So arbeiten Machine Learning Engineers bei Data Revenue

Neue Machine Learning Engineers bei Data Revenue fragen sich oft, wie unsere Arbeit und ein typischer Tag in unserem Team aussieht. Wir haben daher zwei unserer neuesten Mitarbeiter, Diana und Pierre, zu ihren Eindrücken aus ihrem vergangenen Jahr bei Data Revenue befragt. Das waren ihre wichtigsten Learnings:

• Da das gesamte Team komplett remote arbeitet, können alle Mitarbeiter ihren Arbeitsplatz komplett frei gestalten.
• Wir arbeiten in unterschiedlichen Zeitzonen - das hat am Ende jedoch mehr Vor- als Nachteile.
• Beide rechneten mit einem größeren Fokus auf Data Science, am Ende stand jedoch vor allem effektive Teamarbeit und Engineering im Fokus.
• Die Lernkurve für die benötigten Engineering Tools und Methoden war zwar steiler als gedacht, dafür aber sehr spannend und lehrreich.

In diesem Artikel erklären wir dir, wie die Arbeit in einem Distributed Machine Learning Team aussieht. Wenn du dich unserem Team anschließen möchtest, wirf gerne einen Blick auf unsere Jobseite. 

Vertrauen und Autonomie

Diana war überrascht, wie viel gegenseitiges Vertrauen im Unternehmen steckt. Da jedes Teammitglied nach eigenem Zeitplan arbeitet, kann man viel autonomer arbeiten, als sie es von früheren 9-5 Stellen gewohnt war:

"Als ich darüber nachdachte, nach Mexiko zu ziehen, war ich etwas nervös dem Team davon zu erzählen. Statt einem "Nein" oder Einwänden aufgrund der Zeitverschiebung kamen jedoch direkt nur Reaktionen: "Oh das ist ja cool, wo ziehst du denn hin?”

"Mittlerweile verbringe ich einen Teil des Jahres in Mexiko, und es funktioniert hervorragend. Unser Team ist auf der ganzen Welt verteilt. Wenn ich in Mexiko bin, habe ich mehr Überschneidungen mit der anderen Hälfte meines Teams als sonst, und kann mich mehr mit ihnen austauschen.”

Auch Pierre verfolgte seinen Traum vom Leben eines Digital Nomad, kurz nachdem er zu uns gestoßen ist. Er verbringt die meiste seiner Zeit auf den Kanaren, die seiner Meinung nach das Leben in seinem bisherigen Wohnort Paris in den Schatten stellen:

"Die frische Luft und die viele Sonne sind fantastisch - besonders im Vergleich mit der hohen Luftverschmutzung in Paris. Ich fühle mich hier auf den Kanaren wesentlich wohler. Digital Nomad zu werden war ein großes Ziel von mir und ich bin sehr stolz und dankbar, dass ich es dank der Flexibilität bei Data Revenue mittlerweile erreichen konnte."

Arbeiten in verschiedenen Zeitzonen hat viele Vorteile

Unser Team ist auf der ganzen Welt verteilt. Im ersten Moment klingt das - vor allem was die Kommunikation angeht - nach erschwerten Bedingungen. Tatsächlich entstehen damit für uns aber einige Vorteile.

Klare Trennung von Meetings und Coding

Pat lebt in den USA, arbeitet aber hauptsächlich mit Kunden in Europa. Sein Tag gliedert sich dadurch ganz automatisch in zwei verschiedene Bereiche: Der Vormittag gehört Meetings mit Kollegen und Kunden in der EU, nachmittags kann er sich dann ohne Unterbrechungen dem Programmieren widmen: "Ich genieße es, dass ich zu bestimmten Zeiten komplett konzentriert arbeiten kann - ich muss diese Trennung nicht gezielt festlegen, sie ergibt sich von selbst."

