Teil 3 der Serie „Von Meldewesen zu KI“ – Von Markus H., Manager msg for banking ag
Ich stand vor dem Wald. ChatGPT, Claude, Gemini, Perplexity, LangChain, Hugging Face, PyTorch, TensorFlow, RAG, Fine-Tuning, Prompt Engineering, Agenten, Copiloten – und das war nur, was ich an einem Nachmittag gegoogelt hatte. Jeder schien zu wissen, wo er anfangen soll. Ich nicht.
Das Paralysis-Problem
Das Ironische: Je mehr ich recherchierte, desto weniger wusste ich, womit ich anfangen sollte. Jeder Artikel empfahl etwas anderes. Jeder LinkedIn-Post klang als wäre es selbstverständlich. Und ich saß da mit meinem Meldewesen-Hintergrund und dachte:
Für wen ist das eigentlich geschrieben? Nicht für mich.
Die meisten Einstiegsguides setzen entweder null technisches Verständnis voraus – oder ein abgeschlossenes Informatikstudium. Die Mitte, in der ich mich befand, wurde kaum adressiert.
Was mir wirklich geholfen hat: Die Frage anders stellen
Statt Was soll ich lernen? habe ich angefangen zu fragen:
Was will ich damit lösen?
Bei mir war die Antwort konkret: Ich hatte eine Idee – Datenqualitätsprüfung im BIRD-Umfeld, früher, automatisierter, weniger reaktiv. Ich wusste noch nicht, ob das mit KI funktioniert. Ich wusste noch nicht, wie.
Und ich habe auch nicht eine präzise Frage gestellt und auf die perfekte Antwort gewartet. Ich habe eine Konversation gestartet. Mit Claude. Ohne klares Ziel, ohne fertigen Plan – einfach Ich habe dieses Problem, lass uns darüber reden.
Das hat alles verändert. Plötzlich war der Wald kein Wald mehr – sondern ein Pfad.
Mein tatsächlicher Einstieg – ohne Umwege
Schritt 1: Eine Spielwiese bauen – so einfach wie möglich
Ich habe nicht mit der perfekten lokalen Umgebung angefangen. Ich habe mit Google Colab angefangen – Browser auf, Python läuft, fertig. Kein Setup, keine Installation, kein warum funktioniert das nicht.
| Phase 1: Google Colab (Einstieg) | Phase 2: Lokal / Cloud (Vertiefen) |
|---|---|
| Browser auf, sofort startklar | Anaconda & VS Code lokal installieren |
| Kein lokales Setup nötig | Volle Kontrolle über Umgebung |
| Kostenlos, GPU auf Knopfdruck | Unternehmens-AWS als nächster Schritt |
| Ideal zum ersten Ausprobieren | Wenn klar ist: Ich bleibe dran |
Schritt 2: Einen Kurs – aber den richtigen
Ich habe nicht zehn Kurse angefangen. Ich habe einen durchgezogen. Das ist der Unterschied.
| Ressource | Warum empfehlenswert | Für wen |
|---|---|---|
| fast.ai (kostenlos) | Top-down-Ansatz: erst das Ergebnis, dann das Warum. Passt zu Praktikern. | Wer Ergebnisse vor Theorie will |
| Kaggle Learn (kostenlos) | SQL & Python in je 4–6h, direkt im Browser. Kein Setup. | Absoluter Einstieg, sofort anwendbar |
| Hands-On ML – Aurélien Géron | Das Standardwerk. Praxisnah, vollständig, gut erklärt. | Wer es gründlich angehen will |
| The 100-Page ML Book – Burkov | Kompakt, präzise. Kein überflüssiges Wort. | Zum Nachschlagen & Überblick behalten |
| DeepLearning.AI auf Coursera | Prompt Engineering für Entwickler – auch ohne Code-Erfahrung umsetzbar. | Für den LLM-Schwerpunkt |
Schritt 3: KI als tägliches Werkzeug – nicht als Projekt
Den größten Sprung hat nicht ein Kurs gebracht. Sondern die Entscheidung, Perplexity und Claude täglich zu nutzen – für Recherche, für Texte, für Code den ich noch nicht selbst schreiben konnte.
Das klingt banal. Aber der Unterschied zwischen ich probiere KI manchmal aus und KI ist mein erster Griff am Morgen ist enorm.
| Tool | Wofür ich es täglich nutze | Einstieg |
|---|---|---|
| Perplexity.ai | Regulatorische Recherche – IReF, BIRD, CRR – mit Quellenangabe | Kostenlos, sofort nutzbar |
| Claude | Texte strukturieren, Code generieren, Ideen durchdenken | Claude.ai, kostenlos |
| Python / pandas | Datenanalyse, DQ-Prüfungen, Gap-Analysen im BIRD-Umfeld | Google Colab als Einstieg |
| Jupyter Notebooks | Analyse-Umgebung für explorative Arbeit | Lokal oder in der Cloud |
Was ich gelernt habe
KI ist kein Hype. Sie ist ein Werkzeug – wie Excel, wie SQL, wie ein Taschenrechner. Der Unterschied: Dieses Werkzeug multipliziert deine vorhandene Expertise, anstatt sie zu ersetzen.
Wer das Meldewesen kennt, wer BIRD versteht, wer weiß wo Daten entstehen und wo sie fehlen – der hat einen Vorsprung vor jedem Data Scientist ohne regul. Hintergrund.
Du musst keine KI bauen. Du musst KI nutzen können. Du brauchst kein Studium – du brauchst eine Spielwiese, Neugier, eine ordentliche Portion Frustrationstoleranz und den ersten Schritt.
Was ich dabei unterschätzt habe: Frustrationstoleranz
Der erste Code läuft nicht. Das Modell macht nicht, was man erwartet. Die Fehlermeldung ergibt keinen Sinn. Man googelt, findet eine Lösung, die beim nächsten Problem nicht mehr funktioniert. Das ist normal – und es gehört dazu.
Wer im Meldewesen jahrelang komplexe Migrationsprojekte begleitet hat, bringt genau diese Resilienz bereits mit. Das ist ein weiterer Heimvorteil, den man nicht unterschätzen sollte.
Ich habe schon um 22 Uhr auf eine kryptische Python-Fehlermeldung gestarrt und kurz daran gezweifelt, ob das alles Sinn ergibt. Spoiler: Es ergibt Sinn. Man muss nur weitermachen.
Ich habe nicht alles davon komplett durchgearbeitet. Ich habe angefangen, bin auf Probleme gestoßen, habe gesucht, gelöst – und dabei gelernt. Das ist der effektivere Weg als jeder Kurs.
Der Wald lichtet sich. Aber nur wenn du reingehst.
Wie war euer Einstieg? Habt ihr auch vor dem Wald gestanden – oder hattet ihr von Anfang an einen klaren Pfad? Und: Welches Tool hat bei euch den größten Unterschied gemacht?
#KIEinstieg #Lernen #RegulatoryDataScientist #Meldewesen #Python #BIRD #IReF #Bankenmeldewesen #MachineLearning
Schreibe einen Kommentar