Digitale Forschung und Entwicklung – Innovationsprozess mit KI, mit Kevin See

In dieser Folge von „Innovation Capital“

Wir konzentrieren uns auf die Auswirkungen von KI als Erfindungsmethode, die den Innovationsprozess und die Organisation von Forschung und Entwicklung grundlegend verändern kann. Durch die Untersuchung, wie KI Innovation und Entdeckung automatisiert, werden wir ihre bahnbrechenden Vorteile aufdecken, darunter die Senkung der Kosten für Forschung und Entwicklung in vielen Bereichen, eine Steigerung der Forschungsproduktivität und die Schaffung von mehr Wert für Verbraucher und Aktionäre.

Jetzt anhören

Transkript der Folge

Ray Chohan: Hallo Kevin, willkommen bei Innovation Capital. Schön, dass Sie heute hier sind. Ich würde gerne mit Ihrer Geschichte beginnen und erfahren, wie Sie zu Lux Research gekommen sind und zu einem der führenden Vordenker im Bereich KI und F&E geworden sind.

Kevin See: Ja, danke, Ray. Ich freue mich über die Einladung und bin gerne hier. Mein Hintergrund ist, dass ich eine Ausbildung als Wissenschaftler habe. Ich habe promoviert und mich als Postdoktorand hauptsächlich mit der Entwicklung von Materialgeräten für eine Vielzahl von Anwendungen beschäftigt, von Sensoren bis hin zur Energiegewinnung. Ich war also tief im Labor versunken und habe entworfen, gebaut und getestet. Als ich diesen akademischen Teil abgeschlossen hatte, interessierte ich mich sehr für den Weg zur Kommerzialisierung neuer Technologien. Ich sah, woran meine Kollegen im Labor arbeiteten, hatte aber auch den leisen Verdacht, dass viele dieser Projekte nicht sehr vielversprechend waren. Daher interessierte ich mich sehr dafür, was nötig ist, damit die Kommerzialisierung von Technologien erfolgreich ist und letztendlich einen Mehrwert für jemanden schafft. Dieses Interesse führte mich zu Lux, einem wirklich idealen Ort, um einige dieser Interessen zu fördern. Wir schätzen die technologische Stärke sehr, verbinden diese aber auch mit einem gewissen Geschäftsverständnis dafür, was für die tatsächliche Kommerzialisierung erforderlich ist. Von da an war ich daran beteiligt, unser Geschäftsmodell zu skalieren, um alles von Energietechnologien über erneuerbare Energien bis hin zu Bereichen wie Digitaltechnik und KI zu betrachten, über die wir heute sprechen werden. Ich war eine Zeit lang für die Leitung unserer Produkte zuständig, was im Wesentlichen bedeutete, dass wir KI-Fähigkeiten selbst entwickelt und internalisiert haben. Es waren also verschiedene Aufgaben, die mir viel Spaß gemacht haben.

Ray: Mit Blick auf das Jahr 2020 und darüber hinaus haben wir das Gefühl, dass wir hoffentlich in eine glorreiche Ära eintreten, in der insbesondere maschinelles Lernen den Innovationsprozess wirklich beeinflussen wird. Bevor wir jedoch einen Blick auf die Zukunft werfen, würde ich gerne Ihre fachliche Einschätzung zur letzten Dekade hören und erfahren, wie wir zu dem Punkt gekommen sind, an dem wir nun die digitale Transformation in Forschung, Entwicklung und Innovation vorantreiben wollen. Gibt es bestimmte Hintergründe oder historische Entwicklungen, die uns zu dem Punkt gebracht haben, an dem wir heute stehen, Kevin?

Kevin: Ja, das ist eine gute Frage, Ray. Ich denke, das hängt weitgehend davon ab, wie man „digital“ definiert. „Digital“ kann vieles bedeuten. Es könnte KI für die Entdeckung bedeuten, was vielleicht die attraktivste Version davon ist. Es könnte aber auch eher operative Dinge bedeuten, wie beispielsweise Tools zur Verwaltung Ihrer Innovationspipeline und ähnliches. Ich würde also sagen, dass wir insgesamt noch in einem recht frühen Stadium sind. Es gab definitiv Fortschritte, es gab definitiv Pilotprojekte. Man probiert neue Dinge aus, aber diese großen Ambitionen, den F&E-Prozess zu automatisieren, hat im Großen und Ganzen noch niemand wirklich umgesetzt. Man sieht Leute, die isolierte Pilotprojekte und verschiedene andere Dinge ausprobieren. Man sieht auch andere digitale Tools, die etwas fortschrittlicher sind und einfach nur Wissen oder die Ideenpipeline verwalten. Also noch einmal: Je nachdem, wie man „digital” definiert, ist es ein aggressiver, weltverändernder Ansatz? Oder ist es manchmal eher banal? Die Verwaltung eines Prozesses? Es hängt wirklich davon ab, wie man es betrachtet. Aber ich glaube wirklich, dass wir gerade erst in die Phase eintreten, in der wir einige dieser disruptiveren Anwendungen der Digitalisierung sehen werden.

