{"id":180624,"date":"2026-06-23T14:26:12","date_gmt":"2026-06-23T12:26:12","guid":{"rendered":"https:\/\/liora.io\/de\/?p=180624"},"modified":"2026-08-03T13:03:58","modified_gmt":"2026-08-03T11:03:58","slug":"automl-und-die-automatisierung-von-machine-learning-eine-bedrohung-fuer-data-scientists","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/automl-und-die-automatisierung-von-machine-learning-eine-bedrohung-fuer-data-scientists","title":{"rendered":"AutoML und die Automatisierung von Machine Learning: Eine Bedrohung f\u00fcr Data Scientists?"},"content":{"rendered":"\n<p><strong>Sind die Automatisierung von Machine Learning und AutoML-Tools eine Bedrohung f\u00fcr Data Scientists? Das ist eine Frage, die immer mehr Datenwissenschaftler besch\u00e4ftigt, ebenso wie angehende Data Scientists, die sich um ihre zuk\u00fcnftige Karriere sorgen. Im Moment scheint eine vollst\u00e4ndige Automatisierung der Data Science jedoch unwahrscheinlich.<\/strong><\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/de\/weiterbildung\/data-ki\/data-scientist\">Data Scientist Weiterbildung<\/a><\/div><\/div>\n\n\n\n<p>Um dem\u00a0<strong><a href=\"https:\/\/liora.io\/de\/wie-wird-man-data-scientist\">Mangel an Data Scientists<\/a><\/strong>\u00a0und anderen Machine-Learning-Ingenieuren entgegenzuwirken, sind in den letzten Jahren zahlreiche \u201eAutoML\u201c-Tools entstanden. Diese Tools zur\u00a0<strong><a href=\"https:\/\/liora.io\/de\/machine-learning-engineer-bootcamp-dein-karrieresprung\">Automatisierung von Machine Learning<\/a><\/strong>\u00a0waren urspr\u00fcnglich dazu gedacht, die zeitaufw\u00e4ndigsten Aufgaben bei der Entwicklung von Machine-Learning-Modellen zu eliminieren oder sogar den Mangel an Fachleuten zu kompensieren.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-embed__wrapper\" style=\"position:relative;width:100%;padding-top:56.25%;overflow:hidden\"><iframe loading=\"lazy\" title=\"YouTube video jn-22XyKsgo\" width=\"560\" height=\"315\" src=\"https:\/\/www.youtube.com\/embed\/jn-22XyKsgo?rel=0\" style=\"position:absolute;inset:0;width:100%;height:100%;border:0\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/div><\/figure>\n\n\n\n<p>Im Laufe der Jahre haben sich die verschiedenen\u00a0<strong>AutoML-Frameworks<\/strong>\u00a0jedoch weiterentwickelt und verbessert. Heute sind sie so leistungsf\u00e4hig, dass sie in manchen F\u00e4llen sogar menschliche Experten \u00fcbertreffen k\u00f6nnen. Das ist das Ergebnis einer Studie, die von Forschern des deutschen Fraunhofer-Instituts durchgef\u00fchrt wurde.<\/p>\n\n\n\n<p>F\u00fcr ihre Untersuchung st\u00fctzten sich die Forscher auf 12 beliebte Datens\u00e4tze der\u00a0<a href=\"https:\/\/www.openml.org\/\"><strong>OpenML-Plattform<\/strong>.<\/a>\u00a0Sechs dieser Datasets sind \u00fcberwachte Klassifikationsaufgaben, w\u00e4hrend die anderen sechs \u00fcberwachte Regressionsaufgaben sind. Dies sind in der Tat die beiden popul\u00e4rsten Arten von <a href=\"https:\/\/liora.io\/de\/machine-learning-und-reisen\"><strong>Aufgaben des maschinellen Lernens<\/strong>.<\/a><\/p>\n\n\n\n<p>Das Team nutzte auch das Open-Source-Tool AutoML Benchmark, das eine vollst\u00e4ndige Integration von\u00a0<strong>OpenML-Datasets<\/strong>\u00a0f\u00fcr viele AutoML-Frameworks und automatisierte Benchmarking-Funktionen bietet. Die Benchmarks wurden mit den Standardeinstellungen gestartet, die in config.yalk im AutoML-Benchmark-Projekt festgelegt wurden.