Wakeline ist ein Deep-Tech-Unternehmen aus D\u00fcsseldorf<\/a>, das eine neue Form k\u00fcnstlicher Intelligenz entwickelt. Im Kern steht eine biologisch inspirierte Architektur, die ohne Deep Learning auskommt und kontinuierlich im laufenden Betrieb lernt. Das ist deshalb relevant, weil viele Modelle nach dem Training weitgehend statisch operieren und mit jeder Ver\u00e4nderung der Welt an Genauigkeit verlieren, wenn sie nicht nachtrainiert werden. Unser System lernt laufend dazu und passt sich an. Gegr\u00fcndet haben wir Wakeline zu viert: Dr. Tim G\u00fclke, Jan B\u00f6ggering, Simon Spr\u00fcnker und Dr. Merten Tiedemann.<\/p>\n\n\n\n Entstanden ist die Idee aus dem First-Principles-Denken. Wir haben uns gefragt, wie es Lebewesen gelingt, mit sehr einfachen Nervensystemen komplexes Verhalten zu zeigen, und das ganz ohne Training und ohne Backpropagation. Welche Rolle spielt dabei ein einzelnes Neuron? Wie verarbeiten selbst einfachste Nervensysteme die gro\u00dfen Mengen an kontinuierlich auf sie einstr\u00f6menden Daten, und das vor allem in analoger Form? Mit Deep Learning ist das so derzeit nur mit gro\u00dfem Aufwand l\u00f6sbar. Die Natur hat insbesondere f\u00fcr das Lernen eine andere L\u00f6sung gefunden. <\/p>\n\n\n\n Genau dort setzen wir an. Die heutige KI bildet vor allem die beschreibende Seite der Intelligenz ab, also das Erkennen von Mustern in historischen Daten. Diese Seite ist beeindruckend, deckt aber nur eine H\u00e4lfte dessen ab, was Intelligenz ausmacht. Die andere H\u00e4lfte entsteht im Zusammenspiel mit einer Umgebung, die sich st\u00e4ndig ver\u00e4ndert, und genau diese teilnehmende Seite fehlt den g\u00e4ngigen Ans\u00e4tzen. Die Evolution hat ein Verfahren hervorgebracht, dass es Lebewesen erm\u00f6glicht, sich auf eine st\u00e4ndig ver\u00e4ndernde Umgebung einzustellen.<\/p>\n\n\n\n Die Vision ist, eine allgemeinere Form von Intelligenz zu entwickeln, die nicht nur auf ihre Umgebung reagiert, sondern aktiv in ihr handelt und sie mitgestaltet. Eine Intelligenz, die versteht, wie komplexe Systeme funktionieren und selbstst\u00e4ndig erkennt, was sich \u00e4ndern muss, um darin effektiver zu werden. Kontinuierliches Lernen ist daf\u00fcr unabdingbar: Weder wissen wir im Vorfeld, welchen Umgebungen eine KI begegnen wird, noch existiert f\u00fcr jede davon ausreichend Trainingsmaterial. Vor allem aber w\u00e4re das grunds\u00e4tzlich ineffizient: Die KI muss selber herausfinden k\u00f6nnen, was wichtig ist und wie die Welt sich kontinuierlich ver\u00e4ndert. Nur so skaliert KI wirklich, wenn wir das nicht st\u00e4ndig \u00fcberwachen und die Machine Learning-Pipeline immer wiederholen m\u00fcssen.<\/p>\n\n\n\n Eine sehr gro\u00dfe! Es zeigt, dass wir mit unserer Technologie etwas auf der Spur sind, das andere so nicht abdecken. Die Tatsache, dass wir Investoren \u00fcberzeugen konnten, dass die Technologie reif genug ist und Potential hat, unsere Vision umzusetzen, ist ein Meilenstein f\u00fcr uns. Wir k\u00f6nnen damit vor allem Menschen einstellen, die diverse Hintergr\u00fcnde in Neurowissenschaften, Physik, etc. haben und uns bei der Entwicklung den n\u00e4chsten Sprung erm\u00f6glichen.