Ray: Kann man sagen, dass wir uns in der ersten Phase befinden? Und wenn nicht, wo stehen wir dann auf dem Weg dorthin?

Kevin: Ich würde sagen, dass wir in dieser Hinsicht noch ganz am Anfang stehen. Wir sehen wieder Leute, die Pilotprojekte ausprobieren, maschinelles Lernen ausprobieren, wissen Sie: Wie finde ich interessante Artikel, die mit Dingen zu tun haben, die mich interessieren? Man sieht, dass solche Dinge langsam aufkommen, aber was die tatsächliche Skalierung angeht, also die Signalerkennung und Ideengenerierung, mit automatisierten Mitteln oder fundierten Daten oder Analysen, würde ich sagen, dass wir da wirklich noch ganz am Anfang stehen. Und wir haben noch niemanden gesehen, der dieses unklare Anfangsstadium wirklich aggressiv vorantreibt.

Ray: Wenn man also eher die Analogie zum Beginn des Internets in den 90er Jahren heranziehen würde, in welchem Jahr befinden wir uns dann, wenn es um echtes maschinelles Lernen geht? Und um eine echte Revolutionierung dieses unklaren Anfangsstadiums, Kevin?

Kevin: Ja, was diesen Anfangsbereich angeht, würde ich sagen, dass dies ein wenig verrät, wie alt ich bin. Aber im Grunde erinnere ich mich daran, dass ich an die Universität kam und dass dies wirklich der Beginn der Ethernet-Verbindungen war und dass T1 uns die Augen für die Leistungsfähigkeit des Internets geöffnet hat. Und das war wirklich Neuland. Ich denke, das ist wahrscheinlich eine gute Analogie für unsere derzeitige Situation, in der wir einen ziemlich etablierten Prozess in Bezug auf die Ideenfindung in diesem unklaren Anfangsstadium verfolgen, einfach die Möglichkeiten ausloten und wissen, dass die Werkzeuge da sind, aber noch nicht ganz verstehen, wie man sie einsetzt oder was sie leisten können. Ich würde also sagen, dass wir hier definitiv noch am Anfang stehen.

Ray: Oh, okay. Kevin, du weckst Erinnerungen, mein Freund mit T1-Verbindung. Das ist also ein guter Kontext für einige Leute, die vielleicht ältere Zuhörer sind. Wir sind also wirklich etwa bei 96′ 97′ in Bezug auf die Reife. Ist das fair von uns zu sagen?

Kevin: Ja. Ich würde sagen, dass das in Bezug auf den Zeitrahmen eine angemessene Analogie ist.

Ray: Brillant. Und was einige der Vorreiter angeht, Kevin, denn ich habe einige Ihrer Arbeiten gesehen, in denen Sie interessante Fallstudien hervorheben, in denen einige Organisationen wirklich etwas bewegen, indem sie zeigen, wie KI, maschinelles Lernen und tiefe neuronale Netze diesen Innovationsprozess wirklich unterstützen, sei es am Anfang oder später im Zyklus. Haben Sie einige Lieblingsfallstudien, von denen Sie glauben, dass sie wirklich Wellen auf dem Markt geschlagen haben?

Kevin: Ja, ich denke nicht so sehr, es gibt eine Vielzahl von Akteuren in dem von uns diskutierten Bereich der Ideenfindung und des Front-Ends des Trichters. Es gibt definitiv Akteure, die gerade auftauchen. Sie leisten interessante Arbeit. Ich denke, dass beide unserer Unternehmen dort interessante Arbeit leisten. Aber ich denke, dass man weiter unten im Trichter mehr Reife sieht, eher in Bereichen wie der Materialinformatik, wo man eine Menge Daten zur Verfügung hat, um herauszufinden: Was kann ich als Nächstes herstellen, das die Eigenschaften hat, die ich mir wünsche? In unserer Forschung und unserer Arbeit haben wir also viele interessante Unternehmen gesehen. Besonders hervorzuheben ist Citrine Informatics, das dort interessante Arbeit leistet. Aber was den ideengebenden Front-End-Bereich angeht, würde ich sagen, dass das Feld noch ziemlich offen ist und man wirklich noch ausprobiert, wie man die richtigen Tools entwickelt, die für die Wissenschaftler vor Ort nützlich sind. Ich denke, dass es dort eine Menge interessanter Arbeit gibt. Aber ich würde nicht sagen, dass sich bereits ein eindeutiger Marktführer herauskristallisiert hat.

Ray: Das ist faszinierend. Sie haben den Bereich Materialinformatik erwähnt, ein Gebiet, das uns sehr am Herzen liegt. Und ja, wir finden es großartig, was Citrine und einige andere Unternehmen im Raum Boston in diesem Bereich leisten. Kann man also allgemein sagen, dass Sie weiter oben im Trichter mehr Fortschritte sehen? Wenn wir uns also vielleicht dem Bereich Projektlebenszyklusmanagement zuwenden, wo es tiefer in den Workflow hineingeht, wo Sie die Auswirkungen der KI mehr sehen als in der Entwicklungs- und Einführungsphase?