<\/p>\n\n\n\n<p>Es wurden vier<strong>\u00a0AutoML-Frameworks getestet: TPOT, H2O, Auto-sklearn und AutoGluon.<\/strong>\u00a0Einige von ihnen geh\u00f6ren zu den neuesten, andere zu den beliebtesten. Es gibt Frameworks, die sich ausschlie\u00dflich dem Deep Learning widmen, und andere, die auf scikit-learn basieren.<\/p>\n\n\n\n<p>Die Laufzeit pro Fold wurde auf eine Stunde festgelegt. F\u00fcr die \u00fcberwachte Klassifizierung erhielt das beste der vier Frameworks eine Laufzeit von f\u00fcnf Stunden pro Fold, um seine Ergebnisse mit denen von Menschen vergleichen zu k\u00f6nnen.<\/p>\n\n\n\n<p>F\u00fcr die\u00a0<strong>Klassifikationsaufgaben<\/strong>\u00a0wurden die Bewertungsmethoden ROC AUC (auc) und \u201eaccuracy\u201c verwendet. F\u00fcr die Aufgaben der \u00fcberwachten Regression wurden die Methoden root-mean-square-error (rmse) und mean absolute error (mae) gew\u00e4hlt.<\/p>\n\n\n\n<p>In Bezug auf die<strong>\u00a0Hardware verwendeten die Forscher einen Server mit zwei Intel Xeon Silver<\/strong>\u00a04114 CPUs mit 2,20 GHz und insgesamt 20 Kernen, vier DIMM DDR4 Synchronous 2666MHz 64GB Speichermodulen und zwei NVIDIA GeForce GTX 1080 Ti Grafikkarten mit insgesamt \u00fcber 22GB VRAM.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-embed__wrapper\" style=\"position:relative;width:100%;padding-top:56.25%;overflow:hidden\"><iframe loading=\"lazy\" title=\"YouTube video 42Oo8TOl85I\" width=\"560\" height=\"315\" src=\"https:\/\/www.youtube.com\/embed\/42Oo8TOl85I?rel=0\" style=\"position:absolute;inset:0;width:100%;height:100%;border:0\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/div><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"automl-ist-data-scientists-in-mehreren-situationen-ebenburtig-oder-sogar-uberlegen\">AutoML ist Data Scientists in mehreren Situationen ebenb\u00fcrtig oder sogar \u00fcberlegen<\/h2>\n\n\n\n<p>Nach Abschluss des Tests stellten die Forscher zu ihrem Erstaunen fest, dass\u00a0<strong>AutoML in 7 von 12 F\u00e4llen bei den prim\u00e4ren Metriken genauso<\/strong>\u00a0gut oder sogar besser abschnitt als Menschen. Bei diesen sieben F\u00e4llen handelt es sich um \u201eeinfache\u201c Klassifikations- oder Regressionsaufgaben. Bei den anderen Metriken gab es keine signifikanten Unterschiede.<\/p>\n\n\n\n<p>So kommt die Studie zu dem Schluss, dass die meisten Ergebnisse, die\u00a0<strong>AutoML erzielt, nur etwas besser oder etwas schlechter<\/strong>\u00a0sind als die von Menschen. Das beste Framework f\u00fcr \u00fcberwachte Klassifizierung, H2O, erreicht in 5 Stunden pro Fold einen AUC-Wert von 0,7892, verglichen mit 0,799 in einer Stunde pro Fold.<\/p>\n\n\n\n<p>F\u00fcr die Zukunft sagen die Forscher voraus, dass sich die Kluft zwischen menschlichen Data Scientists und AutoML schlie\u00dfen wird. Da Machine-Learning-Anwendungen jedoch haupts\u00e4chlich in<strong>\u00a0interdisziplin\u00e4ren F\u00e4llen eingesetzt werden,<\/strong>\u00a0k\u00f6nnen AutoML-Tools nicht als eigenst\u00e4ndige L\u00f6sungen fungieren. Sie sollten daher als Erg\u00e4nzung zu den F\u00e4higkeiten der Data Scientists gesehen werden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"warum-die-automl-data-scientists-nicht-schaden-wird\">Warum die AutoML Data Scientists nicht schaden wird?