{"id":128698,"date":"2026-11-13T12:12:44","date_gmt":"2026-11-13T11:12:44","guid":{"rendered":"https:\/\/startupvalley.news\/de\/?p=128698"},"modified":"2026-11-13T12:12:45","modified_gmt":"2026-11-13T11:12:45","slug":"luml-ki-agenten-machine-learning-2","status":"publish","type":"post","link":"https:\/\/startupvalley.news\/de\/luml-ki-agenten-machine-learning-2\/","title":{"rendered":"Kollaboration mit Agenten: LUML strukturiert Machine Learning f\u00fcr Data Scientists"},"content":{"rendered":"\n

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.<\/h2>\n\n\n\n

K\u00f6nnen Sie LUML kurz vorstellen und erz\u00e4hlen, wie aus Ihrer Arbeit als Data Scientist die Idee f\u00fcr ein eigenes Unternehmen entstanden ist?<\/h3>\n\n\n\n

LUML ist eine Open-Source-Plattform f\u00fcr Machine Learning, die darauf ausgelegt ist, dass Menschen und KI-Agenten zusammenarbeiten. Die Idee entstand aus unserer Erfahrung mit Machine-Learning-Projekten f\u00fcr verschiedene Unternehmen. Dabei haben wir immer wieder gesehen, dass bei der Entwicklung eines guten Machine-Learning-Modells viel Zeit daf\u00fcr aufgewendet wird, unterschiedliche Ans\u00e4tze auszuprobieren, Ergebnisse zu vergleichen, Experimente zu dokumentieren, die Zusammenarbeit zu koordinieren und sicherzustellen, dass die Ergebnisse auch tats\u00e4chlich in der Praxis eingesetzt werden k\u00f6nnen. Als KI-Agenten zunehmend leistungsf\u00e4higer wurden, erkannten wir die M\u00f6glichkeit, diesen gesamten Prozess schneller und strukturierter zu gestalten.<\/p>\n\n\n\n

Wer steht hinter LUML, und wie erg\u00e4nzen sich die Kompetenzen von Oleh Kostromin, Iryna Kondrashchenko und Nikita Gonchar?<\/h3>\n\n\n\n

Wir drei verf\u00fcgen \u00fcber einen starken Deep-Tech-Hintergrund und haben an unterschiedlichen Machine-Learning-Projekten mit Unternehmen gearbeitet. Von kleinen Start-ups bis hin zu gro\u00dfen Konzernen. Dar\u00fcber hinaus haben Iryna und ich jeweils einen Masterabschluss im Bereich K\u00fcnstliche Intelligenz. Dadurch verf\u00fcgen wir \u00fcber eine starke gemeinsame technische Basis, w\u00e4hrend sich unsere unterschiedlichen Projekterfahrungen und Perspektiven gegenseitig erg\u00e4nzen.<\/p>\n\n\n\n

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 gr\u00f6\u00dfte Aufwand?<\/h3>\n\n\n\n

Ein gro\u00dfer Teil des Aufwands entsteht rund um das eigentliche Modell. Teams m\u00fcssen verschiedene Ans\u00e4tze ausprobieren und vergleichen, die Reproduzierbarkeit von Experimenten sicherstellen, ihre Arbeit koordinieren, unterschiedliche Tools integrieren und daf\u00fcr sorgen, dass Ergebnisse wiederverwendet und in der Praxis eingesetzt werden k\u00f6nnen. Diese Schritte sind h\u00e4ufig fragmentiert und mit viel manueller Arbeit verbunden. LUML soll diesen Prozess strukturierter und schneller machen.<\/p>\n\n\n\n

LUML ist von Anfang an f\u00fcr die Zusammenarbeit zwischen Data Scientists und KI-Agenten konzipiert. Wie sieht diese Zusammenarbeit konkret aus?<\/h3>\n\n\n\n