<\/p>\n\n\n\n Der gr\u00f6\u00dfte Vorteil ist Robustheit in der Realit\u00e4t: In vielen Anwendungen \u00e4ndern sich Daten, Rahmenbedingungen und \u201eRegime\u201c laufend \u2013 von Marktphasen im Energiesystem bis hin zu \u00c4nderungen in Industrieprozessen. Statt ein Modell in festen Zyklen neu zu trainieren, kann sich unser System fortlaufend an neue Situationen anpassen.<\/p>\n\n\n\n Das reduziert den operativen Aufwand und verk\u00fcrzt Iterationszeiten: Wir m\u00fcssen nicht jedes Mal eine komplette Trainingspipeline starten, sobald sich die Welt ver\u00e4ndert. Gleichzeitig k\u00f6nnen wir auch dort Mehrwert liefern, wo nur wenige oder sehr individuelle Daten verf\u00fcgbar sind, weil das Lernen nicht ausschlie\u00dflich auf gro\u00dfen historischen Datens\u00e4tzen basiert.<\/p>\n\n\n\n Wichtig ist dabei die Kontrolle: Continuous Learning hei\u00dft bei uns nicht \u201eunkontrolliertes Selbstlernen\u201c, sondern Lernen mit Leitplanken \u2013 mit Monitoring, Evaluierung und klaren Grenzen, damit sich das System sicher und nachvollziehbar weiterentwickelt.<\/p>\n\n\n\n Aus unserer Sicht sind es drei Dinge. Erstens: Wir bauen KI f\u00fcr dynamische, reale Umgebungen, nicht nur f\u00fcr statische Datens\u00e4tze. Das System ist darauf ausgelegt, im Betrieb zu lernen und sich an Ver\u00e4nderungen anzupassen, statt nach dem Training weitgehend stehen zu bleiben.<\/p>\n\n\n\n Zweitens: Wir sind daten-effizient. Viele Industrieprobleme haben zu wenig Trainingsdaten, oder die Situationen sind zu individuell, um sie mit einem \u201eone-size-fits-all\u201c-Modell abzudecken. Unser Ansatz kann auch mit begrenzten, kontinuierlich einstr\u00f6menden Daten arbeiten.<\/p>\n\n\n\n Drittens: Wir denken den Einsatz von Anfang an produktionsnah \u2013 mit klaren Mechanismen, wie Lernen beobachtet, bewertet und begrenzt wird. Jede Vorhersage, Erkenntnis und Entscheidung des Systems ist transparent und nachvollziehbar. Dadurch wird Continuous Learning f\u00fcr Unternehmen praktisch nutzbar: als robuste, nachvollziehbare Systeme, die in der echten Welt stabil bleiben und mit ihr mitlernen.<\/p>\n\n\n\n Wir schauen vor allem auf Industrien, die entweder mit sehr komplexen und sich schnell \u00e4ndernden Umgebungen zu tun haben und auf solche, f\u00fcr die traditionelle KI-Ans\u00e4tze nicht funktionieren, weil es etwa keine oder zu wenig Trainingsdaten gibt oder die zu l\u00f6senden Probleme zu individuell sind. Komplexe Industrien sind etwa die Energienetze, die sich insbesondere in Europa gerade massiv im Wandel befinden, oder industrielle Fertigungs-Umgebungen, die sehr individuell und st\u00e4ndiger Ver\u00e4nderung ausgesetzt sind. Aber wir beginnen gerade eine Forschungs-Kooperation im Bereich Parkinson: im Themenfeld personalized healthcare sind traditionelle KI-Ans\u00e4tze nicht immer erfolgreich, da wir als Menschen sehr individuell sind und gerade auch im Bereich Neurologie die Varianzen zwischen Individuen es oftmals schwierig machen ein Modell trainiert mit generalisierten Trainingsdaten auf individuelle Patienten anzuwenden.