LUML entwickelt eine Open-Source-Plattform, auf der KI-Agenten und Data Scientists zusammenarbeiten, um Machine Learning effizienter zu gestalten und Experimente schneller in die Praxis zu bringen.
Können Sie LUML kurz vorstellen und erzählen, wie aus Ihrer Arbeit als Data Scientist die Idee für ein eigenes Unternehmen entstanden ist?
LUML ist eine Open-Source-Plattform für Machine Learning, die darauf ausgelegt ist, dass Menschen und KI-Agenten zusammenarbeiten. Die Idee entstand aus unserer Erfahrung mit Machine-Learning-Projekten für verschiedene Unternehmen. Dabei haben wir immer wieder gesehen, dass bei der Entwicklung eines guten Machine-Learning-Modells viel Zeit dafür aufgewendet wird, unterschiedliche Ansätze auszuprobieren, Ergebnisse zu vergleichen, Experimente zu dokumentieren, die Zusammenarbeit zu koordinieren und sicherzustellen, dass die Ergebnisse auch tatsächlich in der Praxis eingesetzt werden können. Als KI-Agenten zunehmend leistungsfähiger wurden, erkannten wir die Möglichkeit, diesen gesamten Prozess schneller und strukturierter zu gestalten.
Wer steht hinter LUML, und wie ergänzen sich die Kompetenzen von Oleh Kostromin, Iryna Kondrashchenko und Nikita Gonchar?
Wir drei verfügen über einen starken Deep-Tech-Hintergrund und haben an unterschiedlichen Machine-Learning-Projekten mit Unternehmen gearbeitet. Von kleinen Start-ups bis hin zu großen Konzernen. Darüber hinaus haben Iryna und ich jeweils einen Masterabschluss im Bereich Künstliche Intelligenz. Dadurch verfügen wir über eine starke gemeinsame technische Basis, während sich unsere unterschiedlichen Projekterfahrungen und Perspektiven gegenseitig ergänzen.
Sie haben in unterschiedlichen Machine-Learning-Projekten erlebt, dass ein gutes Modell allein noch keinen praktischen Nutzen garantiert. Wo entsteht beim Weg in den produktiven Einsatz der größte Aufwand?
Ein großer Teil des Aufwands entsteht rund um das eigentliche Modell. Teams müssen verschiedene Ansätze ausprobieren und vergleichen, die Reproduzierbarkeit von Experimenten sicherstellen, ihre Arbeit koordinieren, unterschiedliche Tools integrieren und dafür sorgen, dass Ergebnisse wiederverwendet und in der Praxis eingesetzt werden können. Diese Schritte sind häufig fragmentiert und mit viel manueller Arbeit verbunden. LUML soll diesen Prozess strukturierter und schneller machen.
LUML ist von Anfang an für die Zusammenarbeit zwischen Data Scientists und KI-Agenten konzipiert. Wie sieht diese Zusammenarbeit konkret aus?
In der Praxis funktioniert das ein wenig wie die Leitung eines kleinen Forschungsteams. Ein Data Scientist gibt das Ziel vor, und die KI-Agenten übernehmen den zeitaufwendigen Teil: Sie probieren verschiedene Ansätze aus, führen Experimente durch und vergleichen die Ergebnisse. Dabei orientieren sie sich an etablierten MLOps-Praktiken – also an den Engineering-Standards, die erfahrene Machine-Learning-Teams einsetzen, um ihre Arbeit zuverlässig und wiederverwendbar zu gestalten. Außerdem lernen sie aus früheren Projekten, sodass sie nicht jedes Mal bei null anfangen müssen. Der Data Scientist kann größere Aufgaben an die Agenten übergeben, die Ergebnisse überprüfen und entscheiden, welche Schritte als Nächstes angegangen werden sollen.
KI-Agenten können unterschiedliche Lösungswege ausprobieren, testen und vergleichen. Welche Aufgaben bleiben dabei bewusst in der Verantwortung des Menschen?
Menschen bleiben dafür verantwortlich, das Problem zu definieren, festzulegen, was Erfolg bedeutet, Grenzen zu setzen und zu beurteilen, ob ein Ergebnis in der realen Welt tatsächlich nützlich ist. Auch Domänenwissen, Risikobewertung und die endgültigen Entscheidungen bleiben beim Menschen. Die Aufgabe der Agenten besteht darin, die Arbeit zu beschleunigen und mehr Möglichkeiten zu untersuchen – nicht darin, dem Menschen die Verantwortung abzunehmen.
Industrie, Finanzwesen, Gesundheit und öffentlicher Sektor gehören zu den möglichen Einsatzbereichen. Welche Unternehmen profitieren besonders von Ihrem Ansatz?