In der Praxis funktioniert das ein wenig wie die Leitung eines kleinen Forschungsteams. Ein Data Scientist gibt das Ziel vor, und die KI-Agenten \u00fcbernehmen den zeitaufwendigen Teil: Sie probieren verschiedene Ans\u00e4tze aus, f\u00fchren Experimente durch und vergleichen die Ergebnisse. Dabei orientieren sie sich an etablierten MLOps-Praktiken \u2013 also an den Engineering-Standards, die erfahrene Machine-Learning-Teams einsetzen, um ihre Arbeit zuverl\u00e4ssig und wiederverwendbar zu gestalten. Au\u00dferdem lernen sie aus fr\u00fcheren Projekten, sodass sie nicht jedes Mal bei null anfangen m\u00fcssen. Der Data Scientist kann gr\u00f6\u00dfere Aufgaben an die Agenten \u00fcbergeben, die Ergebnisse \u00fcberpr\u00fcfen und entscheiden, welche Schritte als N\u00e4chstes angegangen werden sollen.<\/p>\n\n\n\n

KI-Agenten k\u00f6nnen unterschiedliche L\u00f6sungswege ausprobieren, testen und vergleichen. Welche Aufgaben bleiben dabei bewusst in der Verantwortung des Menschen?<\/h3>\n\n\n\n

Menschen bleiben daf\u00fcr verantwortlich, das Problem zu definieren, festzulegen, was Erfolg bedeutet, Grenzen zu setzen und zu beurteilen, ob ein Ergebnis in der realen Welt tats\u00e4chlich n\u00fctzlich ist. Auch Dom\u00e4nenwissen, Risikobewertung und die endg\u00fcltigen Entscheidungen bleiben beim Menschen. Die Aufgabe der Agenten besteht darin, die Arbeit zu beschleunigen und mehr M\u00f6glichkeiten zu untersuchen \u2013 nicht darin, dem Menschen die Verantwortung abzunehmen.<\/p>\n\n\n\n

Industrie, Finanzwesen, Gesundheit und \u00f6ffentlicher Sektor geh\u00f6ren zu den m\u00f6glichen Einsatzbereichen. Welche Unternehmen profitieren besonders von Ihrem Ansatz?<\/h3>\n\n\n\n

LUML hilft Unternehmen dabei, deutlich mehr Data-Science-Arbeit in gleichbleibend hoher Qualit\u00e4t zu leisten, ohne dass das Team im gleichen Tempo wachsen muss. Besonders wertvoll ist die Plattform daher f\u00fcr Unternehmen, die Machine Learning bereits einsetzen und diese Arbeit schneller und einfacher steuerbar machen m\u00f6chten. Das k\u00f6nnen Start-ups mit wenigen Data Scientists ebenso sein wie gro\u00dfe Organisationen mit strengen Vorgaben hinsichtlich Governance, Infrastruktur und Daten. Entscheidend ist, dass Machine Learning zunehmend zu einem festen Bestandteil ihrer t\u00e4glichen Arbeit wird.<\/p>\n\n\n\n

LUML l\u00e4uft auf der Infrastruktur des jeweiligen Unternehmens. Warum ist es f\u00fcr Sie entscheidend, dass Daten und Modelle die Unternehmensumgebung nicht verlassen?<\/h3>\n\n\n\n

LUML kann den Prozess orchestrieren, w\u00e4hrend 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 f\u00fcr Datenschutz, Sicherheit, Datensouver\u00e4nit\u00e4t und regulatorische Anforderungen wichtig. Gleichzeitig hilft dieser Ansatz dabei, eine unn\u00f6tige Abh\u00e4ngigkeit von einzelnen Anbietern, einen sogenannten Vendor Lock-in, zu vermeiden.<\/p>\n\n\n\n

Gerade in regulierten Branchen m\u00fcssen KI-Entscheidungen nachvollziehbar bleiben. Wie verbinden Sie zunehmende Automatisierung mit Kontrolle und Transparenz?<\/h3>\n\n\n\n

Automatisierung sollte einen Prozess nicht weniger transparent machen. Experimente, Parameter, Metriken und andere relevante Informationen sollten nachvollziehbar bleiben, unabh\u00e4ngig davon, ob die Arbeit von einem Menschen oder einem KI-Agenten durchgef\u00fchrt wurde. Dadurch l\u00e4sst sich im Nachhinein \u00fcberpr\u00fcfen, was passiert ist, Ergebnisse k\u00f6nnen miteinander verglichen werden und es bleibt nachvollziehbar, wie eine Entscheidung zustande gekommen ist. Die menschliche Kontrolle bleibt weiterhin Bestandteil des Prozesses.<\/p>\n\n\n\n