<\/h2>\n\n\n\n<p>Trotz der\u00a0<strong>Leistungsf\u00e4higkeit von AutoML<\/strong>\u00a0ist es unwahrscheinlich, dass die Automatisierung die\u00a0<a href=\"https:\/\/liora.io\/de\/data-poisoning-eine-bedrohung-fuer-machine-learning-modelle\"><strong>Berufe in der Data Science verschwinden l\u00e4sst<\/strong>.<\/a>\u00a0In Bereichen wie der Datenverarbeitung oder der Datenvisualisierung wird sie es den Gesch\u00e4ftsf\u00fchrern jedoch erleichtern, die Vorteile von <a href=\"https:\/\/liora.io\/de\/kreuzvalidierungsverfahren-definition-und-bedeutung-fur-machine-learning\"><strong>Big Data zu nutzen, ohne dass ein menschlicher Data Scientist<\/strong><\/a>\u00a0eingreifen muss.<\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/de\/weiterbildung\/data-ki\/data-scientist\">Data Scientist Weiterbildung entdecken<\/a><\/div><\/div>\n\n\n\n<p>Laut Gartner werden bis Ende 2020 etwa 40 % der Aufgaben im Bereich Data Science automatisiert sein. Es ist jedoch unwahrscheinlich, dass die Automatisierung diesen Beruf ausrotten wird, und das aus drei Hauptgr\u00fcnden.<\/p>\n\n\n\n<p>Erstens ist die\u00a0<strong>Automatisierung letztendlich nur ein Mittel, um Prozesse zu beschleunigen.<\/strong>\u00a0Alexander Gray, Vizepr\u00e4sident f\u00fcr KI bei IBM Reserach, erkl\u00e4rt: \u201eData Scientists umarmen Automatisierungswerkzeuge, weil sie damit Zeit sparen und denken k\u00f6nnen, anstatt sich mit l\u00e4stigen Aufgaben zu besch\u00e4ftigen\u201c.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-embed__wrapper\" style=\"position:relative;width:100%;padding-top:56.25%;overflow:hidden\"><iframe loading=\"lazy\" title=\"YouTube video WSKi8HfcxEk\" width=\"560\" height=\"315\" src=\"https:\/\/www.youtube.com\/embed\/WSKi8HfcxEk?rel=0\" style=\"position:absolute;inset:0;width:100%;height:100%;border:0\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/div><\/figure>\n\n\n\n<p>Die<strong>\u00a0Automatisierungswerkzeuge werden immer leistungsf\u00e4higer<\/strong>\u00a0und intelligenter, sodass sie Data Scientists immer mehr unterst\u00fctzen und die Art und Weise, wie sie arbeiten, ver\u00e4ndern werden. Dies wird es ihnen erm\u00f6glichen, mehr zu tun und die Wirkung ihrer Arbeit in ihren Unternehmen zu erh\u00f6hen. Nichtsdestotrotz werden sie Werkzeuge bleiben.<\/p>\n\n\n\n<p>Der zweite Grund ist, dass automatisierte Werkzeuge nicht \u201eerkennen\u201c k\u00f6nnen, dass sie Fehler machen. Diese\u00a0<strong>Werkzeuge k\u00f6nnen zwar helfen, Dinge schneller und besser zu erledigen,<\/strong>\u00a0aber sie k\u00f6nnen auch menschliche Fehler sehr schnell verbreiten, wenn sie auf einer falschen Grundlage basieren.<\/p>\n\n\n\n<p>Laut Alexander Gray k\u00f6nnen selbst Forscherteams an den besten Universit\u00e4ten der Welt Fehler in statistischen Nuancen machen, die zu Datenmodellen von schlechter Qualit\u00e4t f\u00fchren.<\/p>\n\n\n\n<p>Daher werden Data Scientists weiterhin unerl\u00e4sslich sein, um Fehler zu erkennen und die den Tools zugrunde liegenden Prinzipien zu verstehen. Dies gilt umso mehr, als dass, je mehr k\u00fcnstliche Intelligenz in unseren Alltag Einzug h\u00e4lt, der kleinste Fehler gro\u00dfe Auswirkungen haben kann.