Prof. Dr. Daniel Ambach

Seit 2026 Director of AI and Data
Digital Business University of Applied Sciences

Seit 2021 Professor für Data Science & Computational Statistics
Digital Business University of Applied Sciences

2020-2024 und seit 2026 Dozent
Hochschule für Wirtschaft und Recht (HWR), Berlin

2018-2021 Lehrbeauftragter
Hochschule für Technik und Wirtschaft (HTW), Berlin

2016-2017 Post-Doc am Lehrstuhl für Quantitative Methoden insb. Statistik
Europa-Universität Viadrina, Frankfurt (Oder)

2012-2016 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Quantitative Methoden insb. Statistik
Europa-Universität Viadrina, Frankfurt (Oder)

2016 Abschluss Promotion
Fachbereich Wirtschaftswissenschaften, Statistik
Hochschule Europa-Universität Viadrina Frankfurt (Oder)

2011 Master of Science
International Business Administration
Hochschule Europa-Universität Viadrina Frankfurt (Oder)

Seit 02/2024: Managing Consultant – Head of Data Intelligence,
accantec information solutions GmbH, Hamburg

04/2022 – 01/2024: Principal Data Scientist,
Deutsche Bahn AG, Berlin

06/2019 – 03/2022: Senior Data Scientist,
Deutsche Bahn AG, Berlin

08/2017 – 05/2019: Senior Data Scientist,
smava GmbH, Berlin

09/2012 – 09/2016: Geschäftsführer,
Deutsche Statistische Gesellschaft, Frankfurt (Oder)

Seine Forschung konzentriert sich auf die Vorhersage erneuerbarer Energien. Nach seinem Wirtschaftsstudium an der Europa-Universität Viadrina in Frankfurt (Oder) promovierte er ebendort und veröffentlichte mehrere wissenschaftliche Publikationen zur Optimierung von Windgeschwindigkeits- und Windenergieprognosen. Die statistischen Prognosemethoden seiner Promotion bilden bis heute die Grundlage seiner Arbeit an generativen und agentenbasierten KI-Systemen.

Im Zentrum steht generative KI, also LLM-Anwendungen, Retrieval-Augmented Generation, Prompt Engineering und die Evaluation generativer Systeme. Ein zweiter Strang gilt agentischer KI und Automatisierung, insbesondere Multi-Agenten-Systemen, dem Model Context Protocol und Human-in-the-Loop-Design. Daneben untersucht er die Adoption von KI, darunter Produktivitätseffekte von KI-Einführungen, Datenspende und Privacy Calculus sowie KI-Kompetenz in der Hochschullehre. Den praktischen Rahmen bildet der produktive Einsatz maschinellen Lernens, von Prognosemodellen über MLOps bis zur Modellvalidierung. Die Prognose erneuerbarer Energien, insbesondere von Windgeschwindigkeit und Windenergie mit stochastischen Zeitreihenmodellen, bleibt fester Bestandteil seiner Arbeit.

Lehrgebiete
Data Science, Machine Learning, Statistik, Data Mining, Data Engineering, Generative KI und Prompt Engineering, Programmierung (Python, R, SQL), Datenbanken, Cloud-Plattformen

Akademische Lehrgangsleitung
Leitung von drei berufsbegleitenden Zertifikatslehrgängen der DBU, jeweils 12 ECTS über rund vier Monate in zwei Modulen:

• GenAI Practitioner (Certificate of Advanced Studies, vormals „Prompt Engineering“), Module: Generative-AI Fundamentals & Prompting Deep Dive sowie Agentic AI & RAG Workflow Engineering Lab
• Agentic AI Designer & Operations (Certificate of Advanced Studies, Master-Niveau), Module: Agentic AI & RAG Workflow Engineering Lab sowie Agentic AI Designer & Operations Lab
• AI Data Analyst:in (Certificate of Basic Studies), Module: Data Analytics sowie Business Information Systems II: Business Intelligence

Weitere Lehre
Betreuung von Bachelor- und Masterarbeiten, Curriculumsentwicklung

seit Juli 2026 Journal of Technical Education Science (JTE), Vietnam,
Mitglied des Editorial Board

seit Oktober 2024 German Data Science Society (GDS) e.V.,
Leitung der Regionalgruppe Berlin

November 2026 Organisator der Herbsttagung der German Data Science Society, Berlin

2012-2016 Deutsche Statistische Gesellschaft (DStatG) e.V., ehem. Geschäftsführer

