Die digitale Fabrik, das selbstfahrende Auto oder das smarte Zuhause – all das wird möglich dank künstlicher Intelligenz. Doch müssen ebendiese intelligenten Maschinen oftmals noch angelernt werden: vom Menschen. Ändern will das understand.ai aus Karlsruhe. Über das „wie“ haben wir mit Philip Kessler gesprochen.

Hallo Philip, du hast 2016 understand.ai zusammen mit Marc Mengler gegründet. Erkläre mir doch in ein paar Sätzen, was euer Startup so macht.

Machine Learning ist ein großes Thema, welches derzeit sehr viele Branchen beschäftigt. Allerdings wird oftmals vergessen, dass hinter dieser Vielzahl an Durchbrüchen im AI-Bereich viele Menschen stecken. Tesla beispielsweise hat über 1000 Personen eingestellt, die alleine dafür sorgen, dass die Algorithmen von Teslas autonomen Autos optimal laufen, sprich sie müssen Passanten, Autos und andere Gegenstände erkennen. Aktuell stecken hinter diesen Machine Learning-Algorithmen noch Menschen, die den Algorithmen feste Regeln einprogrammieren müssen. Diese Regeln definieren beispielsweise, wie ein bestimmter Gegenstand aussieht.

Inzwischen aber lernen Algorithmen ganz von selbst. So wie wir alle früher als Kind angelernt und gezeigt bekommen haben, wie welcher Gegenstand aussieht, lernt auch der Algorithmus. Wir von understand.ai übernehmen das Anlernen für diese selbstlernenden Algorithmen. Das Ergebnis sind Trainingsdaten für selbstfahrende Autos, die computergestützte Chirurgie oder auch Drohnenbilder.

Wie habt ihr zusammengefunden und was habt ihr vor understand.ai gemacht?

Marc lebte in London und Berlin und war Mitgründer von Startups im Bereich Machine Learning. Zuvor hat er seinen Master in Entrepreneurship, Machine Learning und Data Science abgeschlossen.

Ich war ein Jahr lang im Silicon Valley und habe dort bei Mercedes Research im Bereich Machine Learning und Data Science gearbeitet. Zuvor habe ich Informatik am KIT studiert.

Euer Name understand.ai bedeutet ja Künstliche Intelligenz zu verstehen. Wie schafft ihr es rohe Daten so aufzubereiten, dass sie sich als Grundlage für Machine Learning eignen?

Andere Unternehmen nutzen für die Annotation von Daten einen rein manuellen Ansatz, bei dem Menschen die Trainingsbeispiele erzeugen. Wir haben diesen Prozess automatisiert, indem wir Algorithmen entwickelt haben, welche die Annotation von Daten fast automatisch durchführen. Unsere Algorithmen erzeugen Vorschläge, die der Mensch einfach nur noch abnicken muss. Dadurch verläuft dieser Prozess natürlich viel effizienter. Der Mensch fällt durch dieses Verfahren natürlich nicht komplett weg. Wir kombinieren lediglich das Gute von Algorithmen, beispielsweise, dass sie skalierbar und effizient sind, mit der Intelligenz und Sorgfalt des Menschen.

understand.ai
Algorithmen erzeugen Vorschläge, die Menschen nur noch bestätigen müssen. (Bild: understand.ai)

Was sind die möglichen Anwendungsbereiche für die aufbereiteten Daten?

Theoretisch braucht man solche Daten in fast jedem Bereich, in dem man Machine Learning einsetzt. Als Startup in einem so breiten Anwendungsspektrum mussten wir uns jedoch relativ schnell für eine kleine Nische entscheiden. Unsere Nische ist momentan Autonomes Fahren. Der Markt in diesem Bereich wächst sehr schnell und wir haben den Vorteil, dass auch ein Großteil unseres Teams aus dem Autonomen Fahren kommt.

Auch die Medizin ist ein Anwendungsbereich. Dieser sehr interessante Markt entwickelt sich derzeit noch. Wir hatten in der Vergangenheit schon die Chance, an einem kleinen Projekt mit dem deutschen Krebsforschungszentrum zu arbeiten. Besonders spannend im Bereich Medizin finde ich den Gedanken, Ärzten dabei zu helfen, Krankheiten schneller zu erkennen. Derzeit bleiben wir aber noch im Bereich Autonomes Fahren.

understand.ai
Autonomes Fahren, Smart Farming und computerassistierte Medizin – die Anwendungsbereiche der annotierten Daten sind vielseitig. (Bild: understand.ai)

Für eure Forschung und Entwicklung habt ihr euch den Standort Karlsruhe ausgesucht. Was schätzt ihr an Karlsruhe und wo siehst du (bis auf die Kombilösung 😉 ) noch Baustellen?

Für ein Deep-Tech Thema, wie Machine Learning ist Karlsruhe ein sehr geeigneter Standort. Auch mit ihrem Testfeld für Autonomes Fahren ist die Stadt ideal für uns. Nicht zuletzt hatten wir in Karlsruhe schon ein Netzwerk, das wir mit rein nehmen konnten. Arbeiten sollte Karlsruhe noch an seiner Sichtbarkeit. Damit auch international qualifizierte Fachkräfte nach Karlsruhe kommen, muss die Stadt noch bekannter werden!

Zu guter Letzt: Wie lautet dein Rat an angehende Gründer?

Einfach rausgehen und probieren! Die meisten Leute haben Einfälle, lassen sich dann aber von ihrem Umfeld beeinflussen, welches sagt „das klappt nicht!“ und gehen diese nicht an. Mein Rat lautet daher einfach rauszugehen, ausgiebig zu probieren, um dann so schnell wie möglich seine Annahmen zu validieren. Viele denken auch, sie müssten mit einer perfekten Idee, die möglichst reif ist, starten und warten dann unnötig. Dabei ändert sich diese oftmals sowieso. Auch wir haben mit einem anderen Vorhaben gestartet und dann austariert bis wir bei einer Geschäftsidee angekommen sind, die für uns passt.