<\/p>\n\n\n\n<p>Der dritte und vielleicht wichtigste Grund ist, dass nur\u00a0<strong><a href=\"https:\/\/liora.io\/de\/cuml-definition-und-verwendung-in-machine-learning\">Menschen die Probleme, die eine Organisation l\u00f6sen muss, wirklich verstehen k\u00f6nnen<\/a><\/strong>. Die Herausforderung der Data Science ist nicht immer nur technischer Natur, was jeder Berufst\u00e4tige best\u00e4tigen kann.<\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center wp-container-core-buttons-is-layout-5ee10de4\" style=\"margin-top:32px;margin-bottom:32px\"><div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/liora.io\/de\/weiterbildung\/data-ki\/data-scientist\">Data Scientist Weiterbildung entdecken<\/a><\/div><\/div>\n\n\n\n<p>Ein Data Scientist muss in der Lage sein, ein Problem richtig zu interpretieren, um die richtige Datenquelle auszuw\u00e4hlen oder sogar die Ergebnisse richtig zu interpretieren. Er muss z. B. einen Zeitrahmen f\u00fcr die Datenanalyse festlegen oder geeignete Kontrollgruppen f\u00fcr einen genauen Vergleich ausw\u00e4hlen. Das menschliche Urteilsverm\u00f6gen bleibt also f\u00fcr die Datenwissenschaft von entscheidender Bedeutung.<\/p>\n\n\n\n<p>Aus diesen drei Gr\u00fcnden k\u00f6nnen die Berufe im Bereich Big Data nicht automatisiert werden. Ironischerweise k\u00f6nnte die Automatisierung, indem sie die Kosten f\u00fcr den Zugang zur Datenwissenschaft senkt, diese sogar f\u00fcr mehr Unternehmen erschwinglich machen und die Nachfrage nach Data Scientists steigern\u2026<\/p>\n\n\n\n\n\n<p>Zusammenfassend l\u00e4sst sich sagen, dass Data Scientists noch viele Jahre vor sich haben. Um mehr zu erfahren, schau dir unser Dossier \u00fcber\u00a0<strong><a href=\"https:\/\/liora.io\/de\/deep-learning-oder-tiefes-lernen-was-ist-das-denn\">Deep Learning<\/a><\/strong> und unsere <a href=\"https:\/\/liora.io\/de\/weiterbildung-data-scientist\"><strong>Berufsbegleitende Weiterbildung zum Data Scientist an<\/strong>.<\/a><\/p>\n\n","protected":false},"excerpt":{"rendered":"<p>Sind die Automatisierung von Machine Learning und AutoML-Tools eine Bedrohung f\u00fcr Data Scientists? Das ist eine Frage, die immer mehr Datenwissenschaftler besch\u00e4ftigt, ebenso wie angehende Data Scientists, die sich um ihre zuk\u00fcnftige Karriere sorgen. Im Moment scheint eine vollst\u00e4ndige Automatisierung der Data Science jedoch unwahrscheinlich. Um dem\u00a0Mangel an Data Scientists\u00a0und anderen Machine-Learning-Ingenieuren entgegenzuwirken, sind in [&hellip;]<\/p>\n","protected":false},"author":45,"featured_media":180626,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[46],"class_list":["post-180624","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-nicht-zugeordnet"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/180624","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/45"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=180624"}],"version-history":[{"count":3,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/180624\/revisions"}],"predecessor-version":[{"id":223801,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/180624\/revisions\/223801"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/180626"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=180624"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=180624"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}