In der Reihe „Creator Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Sabrine Bendimerad.
Sabrine ist eine Ingenieurin für angewandte Mathematik, die in den letzten 10 Jahren als leitende KI-Ingenieurin gearbeitet und Projekte von der ersten Idee bis zur Produktion geleitet hat.
Ihre Reise hat sie durch sehr unterschiedliche Welten geführt, von der Analyse von Satellitenbildern für große europäische Versorgungsunternehmen bis zu ihrer aktuellen Rolle als Forscherin im Bereich medizinische Bildgebung bei Neurospin. Heute arbeitet sie an Gehirnbildern, um Schlaganfallpatienten bei der Genesung zu helfen.
Sabrine ist außerdem Mentorin und Gründerin von Dataiilearn. Sie liebt es, nicht nur über Code zu schreiben, sondern auch darüber, wie man eine echte Karriere aufbaut und wie man sicherstellt, dass Information-Science-Projekte tatsächlich das Endstadium erreichen, in dem sie echte Auswirkungen haben.
Vor ein paar Monaten haben Sie sich einer drängenden Frage gestellt, mit der sich Datenprofis heute beschäftigen: „Lohnt es sich noch?“ Warum haben Sie sich entschieden, sich damit zu befassen, und hat sich Ihre Place in der Zwischenzeit weiterentwickelt?
Eigentlich mein Artikel „Information Science im Jahr 2026: Lohnt es sich noch?„ löste eine Lawine von Nachrichten auf LinkedIn aus. Ich hatte erwartet, dass sich die Junioren über diese Frage Sorgen machen würden, aber ich warfare überrascht zu sehen, dass auch Leute mit langjähriger Erfahrung die Zukunft in Frage stellten.
Ich beschäftige mich jetzt seit 10 Jahren mit KI und es stimmt, dass Sie am Anfang allein durch die Kenntnis von Python und Statistik/Mathematik zu einem Einhorn geworden sind. Heute ist der Markt mit neuen Datenwissenschaftlern gesättigt, und neue, auf KI-Agenten basierende Instruments übernehmen die manuellen, einfachen Aufgaben, die wir früher erledigten.
Meine Place ist additionally immer noch die gleiche oder vielleicht sogar stärker: KI und Datenwissenschaft lohnen sich immer noch, aber der „generalistische Datenwissenschaftler“ ist eine aussterbende Spezies. Um zu überleben, müssen Sie sich über die bloßen Modelle in einem Pocket book hinaus weiterentwickeln. Sie müssen die Bereitstellung, LLMs, RAG und vor allem Domänenkenntnisse beherrschen, die die Dateninterpretierbarkeit unterstützen. Wenn wir Basismodelle in einem Pocket book erstellen, könnten unsere Aufgaben natürlich von Agenten erledigt werden. Die Arbeitsplätze verschwinden nicht; sie sind einfach anders. Sie müssen Fähigkeiten aufbauen, die sich an diesen neuen Markt anpassen.
Sie haben ziemlich viel über Karrieren in geschrieben Datenwissenschaft Und KI. Wie hat Ihre eigene Reise die Erkenntnisse geprägt, die Sie mit Ihren Lesern teilen?
Von Anfang an ging es bei meiner Reise nie nur um den Code. Mir wurde schon früh klar, dass man das Lösen realer Probleme nicht an einer Universität oder in einem Bootcamp lernt. Das lernt man, indem man mit echten Groups in den Schützengräben steht. Während meiner jahrelangen Arbeit mit Satellitenbildern für Energie- und Wasserunternehmen habe ich gelernt, dass man „Finish-to-Finish“ denken muss, um eine echte Lösung zu schaffen. Wenn ein Modell in einem Pocket book verbleibt, hat es keine Auswirkungen. Deshalb habe ich Schreiben Sie so viel über MLOps – wie man Modelle in der Produktion verwaltet, bereitstellt und überwacht.
Der Wechsel in den medizinischen Bereich fügte meinem Denken eine neue Ebene hinzu. Wenn Sie im Versorgungssektor einen Fehler machen, müssen Sie mit finanziellen Verlusten rechnen. Aber in der medizinischen Bildgebung geht es um Menschenleben. Dieser Wandel hat mich gelehrt, dass KI Code generieren kann, aber das Gewicht einer menschlichen Entscheidung nicht verstehen kann. Genau aus diesem Grund habe ich angefangen, über Dinge wie zu schreiben LAPPEN, LLMsund ihre Auswirkungen. Für mich ist es nicht nur ein Trendthema; Es geht darum, wie schwierig es ist, diese Instruments so zuverlässig zu machen, dass ein Mensch ihnen zu 100 % vertrauen kann.