LUML hilft Unternehmen dabei, deutlich mehr Data-Science-Arbeit in gleichbleibend hoher Qualität zu leisten, ohne dass das Team im gleichen Tempo wachsen muss. Besonders wertvoll ist die Plattform daher für Unternehmen, die Machine Learning bereits einsetzen und diese Arbeit schneller und einfacher steuerbar machen möchten. Das können Start-ups mit wenigen Data Scientists ebenso sein wie große Organisationen mit strengen Vorgaben hinsichtlich Governance, Infrastruktur und Daten. Entscheidend ist, dass Machine Learning zunehmend zu einem festen Bestandteil ihrer täglichen Arbeit wird.
LUML läuft auf der Infrastruktur des jeweiligen Unternehmens. Warum ist es für Sie entscheidend, dass Daten und Modelle die Unternehmensumgebung nicht verlassen?
LUML kann den Prozess orchestrieren, während die eigentlichen Berechnungen und die Datenspeicherung auf einer vom Unternehmen kontrollierten Infrastruktur stattfinden. LUML muss weder auf die Daten der Kunden zugreifen noch diese oder die Modellartefakte speichern. Das ist insbesondere für Datenschutz, Sicherheit, Datensouveränität und regulatorische Anforderungen wichtig. Gleichzeitig hilft dieser Ansatz dabei, eine unnötige Abhängigkeit von einzelnen Anbietern, einen sogenannten Vendor Lock-in, zu vermeiden.
Gerade in regulierten Branchen müssen KI-Entscheidungen nachvollziehbar bleiben. Wie verbinden Sie zunehmende Automatisierung mit Kontrolle und Transparenz?
Automatisierung sollte einen Prozess nicht weniger transparent machen. Experimente, Parameter, Metriken und andere relevante Informationen sollten nachvollziehbar bleiben, unabhängig davon, ob die Arbeit von einem Menschen oder einem KI-Agenten durchgeführt wurde. Dadurch lässt sich im Nachhinein überprüfen, was passiert ist, Ergebnisse können miteinander verglichen werden und es bleibt nachvollziehbar, wie eine Entscheidung zustande gekommen ist. Die menschliche Kontrolle bleibt weiterhin Bestandteil des Prozesses.
LUML ist das erste Start-up, an dem sich die neue SCCH Innovations GmbH als Gesellschafterin beteiligt. Welche Vorteile bringt diese Verbindung von Forschung und Unternehmertum?
Die SCCH Innovations GmbH verfügt über starke Verbindungen zur Industrie und über Erfahrung darin, Technologien erfolgreich in den Markt zu bringen. Für LUML ist das insbesondere beim Marktzugang, beim Aufbau von Partnerschaften und bei der Entwicklung von Beziehungen zu potenziellen Kunden hilfreich.
Der Schritt vom Data Scientist zum Gründer verändert die eigene Rolle grundlegend. Was ist für Sie persönlich beim Wechsel vom Forscher zum Unternehmer die größte Herausforderung?
Die größte Veränderung besteht darin, dass technische Qualität nicht mehr das Einzige ist, was zählt. Als Gründer muss man auch die Kunden verstehen, Prioritäten setzen und sich mit Produktentwicklung, Vertrieb, Finanzierung und dem Team beschäftigen. Die größte Herausforderung besteht darin, zu entscheiden, was wirklich wichtig ist und wofür die begrenzte Zeit eingesetzt werden sollte.
Welche Vision verfolgen Sie mit LUML, und wie soll sich die Plattform entwickeln, wenn KI-Agenten künftig noch leistungsfähiger und autonomer werden?
Wir glauben, dass sich die Art und Weise, wie Data Science betrieben wird, grundlegend verändern wird. Heute verbringen Data Scientists einen Großteil ihrer Zeit damit, Experimente selbst durchzuführen. In einigen Jahren wird ein einzelner Data Scientist ein ganzes Team von KI-Agenten steuern, die einen Großteil der Experimente, Analysen und Optimierungen übernehmen. Unser Ziel ist es, LUML zu der Plattform zu machen, auf der diese Zusammenarbeit stattfindet. Je leistungsfähiger die Agenten werden und je größere Aufgaben sie übernehmen können, desto wichtiger wird eine Plattform wie LUML, die ihrer Arbeit die notwendige Struktur gibt.
Welche drei Ratschläge würden Sie Forschenden geben, die aus ihrer wissenschaftlichen Arbeit ein eigenes Technologieunternehmen aufbauen möchten?
1. Bleibt nah an den tatsächlichen Nutzerinnen und Nutzern und stellt sicher, dass das Problem auch außerhalb des Forschungsumfelds wirklich relevant ist.
2. Entwickelt und testet frühzeitig etwas Konkretes, anstatt zunächst zu versuchen, alles zu perfektionieren.
3. Arbeitet mit Menschen zusammen, die unterschiedliche Fähigkeiten und Perspektiven einbringen.
Vlnr: Mag. Markus Manz (CEO SCCH Innovations GmbH) und die Gründer*innen von LUML, Nikita Gonchar, Oleh Kostromin und Iryna Kondrashchenko. Bildquelle: SCCH Innovations GmbH
Wir bedanken uns bei Oleh Kostromin für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