Kevin: Ja, auch hier kommt es wieder darauf an, wie man es betrachtet. Ich würde sagen, Sie haben Recht, wenn man Materialinformatik einbezieht, je nachdem, wie man die Phase des Trichters definiert, ist es noch ein bisschen weiter entfernt, es ist noch ein frühes Stadium, aber man bewegt sich über die Ideenfindungsphase hinaus hin zur tatsächlichen Entdeckung, also zu der Frage, woran ich arbeiten werde, und treibt das dann aggressiver voran. Ich denke also, dass dort definitiv mehr passiert. Wenn man sich Dinge wie Projektmanagement und Lebenszyklus ansieht, dann braucht man dafür nicht unbedingt KI. Ich denke, es ist ein Fall, in dem es sich zwar um digitale Technologien handelt, aber um eine Pipeline von Unternehmen oder Projekten effizienter zu verwalten, braucht man nicht unbedingt KI. Es kommt also darauf an, an welcher Stelle des Trichters man sich befindet und für welche Tools man sich am meisten interessiert. Wir werden wahrscheinlich noch darauf zurückkommen, aber ich denke, es ist wichtig zu wissen, dass KI nicht immer das richtige Werkzeug ist. Man braucht nicht immer KI, um alle Probleme zu lösen. Man sollte auch bedenken, dass es auch leicht zu erreichende Ziele gibt.

Ray: Das ist interessant, und Sie veröffentlichen einige faszinierende Forschungsergebnisse über Themenmodellierung, NLP und dessen Potenzial, in diesem unklaren Bereich wirklich etwas zu bewegen. Aber wenn man sich den Markt ansieht, wird es derzeit in der Realität kaum genutzt. Glauben Sie, dass es in diesem Jahr einen Beschleunigungsfaktor gegeben hat, insbesondere durch COVID und die Tatsache, dass Forschung und Entwicklung mehr denn je aus der Ferne durchgeführt werden? Gibt es Ereignisse im Jahr 2020, bei denen Sie einen Beschleunigungsfaktor in Bezug auf Topic Modeling und eine Überschneidung bei den Inhalten sehen?

Kevin: Ja, ich habe COVID nicht unbedingt als Wegbereiter oder Beschleuniger gesehen. Wir bezeichnen das als Erkennung schwacher Signale oder Früherkennung von Ideen. Man sieht das natürlich bei einigen von ihnen, bei den großen, offensichtlichen Dingen wie Impfstoffen oder der Entwicklung von Medikamenten, die wiederum etwas weiter entfernt sind. Es ist nicht das weite Feld, auf dem Signalerkennung stattfindet, wo man einfach nur nach Möglichkeiten sucht, woran man arbeiten könnte. Und wieder sind einige dieser Pilotprojekte, mit etwas wie NLP oder einem Themenmodell oder einem Klassifikator, eine Forschungsgruppe oder ein Unternehmen, die eine interessante Veröffentlichung finden und dann tatsächlich einige dieser KI-Tools nutzen können, um zu sagen: „Welche anderen Artikel dieser Art sind für mich interessant und sollten aufgrund meines Interesses an diesem einen Thema relevant sein?“ Hier kann man also erkennen, was für einen selbst interessant ist. Wir haben gehört, dass einige größere Unternehmen und andere Akteure beginnen, sich etwas mehr mit diesen Tools zu beschäftigen. Ich würde nicht sagen, dass sie bereits in die größere Infrastruktur integriert sind, aber man sieht, dass einige Leute diese Tools ausprobieren. Ich glaube nicht, dass die Ereignisse des Jahres 2020 diese spezielle Nutzung unbedingt beschleunigt haben. Ich denke, es handelt sich lediglich um eine Entwicklung, in der insbesondere Unternehmen immer versierter im Umgang mit KI werden und beginnen, sich damit auseinanderzusetzen, um zu verstehen, wie sie diese nutzen können.

Ray: Und was sehen Sie aus Kundensicht in Bezug auf die Philosophie? Ist es Aufbau, Eigenanbau? Oder Kauf oder Partnerschaft? Sehen Sie bestimmte Sektoren zurückgehen? Wir sehen eine Mischung, würden aber gerne Ihre Sichtweise erfahren.