Meine Erkenntnisse stammen aus dieser Brücke: Ich habe den industriellen Hintergrund des Bauens für die Produktion, aber ich habe auch den Forschungshintergrund, bei dem die Methodik perfekt sein muss. Ich schreibe, um diese technischen Fähigkeiten zu teilen, aber auch, um Menschen bei der Bewältigung ihrer eigenen Reise zu helfen. Ich möchte ihnen zeigen, welche Möglichkeiten sie in diesem Bereich haben und wie sie ihren Weg bewältigen können. und wie man mit komplexen Projekten umgeht. Ich möchte, dass meine Leser erkennen, dass eine Karriere im Datenbereich nicht immer geradlinig verläuft, und das ist in Ordnung.
Was sind die auffälligsten Unterschiede, die Sie zwischen dem jetzigen Einstieg und Ihren eigenen frühen Jahren in diesem Bereich beobachten? Wie unterschiedlich ist heutzutage das Spielbuch für Berufseinsteiger?
Das Spiel wurde komplett neu geschrieben. Als ich anfing, waren wir Entwickler und verbrachten Wochen damit, Daten zu bereinigen und Server einzurichten. Heute müssen Sie ein KI-Orchestrator sein. Sie können ein System in Tagen aufbauen, die früher Monate dauerten. Ich würde nicht sagen, dass es jetzt schwieriger ist, aber es ist definitiv schwierig, wenn man versucht, eine Karriere mit den trendigen Fähigkeiten von vor 10 Jahren zu beginnen.
Heutzutage haben Junioren so viele Möglichkeiten, sich auf den Markt vorzubereiten. Wir haben eine Goldgrube an Informationen auf YouTube und in Blogs. Die eigentliche Herausforderung besteht nun darin, den Müll herauszufiltern. Diejenigen, die überleben, sind diejenigen, die den Markt beobachten und verstehen, um sich schnell anzupassen. Natürlich muss man die theoretische Seite der KI verstehen, aber die eigentliche Fähigkeit ist heute Flexibilität.
Es ist keine gute Idee, nur Experte für ein bestimmtes Instrument sein zu wollen. Vor 10 Jahren sprachen wir über den Wechsel von R zu Python oder von Statistik zu Deep Studying. Heute sprechen wir über die Umstellung auf generative KI und Agenten. Die Grundlagen bleiben die gleichen, aber Sie benötigen die Flexibilität, einen neuen Development schnell zu verstehen, ihn umzusetzen und auf die Bedürfnisse Ihrer Stakeholder einzugehen. Flexibilität warfare schon immer die „geheime“ Fähigkeit eines Datenwissenschaftlers, ob vor 10 Jahren oder heute.
Ihre Artikel vereinen in der Regel hochrangige Informationen mit praktischen Erkenntnissen. Was erhoffen Sie sich von der Lektüre Ihrer Arbeit für Ihr Publikum?
Wenn ich schreibe, denke ich immer daran, dass ich Erfahrungen teile, um Menschen dabei zu helfen, ihr eigenes Fachwissen aufzubauen. Wenn ich beispielsweise über MLOps schreibe, versuche ich, die Lücke zwischen dem Gesamtbild der Produktion und den praktischen technischen Schritten zu schließen, die erforderlich sind, um dorthin zu gelangen. Ich zögere immer noch jedes Mal, wenn ich einen neuen Artikel beginne! Normalerweise diskutiere ich Themen mit meinen Studenten oder Kollegen, um herauszufinden, was sie interessiert, und verknüpfe das dann mit dem, was ich selbst in der Branche sehe. Mein Ziel ist es, dass der Leser praktische Richtlinien und nicht nur ein Konzept mit nach Hause nimmt.
Ich versuche, je nach Thema unterschiedliche Zielgruppen zu erreichen. Manchmal handelt es sich um einen sehr technischen Artikel, z wie man ein Modell bereitstellt in einer Cloud mit Docker und FastAPI, und manchmal handelt es sich um eine „große“ Erklärung was „Produktion“ eigentlich bedeutet für ein Unternehmen. Heutzutage fällt es mir schwerer, nur über bestimmte Instruments zu schreiben, weil sie sich so schnell weiterentwickeln. Stattdessen versuche ich, Suggestions zu den Dingen zu geben, die mich ausgebremst haben, oder zu den wirklichen Herausforderungen, denen ich bei der Umsetzung eines bestimmten Projekts gegenüberstehe (z. B mein Artikel über RAG-Systeme). Ich möchte, dass mein Publikum aus meinen Fehlern lernt, damit es schneller vorankommt.