<\/p>\n\n\n\n Der Energiemarkt ist ein hervorragendes Lernfeld, weil er sich schnell ver\u00e4ndert und gleichzeitig sehr gut messbar ist. Eine zentrale Erkenntnis ist, dass die kontinuierliche Anpassung gerade in seltenen und extremen Marktphasen ihren Wert zeigt, also genau dann, wenn statische Verfahren oft an ihre Grenzen kommen. Unsere Einsch\u00e4tzung ist, dass die Schwankungen und unvorhergesehenen und unbekannten (und damit nicht in Trainingsmaterial enthaltenen) Einfl\u00fcsse zunehmen werden und Verfahren, die schneller auf die ver\u00e4nderte Situation reagieren k\u00f6nnen, an Bedeutung gewinnen werden.<\/p>\n\n\n\n Das ist Risikomanagement: Wir tun das genauso bei industriellen Wertsch\u00f6pfungsketten, warum nicht auch bei dieser? Ein gro\u00dfer Teil der heutigen KI-Wertsch\u00f6pfung h\u00e4ngt an wenigen sehr gro\u00dfen Anbietern, \u00fcberwiegend aus den USA. Wer seine KI auf deren propriet\u00e4ren Modellen und Infrastrukturen aufbaut, gibt einen Teil seiner Kontrolle und seiner Wertsch\u00f6pfung ab. Um das Risiko auch tats\u00e4chlich minimieren zu k\u00f6nnen, sind Alternativen notwendig, die meiner Wertsch\u00f6pfungskette dann auch die entsprechende Resilienz verleihen.<\/p>\n\n\n\n Die gr\u00f6\u00dfte Herausforderung ist, dass wir vieles nicht von der Stange \u00fcbernehmen k\u00f6nnen. F\u00fcr g\u00e4ngige Deep-Learning-Ans\u00e4tze gibt es ausgereifte Werkzeuge und eine gro\u00dfe Community. Wer einen eigenen Weg geht, muss viele dieser Grundlagen selbst schaffen. Hinzu kommt die Kommunikation: Weil unser Ansatz von den verbreiteten Denkmustern abweicht, m\u00fcssen wir Investoren und Kunden zuerst erkl\u00e4ren, warum kontinuierliches Lernen den Aufwand wert ist. Das kostet Zeit, schafft aber zugleich eine klare Differenzierung. Intern brauchen wir Menschen, die bereit sind, etablierte Annahmen zu hinterfragen, und solche Profile sind selten.<\/p>\n\n\n\n Ich glaub fast jeder kennt das Wayne Gretzky-Zitat \u201eSkate to where the puck is going, not where it has been\u201c. Es ist deutlich kapital-effizienter, in das n\u00e4chste Thema zu investieren statt zu versuchen, die riesigen Mengen an Kapital, Brainpower und Zeit aufzuwenden, die in die bekannten Modelle und Paradigmen geflossen sind. Wir bieten mit Wakeline einen radikalen neuen Ansatz, der in letzter Konsequenz das Potential bietet, Industrien einen Sprung nach vorn machen zu lassen. Das bietet f\u00fcr Europa die Chance, im Fahrersitz zu sitzen, statt wieder die Wertstr\u00f6me f\u00fcr die Nutzung solcher Modelle ins Ausland verschwinden zu sehen.<\/p>\n\n\n\n Wir haben derzeit einen stabilen Stand der grundlegenden Architektur, welcher es uns erm\u00f6glicht, nun kommerzielle Anwendungsf\u00e4lle zu verfolgen. Wir sind davon \u00fcberzeugt, dass die KI sich nicht im Labor, sondern im realen Einsatz weiterentwickeln muss, da nur dort reale Herausforderungen auf uns warten, die gel\u00f6st werden m\u00fcssen. Daher haben wir Market Edge entwickelt und beginnen gerade mit dem Einsatz in zus\u00e4tzlichen Branchen, etwa die industrielle Produktion, wo wir bereits mit etablierten Softwareanbietern im Gespr\u00e4ch sind, sowie die Medizin. Mittelfristig wollen wir unser Lernsystem von starken ersten Anwendungsf\u00e4llen zu einer Grundlage entwickeln, die universell in vielen Umgebungen eingesetzt werden kann. Parallel dazu setzen wir die Arbeit an der KI selbst fort, woraus sich dann wiederum neue, spannende Einsatzgebiete und Anwendungsf\u00e4lle ergeben.