Kevin: Ja, wir sehen auch eine Mischung. Ich denke, dass dies für viele Unternehmen eine ziemlich schwierige Situation sein kann. Denn ihre Stärke liegt nicht unbedingt im Entwickeln. Es geht fast ausschließlich darum, Unternehmenssoftware für Wissenschaftler zu entwickeln, und das wissen Sie ja sehr gut. Aber es ist eine Herausforderung. Es ist ein sehr anspruchsvoller Anwendungsfall und eine sehr anspruchsvolle Zielgruppe. Und so kommt es, dass Unternehmen manchmal ihre IT-Abteilung mit der Entwicklung von Software und Tools beauftragen, und dann sind manchmal die Benutzeroberfläche oder andere Dinge einfach nicht sehr gut. Und es ist schwierig, intern Unterstützung dafür zu finden. Wir glauben also, dass es sinnvoll ist, internes Fachwissen einzubringen. In diesem Fall kennen Ihre Kunden das im Grunde genommen sehr gut. Aber sie sind nicht immer am besten dafür gerüstet, diese Lösungen zu liefern. Wir haben einige Fehltritte gesehen, bei denen man Dinge entwickelt hat, die die Leute nicht nutzen, vor allem aus diesem Grund. In diesem Fall ist es sinnvoll, etwas zu kaufen oder eine Partnerschaft einzugehen. Und es kann sich um verschiedene Arten von Partnern handeln. Es gibt große Unternehmen, die Ihnen beim Aufbau helfen könnten, es gibt neue Akteure, aber der entscheidende Punkt ist, dass Sie eine Mischung aus KI- und Datenwissenschaftskompetenzen benötigen, über die nicht jedes Unternehmen verfügt; tatsächlich sind diese Fähigkeiten sehr gefragt. Und es ist schwierig, dort kompetente Mitarbeiter zu finden. In vielen Fällen entwickeln Sie aber auch Software. Es geht also nicht nur darum, im Hintergrund Datenwissenschaft zu betreiben, Daten zu verarbeiten und Ergebnisse auszugeben. Es geht darum, Schnittstellen und Dinge zu entwickeln, die Menschen nutzen müssen. Und auch das sind nicht unbedingt Dinge, in denen Unternehmen verschiedener Branchen gut sind. Insofern haben wir versucht, Menschen an unsere Kunden zu vermitteln, die danach gefragt haben. Ich persönlich halte es für sinnvoll, dieses Fachwissen von Partnern zu beziehen und es mit dem intern vorhandenen Wissen zu integrieren.

Das ist faszinierend. Sie haben erwähnt, dass Unternehmen und große Fonds versuchen, ihre Datenwissenschaftsaktivitäten auszulagern und die Mitarbeiterzahl zu erhöhen?

Ray: Wo sehen Sie ein besonders starkes Wachstum in Branchen oder Teilsektoren, die sich intensiv mit Datenwissenschaft und Entscheidungswissenschaft befassen und versuchen, ihre internen Kapazitäten in diesem Bereich deutlich auszubauen?

Kevin: Ja, das ist ein riesiger Aufwand. Es geht dabei wirklich um die Fertigungsindustrie. In gewisser Weise ist es ein bekanntes Optimierungsproblem. Daher ist es nur sinnvoll, Data Science für Dinge wie vorausschauende Wartung, Qualität oder andere Bereiche einzusetzen. Das ist etwas, was sie in Bezug auf einen Bedarf oder einen Anwendungsfall verstehen. Sie können Datenwissenschaft einsetzen, um innerhalb dieser spezifischen Anwendungsfälle Innovationen zu schaffen, sei es in der Lieferkettenfertigung. Man kann sich das auch als Innovations-Trichter vorstellen, nicht unbedingt als Idee, die zu einem Produkt wird. Aber in einem solchen Fall geht es um die Idee, die in die Umsetzung oder den internen operativen Einsatz übergeht. Aber man sieht, dass Datenwissenschaftler für diese Anwendung gefragt sind, weil es sich um ein bekanntes Problem handelt, das gut verstanden wird und einen unmittelbaren Nutzen für das Unternehmen hat, der sich in Dollar messen lässt. Das ist also definitiv ein Bereich, in dem wir eine Art Nachfrage nach Datenwissenschaftstalenten sehen.

Ray: Und wenn Sie nach vorne schauen, wo sehen Sie einige der blauen Ozeane, in denen die Datenwissenschaft einen bedeutenden Einfluss auf diesen Stage-Gate-Prozess oder generell auf den gesamten F&E- und Innovationsprozess haben wird?

Kevin: Ja, ich denke, dass beispielsweise die Materialforschung, also im Wesentlichen die Erkenntnisse aus der Pharmaindustrie, die in Bezug auf KI für Dinge wie die Arzneimittelforschung etwas weiter fortgeschritten ist, in andere ähnliche Branchen importiert werden könnte, wie beispielsweise die Entwicklung eines Polymers mit bestimmten Eigenschaften. Ich denke, das ist auch ein Bereich, der mir aufgrund meines Hintergrunds sehr am Herzen liegt. Aber ich glaube, dass es enorm wirkungsvoll ist, alle Artikel, alle Veröffentlichungen und alle Ergebnisse aus Experimenten zu nutzen. Wenn man diese Daten strukturieren und verarbeiten kann, kann man damit die Entdeckung, das Design und die Produktion von Dingen mit den gewünschten Eigenschaften wirklich beschleunigen. Das ist meiner Meinung nach eine besonders interessante Anwendung von KI.

