Applied Scientist

Was macht ein Applied Scientist?

Du entwickelst Verfahren, die in ein Produkt gehen. Das ist der Kern der Rolle und zugleich ihr Unterschied zu einer reinen Forschungsstelle: Am Ende steht nicht die Veröffentlichung, sondern eine Funktion, die jemand benutzt. Veröffentlicht wird trotzdem gelegentlich – viele Teams geben Ergebnisse frei, wenn sie allgemein genug sind. Der Anteil daran ist aber kleiner, als der Titel vermuten lässt.

Die Fragen, die bei dir landen, haben keine fertige Antwort in einer Bibliothek. Wie ordnet man Suchergebnisse, wenn die Klickdaten systematisch verzerrt sind? Wie erkennt man Betrugsmuster, die sich alle paar Wochen ändern? Wie misst man überhaupt, ob eine neue Methode besser ist als die bestehende – und zwar so, dass die Zahl auch im Betrieb noch gilt? Du liest den Stand der Technik, wählst zwei oder drei Ansätze aus, baust sie nach und prüfst sie an den echten Daten des Hauses.

Die Abgrenzung nach zwei Seiten ist der schnellste Weg, die Rolle zu verstehen. Der KI Research Engineer sitzt näher an der Forschung: längere Zeiträume, offenere Fragen, Veröffentlichungen als erklärtes Ziel, seltener ein Auslieferungstermin. Der Machine Learning Engineer sitzt näher am Betrieb: Er nimmt ein Verfahren, das sich bewährt hat, und macht daraus ein System, das zuverlässig läuft, skaliert und überwacht wird. Du liegst dazwischen und musst beide Sprachen sprechen – die des Fachaufsatzes und die des Produktteams.

Der Titel selbst ist vor allem bei grossen Technologieunternehmen verbreitet und wandert von dort langsam in andere Häuser. Wo er auftaucht, ist meist eine Promotion oder ein sehr starker Master gemeint.

Was du im Praktikum machst

Du bekommst in der Regel eine abgegrenzte Frage, die im Team schon länger offen ist, aber niemandem als Tagesgeschäft zugewiesen wurde. Der erste Teil ist Lesen: Was gibt es dazu, was davon passt auf die eigene Datenlage, was ist nur auf Testdatensätzen gut.

Der zweite Teil ist eine ehrliche Vergleichsgrundlage. Bevor du eine neue Methode baust, brauchst du eine einfache, die du schlagen musst – oft ist genau diese einfache Lösung der überraschend starke Gegner. Danach folgen Experimente, und die dokumentierst du so, dass jemand anderes sie in einem halben Jahr nachvollziehen kann.

Häufig wird daraus eine Abschlussarbeit. Ebenso häufig ist das Ergebnis: Der Ansatz trägt nicht. Das ist kein gescheitertes Praktikum, sondern ein brauchbares Resultat, wenn du sauber zeigen kannst, warum.

Was du mitbringen solltest

Mathematik auf Arbeitsniveau, also Wahrscheinlichkeitsrechnung, lineare Algebra und Optimierung, dazu solide Programmierung in Python und Erfahrung mit einem der gängigen Deep-Learning-Rahmenwerke. Englische Fachliteratur musst du zügig lesen können, nicht nur die Zusammenfassung.

Wichtiger als jede einzelne Fähigkeit ist die Haltung beim Messen. Wer Verfahren vergleicht, kann sich selbst in fast jede gewünschte Richtung täuschen: falsch aufgeteilte Daten, eine nachträglich gewählte Metrik, ein Testlauf, den man solange wiederholt, bis er passt. Ein guter Applied Scientist erkennt diese Fallen im eigenen Aufbau, bevor sie jemand anderes findet.

Dazu kommt Ausdauer. Zwischen einer Idee und einem belastbaren Ergebnis liegen Wochen, in denen nichts vorzeigbar ist.

Was du verdienst

Praktika liegen bei rund 1.800 Euro brutto im Monat und damit am oberen Rand des Katalogs. Der Einstieg bewegt sich um 5.400 Euro, mit zwei bis drei Jahren Erfahrung zwischen 6.000 und 7.800 Euro. Alle Angaben sind Erfahrungswerte und schwanken deutlich mit Standort, Branche und Abschluss.

Das hohe Niveau hat zwei Gründe: die formale Hürde durch die häufig erwartete Promotion und die Tatsache, dass nur wenige Häuser Methodenentwicklung überhaupt selbst betreiben.

Wie es weitergeht

Ein Weg führt tiefer in die Methodik bis zur fachlichen Leitung eines Forschungsbereichs. Ein zweiter führt in die Produktnähe: Wer merkt, dass ihm der Betrieb mehr liegt als das Experiment, wechselt Richtung Machine Learning Engineering. Der dritte Weg geht zurück in die Wissenschaft – der Übergang ist in beide Richtungen offener als in den meisten anderen Rollen.