<\/p>\n\n\n\n Erstens: Seien Sie bereit, sehr viel zu erkl\u00e4ren. Wer ein etabliertes Denkmuster infrage stellt, muss seinen Ansatz immer wieder von Grund auf begr\u00fcnden, gegen\u00fcber Investoren ebenso wie im eigenen Team. Zweitens: Machen Sie den \u201eblue ocean\u201c konkret: Was wird nicht evolution\u00e4r besser, sondern was erm\u00f6glicht Ihre Technologie, was vorher nicht m\u00f6glich war? Das l\u00e4sst andere an Ihrer Vision teilhaben. Drittens: Umgeben Sie sich mit Menschen unterschiedlichster Hintergr\u00fcnde, die Widerspruch aushalten und selbst Annahmen hinterfragen. Echte Innovation entsteht selten in einem Umfeld, das vor allem Best\u00e4tigung sucht.<\/p>\n\n\n\n Bildcredits Wakeline<\/p>\n\n\n\n Wir bedanken uns bei Tim G\u00fclke<\/a> f\u00fcr das Interview<\/p>\n\n\n\n Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder<\/p>\n\n\n\nWie entstand die Idee, mit Wakeline einen anderen Weg als klassische LLM- und Deep-Learning-Ans\u00e4tze einzuschlagen?<\/h3>\n\n\n\n
Welche Vision verfolgen Sie mit Wakeline, und welche Rolle spielt dabei das Konzept des Continuous Learning?<\/h3>\n\n\n\n
Wakeline hat k\u00fcrzlich eine Pre-Seed-Finanzierung \u00fcber 2,1 Millionen Euro abgeschlossen. Welche Bedeutung hat diese Finanzierung f\u00fcr die weitere Entwicklung des Unternehmens?<\/h3>\n\n\n\n
Viele KI-Systeme basieren auf historischen Daten und regelm\u00e4\u00dfigen Trainingszyklen. Welche Vorteile bietet der Ansatz von Wakeline, bei dem die Systeme im laufenden Betrieb lernen?<\/h3>\n\n\n\n
Was macht Wakeline aus Ihrer Sicht besonders im Vergleich zu etablierten KI-Modellen und Plattformen?<\/h3>\n\n\n\n
An welche Zielgruppen richten sich Ihre L\u00f6sungen aktuell, und welche Herausforderungen m\u00f6chten Sie f\u00fcr diese Kunden l\u00f6sen?<\/h3>\n\n\n\n
Mit Market Edge haben Sie eine erste Anwendung f\u00fcr den Energiemarkt entwickelt. Welche Erkenntnisse haben Sie aus diesem Einsatzgebiet gewonnen?<\/h3>\n\n\n\n
Wakeline verfolgt das Ziel, KI unabh\u00e4ngiger von US-amerikanischen Hyperscalern und propriet\u00e4ren Modellen zu machen. Warum ist dieses Thema aus Ihrer Sicht gerade f\u00fcr Europa von Bedeutung?<\/h3>\n\n\n\n
Welche Herausforderungen begegnen Ihnen beim Aufbau einer v\u00f6llig neuen KI-Architektur, die sich bewusst von g\u00e4ngigen Ans\u00e4tzen abgrenzt?<\/h3>\n\n\n\n
In der Diskussion um KI-Souver\u00e4nit\u00e4t wird Europa h\u00e4ufig als Nachz\u00fcgler betrachtet. Welchen Beitrag k\u00f6nnte Wakeline leisten, um die technologische Unabh\u00e4ngigkeit Europas zu st\u00e4rken?<\/h3>\n\n\n\n
Welche n\u00e4chsten Entwicklungsschritte und Meilensteine stehen bei Wakeline in den kommenden Jahren im Fokus?<\/h3>\n\n\n\n
Welche drei Ratschl\u00e4ge w\u00fcrden Sie anderen Gr\u00fcnderinnen und Gr\u00fcndern geben, die mit einer technologischen Innovation bestehende Denkmuster infrage stellen m\u00f6chten?<\/h3>\n\n\n\n