2016 Promotion mit Auszeichnung (Summa cum laude),
Europa-Universität Viadrina

2011-2012 Ph.D Stipendium
Center for Interdisciplinary Polish Studies

02/2025 Invited Speaker, ICERE 2025, Da Nang (Vietnam),
Conference on Environment and Renewable Energy,

02/2024 Invited Speaker, ICERE 2024, Nha Trang (Vietnam),
Conference on Environment and Renewable Energy,

08/2015: Forschungsaufenthalt in Japan
(JICA, Kyoto Universität, Institute for Environmental Studies, Institute of Energy Economics, Institute for Global Environmental Strategies)

Teilnahme an internationalen Konferenzen in Israel, Italien, Frankreich, Polen, u.a.

Preprint
Wildemann, S. & Ambach, D. (2026). Trust by Context, Not by Design? A Quantitative Study of Data Donation Willingness for Open-Source Civic AI in Switzerland. arXiv:2607.21044 [stat.AP]. Gekürzte Fassung eingereicht bei AStA Wirtschafts- und Sozialstatistisches Archiv.
https://doi.org/10.48550/arXiv.2607.21044

Ambach, D. & Schmid, W. (2017). A new high-dimensional time series approach for wind speed, wind direction and air pressure forecasting. Energy, 135, 833–850.
https://doi.org/10.1016/j.energy.2017.06.137

Ziel, F., Croonenbroeck, C. & Ambach, D. (2016). Forecasting wind power – Modeling periodic and non-linear effects under conditional heteroscedasticity. Applied Energy, 177, 285–297.
https://doi.org/10.1016/j.apenergy.2016.05.111

Ambach, D. & Croonenbroeck, C. (2016). Space-time short- to medium-term wind speed forecasting. Statistical Methods & Applications, 25(1), 5–20.
https://doi.org/10.1007/s10260-015-0343-6

Ambach, D. (2016). Short-term wind speed forecasting in Germany. Journal of Applied Statistics, 43(2), 351–369.
https://doi.org/10.1080/02664763.2015.1063113

Ambach, D. & Garthoff, R. (2016). Vorhersagen der Windgeschwindigkeit und Windenergie in Deutschland. AStA Wirtschafts- und Sozialstatistisches Archiv, 10(1), 15–36.
https://doi.org/10.1007/s11943-016-0177-1

Ambach, D. & Schmid, W. (2015). Periodic and long range dependent models for high frequency wind speed data. Energy, 82, 277–293.
https://doi.org/10.1016/j.energy.2015.01.038

Croonenbroeck, C. & Ambach, D. (2015). Censored spatial wind power prediction with random effects. Renewable and Sustainable Energy Reviews, 51, 613–622.
https://doi.org/10.1016/j.rser.2015.06.047

Croonenbroeck, C. & Ambach, D. (2015). A selection of time series models for short- to medium-term wind power forecasting. Journal of Wind Engineering and Industrial Aerodynamics, 136, 201–210.
https://doi.org/10.1016/j.jweia.2014.11.014

Croonenbroeck, C. & Ambach, D. (2015). An implementation of the Mycielski algorithm as a predictor in R. Journal of Fundamentals of Renewable Energy and Applications, 6.
https://doi.org/10.4172/2090-4541.1000195

Ambach, D. (2026, im Erscheinen). Generative künstliche Intelligenz. In: Gillhuber, A., Kauermann, G. & Hauner, W. (Hrsg.), Künstliche Intelligenz und Data Science in Theorie und Praxis (2. Aufl.). Springer Spektrum, Berlin, Heidelberg. ISBN 978-3-662-73473-5.
https://doi.org/10.1007/978-3-662-73474-2_5

Ambach, D. & Vetter, P. (2016). Wind speed and power forecasting – A review and incorporating asymmetric loss. In: 2nd International Symposium on Stochastic Models in Reliability Engineering, Life Science and Operations Management (SMRLO), IEEE, 115–123.
https://doi.org/10.1109/SMRLO.2016.29

Ambach, D. & Croonenbroeck, C. (2015). Obtaining superior wind power predictions from a periodic and heteroscedastic wind power prediction tool. In: Steland, A., Rafajłowicz, E. & Szajowski, K. (Hrsg.), Stochastic Models, Statistics and Their Applications, Vol. 122, 225–232. Springer International Publishing. ISBN 978-3-319-13880-0.
https://doi.org/10.1007/978-3-319-13881-7_25