Auf einer ganz anderen Ebene. Ich denke, es gibt großes Interesse in der CPG-Welt, also der Konsumgüterbranche, wo man KI tatsächlich einsetzen kann, um den Endverbraucher (in diesem Fall den Kunden) besser zu verstehen und diese Erkenntnisse in den Innovationsprozess einfließen zu lassen. Welche Trends sehe ich also in meinem Kundenstamm? Welche verschiedenen Datensätze kann ich zusammenführen? Welche Muster kann ich daraus ableiten? Wie kann ich diese Erkenntnisse besser in meine nächsten Produktdesigns einfließen lassen? Man sieht also eine Art positiven Kreislauf, in dem man Produkte mit einem gewissen Maß an KI und IoT entwickelt, die mehr Daten über den Kunden sammeln, und diese Daten dann wieder zurückfließen lässt. So kann man seine Endnutzer und Kunden wirklich besser verstehen. Ich denke, das kann den gesamten Produktentwicklungszyklus nur effizienter und effektiver machen.

Ray: Es ist interessant, dass Sie mehrfach den Bereich Materialinformatik erwähnt haben, denn dieser Bereich liegt auch uns sehr am Herzen. Ist dies ein spannender Bereich, in dem maschinelles Lernen für Materialwissenschaftsteams in verschiedenen Branchen wirklich etwas bewegen kann? Erhalten Sie positive Rückmeldungen und Feedback, sodass die Käufer oder diejenigen, die über diese Art von Fähigkeiten verfügen, sich wirklich dafür begeistern?

Kevin: Ja, ich würde sagen, wenn man mit der richtigen Person im richtigen Unternehmen spricht. In diesem Fall geht es natürlich um den Chemie- und Werkstoffsektor. Dort weiß man, wie schwierig es ist, das nächste Produkt zu entwickeln, egal ob es sich um ein kleines Molekül, einen Verbundwerkstoff oder ein Polymer handelt. Ich habe selbst im Labor versucht, solche Dinge zu entwickeln, und es ist schwierig, es erfordert viel Ausprobieren und Schlussfolgerungen. Es besteht also definitiv das Verständnis, dass, wenn es funktioniert – was ein großes „Wenn” ist –, die Fähigkeit, alle vorhandenen Daten zu sichten, um besser zu entscheiden, wo ich meine Ressourcen einsetzen sollte, einen enormen Mehrwert für ein Unternehmen darstellt. Es kann die Zeit bis zur Auslieferung eines Produkts verkürzen, die Forschungs- und Entwicklungskosten senken und viele weitere Vorteile mit sich bringen. Ich denke also, dass es sich um einen schwierigen Kundenstamm handelt. Sie haben lange Zeit auf eine bestimmte Art und Weise gearbeitet. Aber wir sehen ein wachsendes Interesse daran, digitale Tools einzusetzen, um diesen speziellen Anwendungsfall zu vereinfachen und zu beschleunigen. Denn wenn man es richtig macht, ist das großartig, aber es ist wahrscheinlich nicht ganz dasselbe wie die Arzneimittelentwicklung. Es ist ein ziemlich großer Mehrwert, wenn man schneller zu profitablen Produkten gelangt. Das ist es, was die Leute unserer Meinung nach wirklich reizt.

Ray: Ja, es ist interessant, dass Sie zum Thema Arzneimittelforschung übergeleitet sind. Auch hier sehen wir insbesondere in den letzten 24 Monaten einige brillante Entwicklungen, insbesondere auf dem Markt, wo wir wirklich diese philosophische Kaufhaltung und diesen Eifer beobachten können, ML auf Laborebene, in der Forschungsphase und in weiteren Phasen des Arzneimittelentwicklungszyklus einzusetzen. Was denken Sie über einige der leicht zu erreichenden Ziele in diesem Bereich in den nächsten zwei oder drei Jahren? Gibt es einige großartige Beispiele, die Ihnen besonders aufgefallen sind? Und wo sehen Sie einige der überzeugenden Wachstumschancen, wenn Sie sich die KI-gesteuerte intelligente Arzneimittelforschung ansehen?

Kevin: Ja, ich würde sagen, das ist nicht der Bereich, mit dem ich mich am meisten beschäftige, aber wenn man den Markt beobachtet und sich Unternehmen wie Moderna ansieht, wie sehr sie Digitaltechnik und KI als Teil ihrer Gesamtunternehmensstrategie beim Aufbau des Unternehmens betonen. Und das hat sich offensichtlich bei der Impfstoffentwicklung und anderen Dingen ausgezahlt. Das ist also ein anschauliches Beispiel dafür, wo COVID den wahren Wert der Digitalisierung dieses Entdeckungsprozesses gezeigt hat. Es gibt also einige anschauliche, offensichtliche Beispiele wie dieses. Insgesamt denke ich, dass es einfach eine riesige Menge an Daten gibt, über die sie als Branche oder Sektor verfügen. Also genetische Daten, die immer leichter zu beschaffen, zu testen und zu synthetisieren sind. Diese Art von Datensätzen plus klinische Ergebnisse, diese Idee, dass man Dinge weit im Vorfeld mit den Ergebnissen beim Patienten in Verbindung bringen kann. Es gibt einfach eine enorme Menge an Möglichkeiten und Hebelwirkungen, die man in Zukunft nutzen kann. Es fällt mir schwer, eine bestimmte Anwendung dafür auszuwählen, weil ich denke, dass es so weit verbreitet ist, aber ich finde dieses spezielle Problem wirklich interessant, gerade weil die Daten so umfangreich sind. Wir werden wahrscheinlich noch darauf zurückkommen, aber die Qualität der gewonnenen Erkenntnisse hängt wirklich von den eingegebenen Daten ab. Und ich denke, dass es so viele davon gibt, dass die Arzneimittelforschung reif für den Einsatz von KI ist.

