Start-ups wie Quality Match aus Heidelberg wollen Unternehmen dabei helfen, ihre selbstlernenden Programme zu verbessern. Sie suchen nach Wegen, bereits die Vorarbeit zu vereinfachen.

Wer Maschinen etwas beibringen will, stößt auf knifflige Fragen. Zum Beispiel: Kann ein Auto auf dem Grünstreifen am Straßenrand fahren? Für Ausweichmanöver eines autonomen Fahrzeugs beispielsweise kann das entscheidend sein. Einem Menschen wäre direkt klar: hängt von der Geschwindigkeit ab. Aber was soll sich der Computer merken? Ihm die richtigen Regeln beizubringen, will Daniel Kondermann mit seinem Team erleichtern. Denn noch sind es meist Menschen, die in mühsamer Klickarbeit etwa Bilder auswerten – damit der Computer aus ihnen überhaupt etwas lernen kann.

Diese sogenannte Datenannotation will das Start-up Quality Match aus Heidelberg verbessern. Dabei handelt es sich um einen zentralen Schritt für Unternehmen, die selbstlernende Algorithmen oder sogenannte Künstliche Intelligenz (KI) einsetzen wollen. Ob für autonomes Fahren, Sprachassistenten wie Amazons Alexa oder eine schnellere Auswertung von Röntgenbildern beim Arzt: Immer braucht es große Mengen an Ausgangsdaten als Lernstoff für die Software. Sie merkt sich sozusagen die Zusammenhänge im Datensatz und kann sie nach vielen Wiederholungen auch auf neuen Stoff anwenden.

Die Krux: Schauen die Maschinen-Trainer irgendwo nicht genau genug hin, schleichen sich bei der KI Denkfehler ein. Und die Software liefert in der Praxis letztlich falsche oder unerwünschte Ergebnisse. Um solche potenziellen Gefahren oder zumindest finanziellen Risiken zu verhindern, sind etablierte Anbieter wie Lionbridge aus den USA, aber auch zahlreiche junge Datenspezialisten auf dem wachsenden Markt für Annotationen unterwegs. Darunter auch Understand AI aus Karlsruhe oder Terraloupe aus München.

Strategien für Zweifelsfälle

Quality-Match-Gründer Kondermann will die Konkurrenz vor allem mit Nutzerfreundlichkeit schlagen. So arbeitet seine 2019 gegründete Firma einerseits an einer neuen Benutzeroberfläche für die Datenannotatoren: Sie sollen bei der Auswertung von Bildern, 3D-Punktewolken oder Audios möglichst einfache Fragen gestellt bekommen – also etwa nur zwischen Ja und Nein wählen können. Die Annotation in so kleine Schritte zu zerlegen, soll die Informationen für den Computer von vornherein präzisieren und damit Zweifelsfälle ausschließen. „Das unterscheidet uns von anderen Anbietern, die oft mit komplizierten Tools arbeiten“, sagt der 41-jährige Seriengründer, der auch als Privatinvestor in Start-ups etwa aus der Spielebranche investiert. Allein das Training der Annotatoren koste bei etablierten Systemen viel Zeit und sei fehleranfällig.

Auf der anderen Seite will Quality Match auch die Entwickler der selbstlernenden Systeme unterstützen. Indem das Start-up hilft, Unschärfen im Datensatz zu erkennen und die Ursachen zu verstehen: Sind beispielsweise Aufnahmen verwackelt und deshalb von den Annotatoren schwer zu interpretieren? Oder sind die Bilder in Ordnung, aber die vorgegebenen Antworten passen nicht? Etwa wenn man ein Einhorn gezeigt bekommt und es als Hund oder Katze markieren soll, nennt Kondermann als einfaches Beispiel. Oder etwas komplizierter: Wenn ein Flugzeug mit eingefahrenem Fahrwerk gekennzeichnet werden soll – ist es ein Objekt mit oder ohne Reifen?

„Wir wollen möglichst wenig Mehrdeutigkeit erreichen“, sagt der Geschäftsführer von Quality Match, der das Unternehmen mit Co-Geschäftsführer Sascha Lange, CTO Mirko Schmidt und COO Jemima Hastings gegründet hat. Schmidt ist promovierter Physiker und hat zuvor bei Microsoft und Google gearbeitet. Hastings war als Expertin für Annotationsprozesse bereits bei Kondermanns erster Gründung Pallas Ludens an Bord, und wurde 2015 mit dem Start-up-Team von Apple übernommen.

Software nach dem Baukasten-Prinzip

Als Kunden konnten sie bereits den Autozulieferer Bosch gewinnen. Abgesehen hat es die junge Firma aber auch auf die Gesundheitsbranche, den Einzelhandel und das Bauwesen. Bis Ende des Jahres wollen die Heidelberger ihr Team von derzeit 20 Mitarbeitern auf bis zu 50 aufstocken und eine Million Euro Umsatz erreichen. Fünf Millionen Euro an Risikokapital steuert dafür der Karlsruher Investor LEA Partners bei, der sich auf Technologieunternehmen spezialisiert. Die jüngst verkündete Finanzierungsrunde soll auch dabei helfen, erste Großprojekte zu stemmen.

So hofft Kondermann auf eine Zusammenarbeit mit sozialen Netzwerken, die über große Datenmengen verfügen. Die braucht das Start-up, um seinen Baukasten zu erweitern – Ziel ist es, Unternehmenskunden künftig verschiedene standardisierte Module anzubieten, etwa für die Datenannotation selbst oder den Qualitätscheck. Noch ist dafür viel Vorarbeit nötig, weshalb Quality Match auch selbst externe Annotatoren beauftragt.

Die Verarbeitung und Auswertung von großen Datenmengen treibt zahlreiche Start-ups um. So tüfteln junge Firmen beispielsweise an Lösungen, die den Durchblick durch Messwerte oder Simulationsergebnisse erleichtern sollen – für Ingenieure etwa, die keinen Abschluss in Datenwissenschaft haben. An die Zielgruppe richtet sich unter anderem Visplore aus Wien, das sich auf Analysen für die Industrie und Energiewirtschaft spezialisiert. Eine Million Euro steckte zuletzt der Wagniskapitalgeber btov Partners in die junge Firma. ExB Labs aus München dagegen trainiert Software, die Textdokumente selbstständig auswerten kann wie Kündigungsschreiben oder Rechnungen. Das Team hat sich unter anderem bereits ein Investment von Carsten Maschmeyers Alstin Capital gesichert.