Was bringen wir eigentlich jungen Studierenden über die Digitalisierung bei?

Neulich habe ich eine kleine Umfrage gemacht, unter den Studenten in meinem Kurs für Chemische Reaktionstechnik. Die jungen Leute sind Anfang bis Ende 20, Generation Y also, gut versorgt mit allen Spielzeugen der modernen Kommunikationstechnik. Meine Hausaufgaben werden nicht gelöst, sie werden gegoogelt.

Meine Frage war nach dem Verständnis von mathematischen und statistischen Methoden. 

  1. Differential / Integralrechnung
  2. Statistik (Stochastik)
  3. Regressionsanalytik
  4. Statistische Methoden zur Planung von Experimenten (DoE)
  5. Big Data / Chemometrie

In den ersten beiden Feldern fühlte sich die Mehrheit sicher, auch wenn keine _r es wagte, sich den Expertenstatus zu geben. Bei der Regressionsanalytik wurde die Gruppe schon unsicherer. Die letzten beiden Themen waren nahezu unbekannt.

Nun ist dieses kleine Experiment statistisch selbst nicht sauber, um großartige Schlüsse ableiten zu können, zu klein, zu homogen war die Stichprobe.

Dennoch frage ich mich – was hat sich an unserem Ausbildungssystem eigentlich seit dem letzten Quartal des vorherigen Jahrhunderts geändert. Es ist die gleiche Gewichtung, die auch ich von Schule und Studium mitgenommen habe. Ich erinnere mich noch an meine Faszination und Begeisterung, als ich den ersten Vortrag von Prof. MacGregor zum Thema Chemometrie gehört habe, im Herbst 2000 muss das gewesen sein. So was war möglich? Wie viel mehr ist heute möglich, mit 15 Jahren mehr Forschung, mit viel (viel, viel) leistungsfähigeren Computern? Alle sprechen von Big Data – aber mir scheint auf der Arbeitsebene ist das noch nicht wirklich angekommen.

Wie stellen wir uns die praktische Applikation dieser Methoden in der Chemie vor, wenn die Chemiker und Ingenieure die jetzt ausgebildet werden in ihrer Mehrzahl nicht einmal ein konzeptionelles Verständnis der Grundlagen der Methoden haben. Ich hatte schon gehofft, das da wenigstens einer kommt, und sagt: „Dr. Madl, selbstverständlich nutzen wir moderne statistische Methoden der Versuchsplanung. In unserem Wirkstofflabor stehen zwei HTPE (high through put experimentation) Roboter, und in unserem Betrieb werden alle Prozessdaten zusammengeführt und zum predictive process control verarbeitet. Die beiden erwähnten Methoden sind ja nicht die Innovationen der Industrie 4.0 von der alle raunen, es sind Methoden die seit 10, 20 Jahren bekannt sind. Und irgendwo ja auch angewendet werden müssen, wenn man den ganzen Artikeln in den Fachjournalen glauben möchte.

Wie stellen wir uns also die nächste Welle, die next big wave in der Chemieindustrie vor? Wie wird es um die Akzeptanz der Mitarbeiter bestellt sein, wie um die des mittleren und höheren Managements? Kommt dann ein Trupp von IT 4.0 Consultants und installiert das System? Werden in der Forschung und Entwicklung einfach zusätzlich zu (oder anstatt von) neuen Chemikern einfach ein paar IT Experten eingestellt? Oder wird man dann einfach eine Abteilung Big Data irgendwo in Indien haben? Und wie kann man sich die Integration, die Zusammenarbeit vorstellen.

Ich behaupte, Industrie 4.0 findet vor allem in den Köpfen statt. All die Schlagworte vom lebenslangen lernen, die müssen wir jetzt wirklich mal ernst nehmen. Die Menschen, die in der Chemischen Industrie Innovation generieren sollen, müssen sich selbst innovieren, müssen, auch nach 10, 20 Jahren im Beruf immer wieder an die neusten Erkenntnisse, an die neuesten Methoden – den Fortschritt also – anschließen. Und, vor allem die Universitäten, die Ausbildungsstätten für die Innovatoren von morgen, müssen ihren Lehrkanon ständig an die Erfordernisse der Zukunft anpassen.

Ich würde mir wünschen, dass zukünftig bei allen Absolventen einer höheren Ausbildung in der Chemie in meiner Umfrage der Zeiger für alle Bereiche weit rechts ist, dass alle ganz selbstverständlich moderne Methoden und Software einsetzen um so effektiv wie nur möglich Erkenntnisse zu generieren. Denn letzten Endes – all der Hype um Industrie 4.0 und Big Data soll doch vor allem eines ermöglichen: mehr Zeit zum Denken haben, mit besseren Daten als Grundlage und machtvollen Methoden die Ergebnisse des Denkprozesses dem wissenschaftlichen Experiment zu unterwerfen – um schneller bessere Produkte und Prozesse zu entwick