Ray: Es ist faszinierend, dass Sie die Datenqualität und die ganze Strenge rund um die Normalisierung erwähnt haben. Das hören wir oft. Ich meine, ein ML-Modell zu entwickeln ist eine Sache, aber erst einmal muss man sein Haus in Ordnung bringen und die langweiligen Dinge erledigen, nämlich seine Datenoperationen auf erstklassige Weise einrichten. Wo sehen Sie die Unternehmen in dieser Hinsicht? Glauben Sie, dass die Unternehmen tatsächlich bereit sind, den Wert von maschinellem Lernen und Teilbereichen des ML wie NLP und Topic Modeling wirklich zu optimieren? Oder ist das noch ein langer Weg?

Kevin: Es ist definitiv noch ein langer Weg. Und ich würde sagen, dass die überwiegende Mehrheit der Unternehmen nicht gut positioniert ist, um ihre Daten zu nutzen. Deshalb haben sie Probleme, einen Partner oder Anbieter zu finden, der ihnen dabei hilft, Daten in meine Black Box einzugeben und wertvolle Erkenntnisse zu gewinnen. Sie erkennen sehr schnell, dass die Ergebnisse ebenso schlecht sind wie die Qualität der eingegebenen Daten, wenn diese schlecht strukturiert, schlecht beschriftet usw. sind. Schmutzige Daten führen also zu schmutzigen Ergebnissen. Und ich denke, genau hier liegt die Frustration, dass zwar jeder KI nutzen möchte, aber nicht unbedingt erkennt, wie viel Arbeit es kostet, sich aus datentechnischer Sicht vorzubereiten, um gute Ergebnisse zu erzielen. Nach meiner Erfahrung stoßen Unternehmen oder andere, die an der Nutzung einiger dieser Tools wie NLP interessiert sind, im Allgemeinen auf einen Engpass bei der Dateneingabe, um dies gut zu machen. Es müssen also hohe Kosten eingeplant und vorbereitet werden, um die vorhandenen Datensätze zu bereinigen, egal ob es sich um Laborhefte oder externe Daten wie Artikel handelt, und sie so gut wie möglich zu kennzeichnen und zu strukturieren. Das sind enorme Probleme. Und ich halte das für einen großen Engpass.

Ray: Interessant, dass Sie das erwähnen. Es gibt eine Gruppe in der Bay Area namens scale.ai. Sie leisten wirklich faszinierende Arbeit mit allen großen Automobilherstellern, um die Voraussetzungen für den Übergang zu autonomen Fahrzeugen zu schaffen, insbesondere mit einigen der traditionellen Akteure außerhalb von Tesla. Wir sehen also einige Unternehmen, die in dieser Hinsicht wirklich großartige Partner sind. Aber wenn man sich andere Branchen ansieht, zum Beispiel die Chemie, die Pharmaindustrie, den FMCG-Bereich oder die IT-Branche, was ist dann das eigentliche Problem auf der Datenseite? Ist es die Zustimmung der Führungskräfte? Sind es einfach nur veraltete Infrastrukturen und Systeme? Was muss Ihrer Meinung nach in den nächsten Jahren getan werden, damit diese Unternehmen ihre Daten optimieren und den Wert von ML wirklich maximieren können?

Kevin: Das spricht fast schon für einige der Dysfunktionen, die man in großen Organisationen beobachten kann, wenn es darum geht, das zu lösende Problem wirklich zu verstehen und zu erkennen, was zu seiner Lösung erforderlich ist. Und das ist nicht nur ein Problem großer Unternehmen. Ich denke, das ist ein Problem für viele Organisationen. Aber ich glaube, dass es nicht immer Transparenz gibt, wenn diese Initiativen angekündigt oder gestartet werden, wie schwierig sie wirklich sein werden und welche Ergebnisse man von ihnen erwarten kann. Ich glaube und habe gesehen, dass viele Initiativen gestartet wurden, ohne dass wirklich sorgfältig geprüft wurde, wie schwierig sie sein werden oder welche unerwarteten Ergebnisse sie haben könnten. Im Extremfall lautet die Devise: „Lasst uns KI einsetzen, weil es KI ist, und sehen, was passiert.“ Ich stelle jedoch fest, dass die Menschen zunehmend differenzierter vorgehen. Aber in den frühen Tagen der „digitalen Transformation“ gab es sicherlich nicht viel Sorgfalt bei der Auswahl der Probleme und der richtigen Tools. Wenn man also das Datenproblem anspricht, sieht man im Grunde genommen, dass Unternehmen nicht wirklich einheitlich sind und nicht verstehen, was nötig ist, um diese guten Ergebnisse zu erzielen, wie ich bereits erwähnt habe. Ich denke, dafür muss man die tatsächlichen Kosten wirklich verstehen. Wie hoch sind die Kosten? Und wie sieht der Kosten-Nutzen-Faktor aus? Wie viel Arbeit muss ich investieren? Ich kann den attraktiven Anbieter X hinzuziehen, aber wie viel Arbeit ist damit verbunden? Und wie viel wird mich die Bereinigung meiner eigenen Daten kosten, bevor ich überhaupt damit beginnen kann, sie in die Black Box einzugeben und Ergebnisse zu erzielen? Ich denke, dass oft einfach nicht verstanden wird, wie schwierig das sein wird. Sie haben darauf hingewiesen, dass es sich dabei um den reinen Speicherort der Daten handeln könnte, um die Vereinheitlichung von Datensätzen aus verschiedenen Teilen eines Systems oder verschiedenen Teilen einer Organisation, um alle möglichen Infrastrukturprobleme. Der Teil des Datenmanagements ist also schwieriger, als oft angenommen wird.

