Erfolgsgeschichten –
Fortschritt durch Innovation

Im Technologiepark Heidelberg und darüber hinaus in ganz Heidelberg gestalten Gründerinnen und Gründer die Zukunft. Einige der Unternehmen und die Menschen dahinter möchten wir Ihnen hier gerne vorstellen.

Success Story: Quality Match

Gute Datensätze für eine bessere Welt

Das Heidelberger Unternehmen Quality Match stellt KI-Anwendungen auf ein sicheres Daten-Fundament

Man ist, was man isst. Das gilt auch für eine künstliche Intelligenz. Algorithmen sind immer nur so gut wie die Datensätze, mit denen sie trainieren und die sie auswerten. Quality Match hat es sich zur Aufgabe gemacht, mit der Qualität der Datensätze auch die neue digitale Welt ein Stück weit besser zu machen.

Kontakt: 

Quality Match GmbH
Langer Anger 7-9
69115 Heidelberg
Germany
Tel: +4915141259855
Email: dk(at)quality-match.com

Quality Match - Ein Firmenporträt

Manchmal scheitert künstliche Intelligenz (KI) spektakulär. Die Folgen können lustig sein – wenn die Bilderkennung eine Katze für einen Hund hält –, aber auch dramatisch – wenn der Autopilot die Leitplanke nicht erkennt und das Fahrzeug aus der Kurve trägt. Verantwortlich für diese Fehlfunktionen sind meist weniger die KI-Algorithmen an sich, als vielmehr fehlerhafte Datensätze, mit denen die Algorithmen trainiert wurden. Ein Problem mit gewaltiger Sprengkraft, wenn man bedenkt, dass KI-Anwendungen in den kommenden Jahren Wirtschaft und Gesellschaft regelrecht revolutionieren werden.

Das Heidelberger Start-up Quality Match ist angetreten, KI-Anwendungen auf ein sicheres Daten-Fundament zu stellen. Gründer Daniel Kondermann kennt die potenziellen Fehlerquellen sehr gut, die sich bei der Genese von Datensätzen für das KI-Training einschleichen: In den meisten Fällen sind es Menschen, die Daten annotieren, also für Maschinen lesbar machen. Gerade bei Bilddaten arbeiten die Dienstleiter in großem Maßstab: Tausende Menschen markieren auf hunderttausenden Fotos zum Beispiel alle Katzen oder Hunde. Der lukrative Dienstleistungsmarkt ist bis zu vier Milliarden Dollar schwer.

Doch Menschen machen Fehler. Und manche Fehler ließen sich durch besser durchdachte Prozesse vermeiden, wie Daniel Kondermann schildert: Wenn ein Mitarbeiter zum Beispiel auf einem Bild, das ein Pferd zeigt, alle Tiere markieren soll, aber nur Hund und Katze zur Auswahl stehen, sind falsche Angaben vorprogrammiert. Eine andere Fehlerquelle sind schlecht belichtete Aufnahmen, wie zum Beispiel Bildreihen einer Nachtfahrt. Die Mitarbeiter können dann Objekte nur schwer erkennen, die Fehlerquote bei der Annotation steigt rasch. Das wiederum hat Folgen für die jeweilige KI-Anwendung, wie Kondermann berichtet: „Ein Datensatz muss die Realität repräsentieren. Wenn man einen Algorithmus mit einem fehlerhaften Datensatz trainiert, sind auch die Ergebnisse fehlerhaft. Insofern ist der Datensatz oft wichtiger als die Methode.“

Deshalb setzt Quality Match bei den Prozessen an. Kondermann umreißt das bewährte Verfahren, mit dem das Start-up Datensätze sicher macht: „Unsere Kunden übergeben uns meist sehr große Datenbestände. Zunächst visualisieren wir die Datensätze und zerlegen die Annotationen dann in kleine Aufgabenschritte, die wir von möglichst vielen Menschen bearbeiten lassen.“ Eine geschickt gestaltete Taxonomie erlaubt es Quality Match anschließend, potenzielle Unsicherheiten in den Datensätzen genau zu quantifizieren. Gerade die schwierigen Edge- und Corner-Cases – also uneindeutige Grenzfälle – können so in den Datensätzen klar identifiziert und durch das jeweilige KI-Engineering gezielt berücksichtigt werden.

Mit dieser Auswertung bietet Quality Match seinen Kunden eine fundierte Entscheidungsgrundlage, um Datensätze in der von ihnen gewünschte Qualität zu erreichen oder die Daten weiter zu optimieren. Das ist immer auch eine Kostenfrage, wie Kondermann weiß: „Nicht jeder Datensatz muss vollkommen perfekt sein, um ein Machine-Learning-Modell gut zu trainieren. Der Datensatz sollte vielmehr die richtige Menge und die richtige Qualität an Daten aufweisen. So hat man dann den Datensatz, der für die eigene Anwendung perfekt geeignet ist.“

Und an Anwendungen mangelt es nicht, denn Annotationen versorgen die Machine-Learning-Modelle vieler Branchen: So werden auch jene allgemein bekannten Fahrassistenzsysteme mit annotierten Bilddaten trainiert, die Fahrerinnen und Fahrer bei einer ganzen Reihe von Tätigkeiten unterstützen – vom Einparken bis zum faktisch vollautonomen Führen des Kraftfahrzeugs. Navigationssysteme greifen auf 3D-Landkarten zurück, bei deren Erstellung annotierte Bilddaten eine ebenso große Rolle spielen. Und auch die Bahn wertet Aufnahmen aus dem Remote Sensing (der Fernerkundung zum Beispiel mittels Satellitendaten) aus, um aufgrund dieser Daten Hindernisse auf den Gleisen – wie umgestürzte Bäume – zu erkennen. Last but not least eröffnen KI-Anwendungen gerade in der Medizintechnik zahlreiche neue Möglichkeiten, von der Auswertung einer Biopsie bis zur Unterstützung der Medizinerinnen und Mediziner bei der Tumorerkennung.

