist das Entstehen immer neuer Bezeichnungen wie z. B. die des Data Engineers, Data Analysts oder des Data Stewards, welche jedoch in der Literatur kaum bzw. nicht eindeutig definiert sind. Es gilt daher zu untersuchen, welche von diesen Rollen für KMU erforderlich sind und welche Kompetenzen diesen Rollen zugewiesen werden müssen. Ein wichtiger Aspekt bei der Auswahl erforderlicher Rollen und dem Aufbau entsprechender Data-Science-Teams ist unter anderem die Berücksichtigung der eigentlichen Organisationsstruktur. Große Industrieunternehmen auf der einen Seite verfügen über diverse Möglichkeiten die Fragestellung nach zukunftsweisenden Digitalisierungsstrategien, Organisationsstrukturen und Mitarbeiterprofilen zu gestalten. Häufig werden ganze Abteilungen oder sogenannte „Think Tanks“, mit der Fragestellung einer innovativen Zukunftsgestaltung betraut (Poguntke, 2019). Auf der anderen Seite haben KMU in der Regel keine solchen Ressourcen, auf die sie zurückgreifen können. Die Unternehmensleitung sieht Digitalisierungsthemen deshalb als Chefsache und entscheidet autark über diese. Beschäftigte hingegen stehen der Digitalisierung teilweise skeptisch gegenüber und betrachten oftmals eher Risiken als Chancen (Leeser, 2020).

In diesem Zusammenhang sei auch auf die Typologisierung von nicht-forschungsintensiven KMU im Zusammenhang mit der Einführung und Umsetzung von Industrie 4.0 verwiesen. Grundsätzlich lassen sich vier verschiedene Unternehmenstypen unterscheiden (siehe Abb. 4).

Bis auf den gestaltenden Unternehmenstyp, welcher sich durch den Willen auszeichnet, Veränderung aktiv mitgestalten zu wollen, charakterisieren sich alle diese KMU-Typen dadurch, dass Veränderungen erst dann angestoßen werden, wenn praxisnahe Lösungen zur Verfügung stehen (Wienzek, 2018). Das zu entwickelnde Rollenmodell muss dieser Charakteristik besondere Beachtung schenken, da eine erfolgreiche Umsetzung nur unter Einbeziehung sowohl der Mitarbeitenden als auch der Geschäftsleitung gelingen kann. Darüber hinaus muss bei der Konzeptionierung eine hohe Praxisnähe beachtet werden, da andernfalls nur ein kleiner Kreis von KMU für die Umsetzung zur Verfügung stünde.

Zwar wurde der steigende Bedarf einer Kompetenzentwicklung sowohl von der Industrie als auch von Universitäten erkannt, allerdings finden sich hauptsächlich Fortbildungsreihen, Schulungen und Seminare an Universitäten oder Hochschulen, die grundlegend auf die Bedürfnisse der Studierenden zugeschnitten sind. Exemplarisch kann hier die vom Institut für Produktionssysteme (IPS) der TU Dortmund initiierte Lehrveranstaltung „Industrial Data Science“ genannt werden, welche Studierende in einem zweisemestrigen Vorlesungsformat eine Kombination aus theoretischem Wissen und praxisnahen Übungen anbietet (Bauer et al., 2018). Vorteilhaft an diesem Format ist die wissenschaftlich fundierte Basis zur Vermittlung von Methoden und Techniken des ML. KMU können von dieser Art der Qualifizierung jedoch nur indirekt durch besser ausgebildete Absolventinnen und Absolventen profitieren, da für bereits im Unternehmen Beschäftigte eine solches Qualifizierungskonzept ungeeignet ist. Dies hat insbesondere damit zu tun, dass operative Mitarbeiter häufig stark in das alltägliche Geschäft eingebunden sind und somit nur mit großem Aufwand längerfristig zu Schulungszwecken freigestellt werden können. Im industriellen Umfeld wird daher klassischerweise zwischen dem arbeitsgebundenen und dem arbeitsorientierten Lernen unterschieden (Scholz, 2014). Während das arbeitsgebundene Lernen einen direkten Bezug sowie räumliche Nähe zum Arbeitsplatz aufweist („On the Job“), erfolgt die Kompetenzentwicklung beim arbeitsorientierten Lernen unabhängig vom Arbeitsplatz („Off the Job“) (Mühlbradt, 2015; Senderek et al., 2015). Eine mit der Digitalisierung aufkommende weitere Methode der Kompetenzentwicklung findet sich im E-Learning oder auch im Blended Learning, welches klassische Lernmethoden mit den Möglichkeiten des E-Learning kombiniert (Sauter et al., 2004). Eine Studie des MMB-Instituts für Medien- und Kompetenzforschung besagt, dass durch diese Formate eine Erhöhung der räumlichen und zeitlichen Flexibilität, eine Individualisierung von Weiterbildungsmaßnahmen sowie umfangreiche Zeit- und Kostenersparnisse erzielt werden können (MMB Institut für Medien- und Kompetenzforschung, Haufe Akademie, 2014). Es ist daher nicht weiter verwunderlich, dass eine Vielzahl verschiedener Weiterbildungsangebote basierend auf diesem Lernformat zu finden sind. Auf Ausbildungsportalen wie zum Beispiel Udemy, Udacity oder edX finden sich zahlreiche Weiterbildungsangebote im Bereich ML, die insbesondere theoretisches Grundlagenwissen vermitteln (Fichter, 2017). Daneben bieten mittlerweile auch die großen Internetkonzerne wie Amazon Web Services, Microsoft, Google etc. eigene Ausbildungsreihen, zugeschnitten auf die eigene Software, an. Dies führt zu einem unübersichtlichen Markt an Ausbildungsmöglichkeiten. Erschwerend kommt insbesondere für kleinere Unternehmen ohne eigene Data-Science-Abteilung hinzu, dass eine fehlende Verknüpfung der Ausbildungsangebote mit industriell erforderlichen Kompetenzen die Auswahl entsprechender Schulungen nahezu unmöglich macht. Diesem Umstand ist es geschuldet, dass insbesondere KMU seltener auf entsprechende Weiterbildungsangebote zurückgreifen (Treumann et al., 2012; Gorges, 2015).