Ray: Gibt es Unternehmen oder Branchen, die Ihrer Meinung nach in dieser Hinsicht wirklich etwas bewegen? Die ihre Bereitschaft verbessern, eine KI-Blackbox wirklich zu integrieren und den Wert zu optimieren. Gibt es Sektoren, die Ihnen ins Auge fallen und die potenzielle Vorreiter in dieser Hinsicht sind?

Kevin: Ja, es klingt vielleicht etwas repetitiv, aber ich glaube, dass die Fertigung ein Bereich ist, in dem man sieht, wie sich die Leute darauf konzentrieren, Daten aus verschiedenen Systemen zu extrahieren und zu vereinheitlichen. Ich werde hier nicht unbedingt auf alle Akteure eingehen, aber ich denke, es besteht Einigkeit darüber, dass meine Infrastruktur Geräte von all diesen verschiedenen Anbietern umfasst und dass ich durch die Möglichkeit, all diese verschiedenen Systeme anzuschließen und alle Daten an einem Ort zu speichern, letztendlich viel interessantere Dinge damit machen kann, sei es mit KI oder anderen Analyseansätzen. Das ist also ein Bereich, in dem ich sehe, dass die Leute die Herausforderung des Problems verstehen, aber auch beginnen, es zu lösen, indem sie die richtigen Konnektoren einsetzen, um die richtigen Daten zu extrahieren. Aber das ist im Vergleich zu Fachartikeln oder ähnlichem für Forschung und Entwicklung ziemlich weit unten im Anwendungstrichter. Das sind ziemlich unterschiedliche Anwendungsfälle.

Ray: Wenn Sie die Datenoperationen in Ordnung haben und ein Unternehmen sehen, das diesbezüglich strenge Qualitätsstandards hat, sehen Sie dann, dass ein echter Mehrwert realisiert wird? Denn wir beobachten einige interessante Momente, in denen einige Teilsektoren den Mehrwert wirklich realisieren, während andere viel Hype machen, aber keinen wirklichen Mehrwert für den Einsatz von KI in der Forschung und Entwicklung erzielen. Welche Ergebnisse sehen Sie auf dem Markt in Bezug auf die tatsächlichen Auswirkungen?

Kevin: Ja, abgesehen von den Fallstudien, also diesen großen, klaren Werten wie der Entdeckung von Impfstoffen oder ähnlichen Dingen, über die wir zuvor gesprochen haben, basiert die meisten traditionellen physischen Industrien nicht auf Pharmazeutika. Ich habe noch nicht gesehen, dass dies ein großer Gewinn für die KI ist. Ich glaube nicht, dass das daran liegt, dass es nicht möglich ist, sondern dass es einfach organisatorische Hindernisse gibt. Auch hier kommt es wieder darauf an, ob man das richtige Problem auswählt. Wählt man das richtige Werkzeug? Erzielt man kleine Erfolge, bevor man große Erfolge erzielt? Ich glaube, es gibt einen Weg, um einige dieser unternehmensweiten Lösungen aufzubauen, die kleine Erfolge beinhalten. Ich weiß nicht, wie systematisch man bisher vorgegangen ist, um diese kleinen Erfolge zuerst zu identifizieren und die Erfolgschancen wirklich zu optimieren oder zu erhöhen. Denn man muss erst kleine Erfolge erzielen, bevor man große Erfolge erzielen kann, insbesondere in diesem Fall, denke ich. Ich glaube also, dass es definitiv Raum gibt, um wirklich über die Probleme nachzudenken, die man zu lösen versucht. Sie kennen das Beispiel, das ich genannt habe, wo ich Artikel wie diesen finden möchte, also nichts Großes in Bezug auf die Umsetzung, aber vielleicht eine recht ordentliche Kapitalrendite, wenn man es tatsächlich so macht, dass sich Wissenschaftler auf die Top-10-Artikel konzentrieren können. Ich denke also, dass es einen Weg gibt, sich mehr Gedanken über das Ausmaß des Problems zu machen, sich zu entscheiden, was man lösen möchte, und sich wirklich Gedanken darüber zu machen.

