Attraktiver Zukunftsjob: DataOps-Ingenieur

Suchst du einen besonders zukunftssicheren Job? Einen Job, der dir auch noch in vielen Jahren spannende Perspektiven bieten kann? So solltest du dich mit dem Berufsfeld eines DataOps-Ingenieurs einmal näher beschäftigen. Welche Aufgaben sind damit verbunden? Was musst du dafür können und wissen? Welche Chancen eröffnen sich für dich am Arbeitsmarkt?

Bedeutung von DataOps

DataOps ist weder ein Produkt noch Service oder eine IT-Lösung. Mit Data Ops (Datenoperationen) ist eine Methodik gemeint, die den Nutzer und Ersteller von Daten nahtlos miteinander verbindet, um Daten jeder Art schnell in einem IT-netzwerk zu finden und so die Qualität dieser Daten und deren Bereitstellungsverfahren zu verbessern. Das bedeutet für den Anwender: Mithilfe automatisierter Prozesse optimiert DataOps die Verfügbarkeit, Zugänglichkeit und Integration von Daten. Die logische Konsequenz sind eine höhere Skalierbarkeit, Datenzuverlässigkeit und -sicherheit, mehr Agilität, kürzere Zykluszeiten für die Bereitstellung von Informationen und Analysen als auch ein insgesamt kosteneffektiveres Datenmanagement. Entscheidend ist dabei zu wissen, dass DataOps immer ein Übergang von der handwerklichen zu einer automatisierten und vor allem dynamischen Datenentwicklung bedeutet. Das heisst, es wird eben nicht etwas einmal erstellt, das arbeitsintensiv ist, um es auf eine exakt identische Weise wiederholbar zu machen.

Unterschied zu DevOps

DevOps bezeichnet einen Ansatz, wie Unternehmen durch die Optimierung der Synergien von Softwareentwicklungs-, IT-Betriebs- und Engineering-Teams ihre Kosten- und Zeitbudgets für den Entwicklungs- und Release-Zyklus reduzieren können. Der Begriff DevOps setzt sich aus den Begriffen Development (englisch für Entwicklung) und IT Operations (engl. für IT-Betrieb) zusammen. Im Vergleich dazu arbeitet DataOps in einer übergeordneten Ebene. Während sich also DevOps auf die Transformation der Bereitstellung von Softwareentwicklungen konzentriert, betont DataOps die Transformation von Analysemodellen und Intelligenzsystemen mithilfe von DataOps-Ingenieuren.

Die Aufgaben eines DataOps-Ingenieurs

Wenn Unternehmen einen DataOps-Ansatz verfolgen möchten, so sollten sie eine Person benennen, deren Hauptaufgabe darin besteht, diesen Prozess kontinuierlich zu überwachen. Im Wesentlichen ist der DataOps-Ingenieur für die Umgebung verantwortlich, in der die Datenentwicklung stattfindet. Er entwickelt die Tools, die Daten-Ingenieure und Daten-Analysten dann innerhalb dieses Entwicklungsworkflows verwenden. DataOps-Ingenieure arbeiten also nicht direkt mit den Daten selbst. Sie entwickeln die Umgebung und die Prozesse, durch die andere in den Teams die Datenprodukte erstellen können.

Die Aufgaben der DataOps-Ingenieure gliedern sich in drei Hauptbereiche:

Erstellung

DataOps-Ingenieure planen und führen die Implementierung von DataOps-Projekten mit Proof-of-Concept-Projekten durch – meist im laufenden Produktionsbetrieb.
Dafür erstellen sie Automatisierungssoftware zum Betrieb der Systeme für Datenspeicherung, Data-Science-Notebooks, verteiltes Training, Modell-Repository, Feature-Repository, kontinuierliche Bereitstellung, Modellbereitstellung und Überwachung.

Betrieb und Überwachung

DataOps-Ingenieure stellen sicher, dass KI-Produktionssysteme verfügbar, skalierbar und leistungsstark sind. Trainingsmodelle erfordern riesige Daten- und Rechenmengen und sind daher teuer und zeitaufwändig. DataOps-Ingenieure sind Experten für Lernalgorithmen und Infrastruktur und einzigartig qualifiziert, die Trainingszeit von Modellen zu reduzieren – oft um den Faktor 10 oder mehr.

Kommunikation

DataOps-Ingenieure präsentieren und erläutern Best Practices und Tools in Data-Science-Teams, um die Produktivität zu verbessern und häufige Fehler zu vermeiden.

Ausbildung und Voraussetzungen für den Job eines DataOps-Ingenieurs

Bei DataOps geht es darum, Daten, Modelle, Erkenntnisse und Workflows (zum Beispiel in der Produktion) bereitzustellen und zu pflegen. Die Mission eines DataOps-Ingenieurs besteht also darin, sicherzustellen, dass sich beispielsweise Data Scientists auf das Modell- und Feature-Engineering konzentrieren können, ohne sich um die Infrastruktur kümmern zu müssen. Um diese Mission zu erfüllen, benötigen DataOps-Ingenieure Fachwissen in den Bereichen Data Science sowie im Betrieb von Produktionssystemen.

In Abhängigkeit von der Grösse und der Prozesse in den Unternehmen können einige dieser Aufgaben den Data Scientists oder dem Data Engineering zugewiesen werden. So verfügen die meisten DataOps-Ingenieure über einen Software-Background, in dem sie DevOps und sonstige agile Technologien kennen gelernt haben. Andere arbeiteten bislang als Daten-Ingenieure, deren Aufgaben sich verlagerten, um einen breiteren Bereich abdecken zu können. Unabhängig davon, welche Erfahrungen gesammelt wurden, müssen DataOps-Ingenieure folgende Qualifikationen und Fähigkeiten mitbringen:

• Erfahrung in Implementierungsprojekten
• Erfahrung mit SQL und Python (oder gleichwertig)
• Continuous-Integration-Frameworks und Unit-Tests
• Cloud-Technologien wie AWS und GCP und andere
• Erfahrung in der Bereitstellung von Produkten in den Bereichen Datenmanagement, Analytik, Datenpipelines oder Data Science
• Erfahrungen mit Docker ist von Vorteil. Dabei sind drei Kernkomponenten hervorzuheben: die technische Entwicklung, Verständnis der Datenarten und die Kommunikation mit dem Umfeld.
• Kenntnisse und Fähigkeiten für die Softwareentwicklung.
• Kommunikative Fähigkeiten, Analysten und Ingenieure davon zu überzeugen, dass eine DataOps-Methodik von Vorteil sein wird. Das ist für viele Unternehmen, die versuchen, DataOps zu implementieren, eine nicht zu unterschätzende Hürde. Sobald aber eine DataOps-Methodik implementiert wurde, erkennen Analysten und Ingenieure, wie viel Zeit sie dadurch sparen und wie viel einfacher sie ihre Arbeit dadurch verrichten können.

Jobmöglichkeiten eines DataOps-Ingenieurs

Die Bedeutung der DataOps-Ingenieure wird weiterhin zunehmen, da immer mehr Unternehmen mit grossen Datenvolumina einen analytischen Ansatz für ihre Entscheidungsfindung zugrunde legen. Infolgedessen werden qualifizierte Bewerbende in datengesteuerten Unternehmen oder solchen, die dafür offen sind, sehr gute Chancen haben.