Daniel Kondermann erkannte das verbindende Element dieser KI-Applikationen bereits während seiner Promotionsphase am Heidelberg Collaboratory for Image Processing bei Professor Bernd Jähne: „All diese Anwendungen sind sicherheitskritisch. Die Datensatzqualität muss sehr hoch sein. Damals wurde mir klar: Annotationen werden das nächste große Thema sein“. Deshalb gründete der studierte Informatiker zusammen mit vier weiteren Partnern aus der Universität heraus sein erstes Start-up, Pallas Ludens, und unternahm so erste unternehmerische Schritte in diesem Geschäftsfeld.

Nach Pallas Ludens war Kondermann einige Jahre für Apple tätig. Doch die technischen Herausforderungen, die Qualität von Datensätzen sicherzustellen und die Freiheit des unternehmerischen Daseins ließen ihn nicht los. Zusammen mit Jemima Hastings (als Chief Operating Officer), Mirko Schmidt (als Chief Technology Officer) und Sascha Lange (als Managing Director) gründete er (ebenso als Managing Director) 2019 Quality Match. Das Team ist überzeugt, dass Start-ups das entscheidende Bindeglied zwischen Universitäten und Unternehmen sind, um einen funktionierenden Technologietransfer zu realisieren, bei dem alle Beteiligten gewinnen.

Der Übergang aus der Forschung in die Welt der wirtschaftlichen Anwendung ist aber nicht immer einfach. Für den unternehmerischen Erfolg ist im KI-Bereich solides theoretisches Wissen unabdingbar, wie Daniel Kondermann weiß: „KI ist eine Art mathematisches Optimierungsproblem. Die Bearbeitung dieses Problems erfordert sehr viele Grundlagenkenntnisse. Die Universitäten eignen sich hervorragend dazu, diese Kenntnisse gut strukturiert zu erwerben.“ Manchmal stottere aber dann der Transfer aus der Forschung in die Wirtschaft, wie Kondermann schmunzelnd aus der Anfangszeit seiner ersten Gründung berichtet: „Wir sind als Wissenschaftler mit etwas naiven Ideen in unser erstes Start-up gegangen und wussten zunächst nicht, was Industriekunden wirklich brauchen. Doch wir haben uns sehr schnell angepasst. Da wir ständig mit unseren Kunden in engem Kontakt standen und von ihnen befeuert wurden, hatten wir plötzlich ein sehr erfolgreiches Produkt.“ Das sind wichtige Erfahrungen, die Kondermann jetzt auch an die folgende Gründergeneration weitergeben will. Deshalb engagiert sich Quality Match nicht nur bei der Start-up-Autobahn, sondern auch in der neu gegründeten KI-Garage am Technologiepark.

Und Gründer kann es nicht genug geben, denn die Anwendungsfelder für KI sind zahlreich: Neben Natural-Language-Processing, Computervision und General Artificial Intelligence hat auch die Spieleindustrie einen stetigen Hunger nach KI-generiertem Content. Das größte Potenzial für KI-Applikationen sieht Kondermann jedoch in der Medizintechnik und der Biotechnologie. „Dort werden fundamentale Fragen gestellt und die Datensätze eignen sich hervorragend, KI-gestützte Antworten zu liefern. Natürlich gibt es Herausforderungen: Das beginnt beim Datenschutz und endet bei der sicherheitskritischen Verwendung der Daten: Man darf keine falsche Diagnose stellen. So ist man auch schnell bei einer Reihe von Forschungsfeldern, die unsere Gesellschaft künftig betreffen – nicht nur KI-Themen im engeren Sinne, sondern auch juristische Fragestellungen und ganz grundsätzlich die Art und Weise, wie wir mit Machine Learning leben werden.“

 

Von Dr. Stefan Burkhardt

This Website uses Cookies

We store technically necessary cookies, without which the operation of the site is not possible. In order to provide you with a better user experience on our website, we would also like to evaluate anonymous analysis data. Which tools we use for this purpose and further information can be found in our Privacy Policy and in our Legal Notice.

Accept technically required cookies only

On our website you will find interesting videos and maps hosted on Youtube/googleMaps. The videos and maps are used without a cookie, but data is still loaded from google servers, which means that your surfing behaviour can be recorded by Google.

Name Google Analytics
Anbieter Google LLC
Zweck Cookie von Goolge für Website-Analysen, mit dem statistische und anonymisierte Daten darüber erfasst werden, wie der Besucher die Website nutzt.
Datenschutzerklärung policies.google.com/privacy
Cookie Name _ga,_gat,_gid
Cookie Laufzeit 14 Monate