Dringende Themen können nahtlos weiter bearbeitet werden

Bei dringenden Aufgaben müssen unsere Engineers nicht bis spät in die Nacht arbeiten. Stattdessen geben sie den aktuellen Stand an ein Team in einer anderen Zeitzone weiter, das die Arbeit direkt aufgreifen und übernehmen kann. "Ich kann beruhigt Feierabend machen, weil ich weiß, dass sich mein Team weiter um das Problem kümmert", meint Pat. Und wenn das Problem dann immer noch offen ist, wird es am nächsten Morgen einfach wieder übergeben.

Engineering und Teamwork sind wichtiger als Algorithmen

Programmieren und Algorithmen sind selbstverständlich in Machine Learning Projekten nicht wegzudenken, stellen aber nur einen kleinen Teil der Gesamtlösung dar.

Sehr viel wichtiger als ein perfekter Algorithmus ist die gesamte Infrastruktur und die Methoden drumherum.

Bei Data Revenue kennt sich jeder mit zumindest einem Teil der Infrastruktur oder "Operations" Aufgaben aus. Manche Teammitglieder haben mittlerweile sogar mehr Freude an solchen Aufgaben, als beim Programmieren selbst: "Manche Leute verbringen inzwischen einen Großteil ihrer Zeit mit Kubernetes", meint Pat.

Teamwork

Es ist nicht schwer, einem Teamplayer neue Skills wie Kubernetes beizubringen. Einen Kubernetes Experten zu einem Teamplayer zu machen ist jedoch durchaus schwieriger. Wir legen bei allen unseren Teammitgliedern daher großen Wert auf diese Fähigkeiten:

• Schriftliche Kommunikation: Ideen effizient zu kommunizieren - mögliche Fragen im Voraus zu klären und so zu formulieren, dass sie für Anfänger wie für Experten greifbar sind - spart viel Zeit und erleichtert die Arbeit aller Beteiligten.
• Unterstützung im Team: Ob durch Wissenstransfer oder Hilfe bei bestimmten Themen - wir suchen nach Menschen, die gemeinsam an Ideen und Problemen arbeiten können.
• Planungskompetenz: Technische Abschätzungen sind generell schwierig und liegen nicht immer komplett richtig. Grundsätzlich ist es jedoch wichtig, in der Lage zu sein, ein Problem und den entsprechenden Zeitaufwand grob einordnen zu können.

Wir trauen jedem Teammitglied zu, mit unseren Kunden zu kommunizieren

Diana hat nicht damit gerechnet, kurz nach ihrem Einstieg direkt mit unseren Kunden in Kontakt zu treten. Bei unseren Lösungen geht es oft um die Frage, wie ein Tool unter bestimmten Einschränkungen oder in bestimmten Umgebungen eingesetzt werden kann. Statt mit langen Kommunikationswegen stille Post zu spielen, sprechen unsere Engineers daher direkt mit den Engineers unserer Kunden, um gemeinsam nach Lösungen zu suchen.

Die Lernkurven sind steil, aber zufriedenstellend

Sowohl Diana als auch Pierre empfanden ihre ersten zwei Monate als "sehr intensiv". Tools wie Kubernetes und Terraform waren für beide neu, und auch mit objektorientierter Programmierung, Tests, IDEs und Docker hatten sie nur wenig Erfahrung.

Obwohl sie zunächst verunsichert waren, kamen beide sehr schnell zurecht. Diana sagt: "Man denkt oft, dass man ohne den entsprechenden Background keine DevOps Skills erlernen kann, dabei ist das durchaus möglich."

Anfängliche Bedenken konnten auch durch die große Unterstützung im Team schnell ausgeräumt werden. Diana beschreibt es so:

"Alle sind total aufgeschlossen und hilfsbereit. Wenn ich eine Frage oder ein Problem hatte, habe ich kein einziges mal gehört 'Sorry, ich bin zu beschäftigt, da kann ich dir nicht helfen'”.

Hast du Interesse?

Wenn du Lust hast, mit uns zu Arbeiten möchtest, wirf einen Blick auf unsere Jobseite. Wenn du bei deinen Projekten Unterstützung von einem erfahrenen Machine Learning Team benötigst, kontaktiere uns gerne.