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?<\/h3>\n\n\n\n

Die SCCH Innovations GmbH verf\u00fcgt \u00fcber starke Verbindungen zur Industrie und \u00fcber Erfahrung darin, Technologien erfolgreich in den Markt zu bringen. F\u00fcr LUML ist das insbesondere beim Marktzugang, beim Aufbau von Partnerschaften und bei der Entwicklung von Beziehungen zu potenziellen Kunden hilfreich.<\/p>\n\n\n\n

Der Schritt vom Data Scientist zum Gr\u00fcnder ver\u00e4ndert die eigene Rolle grundlegend. Was ist f\u00fcr Sie pers\u00f6nlich beim Wechsel vom Forscher zum Unternehmer die gr\u00f6\u00dfte Herausforderung?<\/h3>\n\n\n\n

Die gr\u00f6\u00dfte Ver\u00e4nderung besteht darin, dass technische Qualit\u00e4t nicht mehr das Einzige ist, was z\u00e4hlt. Als Gr\u00fcnder muss man auch die Kunden verstehen, Priorit\u00e4ten setzen und sich mit Produktentwicklung, Vertrieb, Finanzierung und dem Team besch\u00e4ftigen. Die gr\u00f6\u00dfte Herausforderung besteht darin, zu entscheiden, was wirklich wichtig ist und wof\u00fcr die begrenzte Zeit eingesetzt werden sollte.<\/p>\n\n\n\n

Welche Vision verfolgen Sie mit LUML, und wie soll sich die Plattform entwickeln, wenn KI-Agenten k\u00fcnftig noch leistungsf\u00e4higer und autonomer werden?<\/h3>\n\n\n\n

Wir glauben, dass sich die Art und Weise, wie Data Science betrieben wird, grundlegend ver\u00e4ndern wird. Heute verbringen Data Scientists einen Gro\u00dfteil ihrer Zeit damit, Experimente selbst durchzuf\u00fchren. In einigen Jahren wird ein einzelner Data Scientist ein ganzes Team von KI-Agenten steuern, die einen Gro\u00dfteil der Experimente, Analysen und Optimierungen \u00fcbernehmen. Unser Ziel ist es, LUML zu der Plattform zu machen, auf der diese Zusammenarbeit stattfindet. Je leistungsf\u00e4higer die Agenten werden und je gr\u00f6\u00dfere Aufgaben sie \u00fcbernehmen k\u00f6nnen, desto wichtiger wird eine Plattform wie LUML, die ihrer Arbeit die notwendige Struktur gibt.<\/p>\n\n\n\n

Welche drei Ratschl\u00e4ge w\u00fcrden Sie Forschenden geben, die aus ihrer wissenschaftlichen Arbeit ein eigenes Technologieunternehmen aufbauen m\u00f6chten?<\/h3>\n\n\n\n

1. Bleibt nah an den tats\u00e4chlichen Nutzerinnen und Nutzern und stellt sicher, dass das Problem auch au\u00dferhalb des Forschungsumfelds wirklich relevant ist.<\/p>\n\n\n\n

2. Entwickelt und testet fr\u00fchzeitig etwas Konkretes, anstatt zun\u00e4chst zu versuchen, alles zu perfektionieren.<\/p>\n\n\n\n

3. Arbeitet mit Menschen zusammen, die unterschiedliche F\u00e4higkeiten und Perspektiven einbringen.<\/p>\n\n\n\n

Vlnr: Mag. Markus Manz (CEO SCCH Innovations GmbH) und die\u00a0 Gr\u00fcnder*innen von LUML, Nikita Gonchar, Oleh Kostromin und Iryna Kondrashchenko. Bildquelle: SCCH Innovations GmbH<\/p>\n\n\n\n

Wir bedanken uns bei\u00a0Oleh Kostromin<\/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\n