Welche Auswirkungen hatte der Aufstieg von LLMs und der Agenten-KI auf Ihr eigenes Berufsleben? Spüren Sie, dass der Development positiv, negativ oder etwas nuancierter warfare?
In meinem Alltag nutze ich LLMs als erfahrenen Kollegen, als jemanden, mit dem ich ein Brainstorming durchführen oder schnell einen Prototypen erstellen und ein Skript debuggen kann. Mit der Agentenbereitstellung beginne ich auch, Vibe-Codierung und Automatisierung für grundlegende Aufgaben zu verwenden, aber bei tiefergehender Recherche bin ich viel zurückhaltender. Ich arbeite derzeit mit medizinischen Daten, bei denen es buchstäblich keinen Raum für Fehler gibt. Ich nutze vielleicht KI, um einen Gedanken umzuformen oder meine Methodik zu verfeinern, aber für komplexe Aufgaben muss ich die volle Kontrolle über meinen Code behalten.
Ich bin nicht gegen den Einsatz von LLMs und agentischer KI, aber wenn man die KI das gesamte Denken übernimmt, verliert man die Instinct. Wenn ich beispielsweise mit der Bildgebung des Gehirns arbeite, muss ich mit meiner Kernlogik äußerst manuell umgehen, da ein LLM die Pathologie, die Sie vorhersagen möchten, nicht versteht. Jedes Gehirn ist anders; Die menschliche Anatomie ändert sich von einem Subjekt zum anderen. Ein KI-Agent erkennt ein Muster, versteht aber nicht das „Warum“ der Krankheit.
Ich sehe auch den Einfluss von KI-Agenten auf die Arbeit meiner Praktikanten. KI-Agenten steigern ihre Produktivität enorm, können jedoch eine Katastrophe für das menschliche Lernen sein. Sie können an einem Nachmittag einen Berg an Code generieren, wofür früher Monate gedauert haben, und es ist schwer, ein Thema zu meistern, wenn man nie die Fehler macht, die einen dazu zwingen, das System zu verstehen. Wir müssen den Menschen im Mittelpunkt der Logik halten, sonst bauen wir nur Black Bins, die wir nicht wirklich kontrollieren.
Abschließend: Welche Entwicklungen auf diesem Gebiet erhoffen Sie sich im nächsten Jahr oder so und welche Themen möchten Sie als nächstes in Ihrem Schreiben behandeln?
Ich würde mir wirklich wünschen, dass sich die Diskussion weg von der ständigen Jagd nach neuen Werkzeugen und hin zu besserer Wissenschaft und sinnvolleren Anwendungen der KI verlagert.
Wir befinden uns in einer Part, in der sehr schnell neue Instruments, Frameworks und Modelle entstehen. Das ist zwar spannend, aber meiner Meinung nach fehlt es oft an Transparenz und einem tieferen Fokus auf die Wirkung. Ich würde mir mehr Arbeit wünschen, die nicht nur die menschliche Produktivität steigert, sondern auch einen konkreten Beitrag zu Bereichen wie Gesundheitsversorgung, Bildung und Barrierefreiheit leistet.
Natürlich werden sich LLMs und agentische KI weiterentwickeln, und ich bin sehr daran interessiert, herauszufinden, was das in der Praxis tatsächlich bedeutet. Über den Hype hinaus möchte ich Fragen wie die folgenden besser verstehen und darüber schreiben:
- Verändern diese Instruments wirklich unsere Denkweise oder nur die Geschwindigkeit, mit der wir handeln?
- Verbessern sie wirklich die Qualität unserer Arbeit?
- Welche Auswirkungen haben sie auf verschiedene Bereiche?
In meinem kommenden Schreiben möchte ich mich mehr auf diese Überlegungen konzentrieren und technische Perspektiven mit einem tieferen Blick darauf kombinieren, wie KI nicht nur unsere Werkzeuge, sondern auch unsere Arbeits- und Denkweise prägt.
Um mehr über Sabrines Arbeit zu erfahren und über ihre neuesten Artikel auf dem Laufenden zu bleiben, können Sie ihr folgen TDS.
Teile dieser Fragen und Antworten wurden aus Gründen der Länge und Klarheit bearbeitet.