Ray: Das sehen wir auch so, Kevin. Es gibt viel Hype, wo die Leute versuchen, das Unmögliche zu erreichen. Und es gibt nicht viel tiefgründiges Denken nach ersten Prinzipien, wo man sich ein konkretes Problem ansieht und das gut löst, um dann von dort aus weiterzumachen und zu expandieren. Es ist faszinierend, dass Sie das erwähnen, denn wir hören diese Stimmung auch auf dem Markt, wo die Leute wirklich enthusiastisch sind, sie verstehen es, sie verstehen den potenziellen fundamentalen Wert, aber es gibt Uneinigkeit darüber, ob man die Dinge in kleinen Schritten angehen sollte. Es herrscht also Verwirrung darüber, ob man etwas erst perfektionieren sollte, bevor man es skaliert, wenn es um den Einsatz von KI im Innovationsprozess geht. Was glauben Sie, worauf es wirklich hinausläuft, wenn man es sich genau ansieht? Sind es die Menschen? Sind es die Anbieter auf dem Markt, die ihre Produkte so positionieren, wie sie es tun? Was ist der Hintergrund für diese Art von Verwerfung auf dem Markt?

Kevin: Ja, wenn wir uns auf große Unternehmen konzentrieren, sind diese in der Regel nicht besonders gut darin, schnell zu handeln oder neue Dinge anzunehmen. Nicht, weil sie nicht intelligent sind, sondern weil es viele organisatorische Hindernisse gibt, neue Dinge auszuprobieren. Das gilt insbesondere für konservative Branchen. Ich denke, dass diese Unternehmen in den meisten Fällen nicht digital affin sind. Sie müssen also viel über KI lernen. Was soll damit erreicht werden? Welche verschiedenen Arten des maschinellen Lernens gibt es, überwacht oder unüberwacht? Inwiefern ist das für das Problem, das ich lösen möchte, von Bedeutung? Nicht alle sind in der Lage, diese Fragen frühzeitig zu beantworten, um sie in die richtige Richtung zu lenken. Ich glaube also, dass es viele Aspekte gibt, die einfach mit Aufklärung zu tun haben. Denn wenn man sich eine dieser Organisationen ansieht, findet man dort wirklich hochkarätige, wirklich kluge Leute, die jede Nuance verstehen. Es wird immer solche Leute in diesen Organisationen geben. Es geht darum, dass sie diese übergeordneten Funktionen aufeinander abstimmen, um gemeinsam etwas zu erreichen. Das ist in einer großen Organisation ein wirklich kompliziertes Problem, denn man muss die Zustimmung der höchsten Ebenen einholen, bis hinunter zu den Mitarbeitern, die die Arbeit tagtäglich ausführen. Es ist also schwierig, eine solche einheitliche Vision zu erreichen und sie gemeinsam effizient umzusetzen. Es ist einfach schwer. Es ist schwer, vor allem mit einer Technologie wie KI, mit der viele von ihnen vielleicht nicht vertraut sind.

Ray: Okay. Im Grunde genommen sieht es so aus, als wären es Menschen, in ihrer einfachsten Form.

Kevin: Ja, zusammenfassend lässt sich sagen, dass Menschen – Menschen sind kompliziert.

Ray: Also, jetzt einfach nur Spaß damit haben. Stellen Sie sich eine Welt vor, in der die meisten Branchen ihre Daten in Ordnung gebracht haben, die Mitarbeiter aufeinander abgestimmt sind und die Datenwissenschaftsfähigkeiten vorhanden sind. Wie sieht diese Utopie aus? Was sind einige der wirklich spannenden Möglichkeiten, wie maschinelles Lernen, KI, Computer Vision und andere Formen der KI den Innovationsprozess wirklich verändern können? Was sind einige der Heiligen Grale, die Sie generell im Auge behalten und die Sie wirklich begeistern?

Kevin: Für mich ist spannend die Frage: Kann ich wertvolle Produkte schneller herstellen? Das klingt vielleicht etwas langweilig, aber ich denke, egal in welcher Branche man tätig ist, egal ob es sich bei dem Produkt um ein Medikament, eine Programmierung oder ein Gerät handelt, die Frage lautet: Kann ich eine bessere Version davon herstellen, die für meinen Kunden wertvoller ist? Und kann ich das schnell tun? Denn man denkt, dass es irgendwann natürlich mehr Chancengleichheit geben wird, dass es Gewinner und Verlierer geben wird und Menschen, die besser darin sind als andere. Aber KI wird ziemlich demokratisiert werden. Ich meine, jeder wird es tun können, wenn er will. Diejenigen, die wirklich erfolgreich sind, werden die Erkenntnisse, die sie aus den Daten gewinnen, die sie in ihren KI-Algorithmus einspeisen, nutzen, um wirklich interessante Dinge zu entwickeln, die einen höheren Wert haben. Für mich als Verbraucher ist es zum Beispiel wichtig, dass ich einfach bessere Dinge habe, die für mich nützlicher sind, die häufiger oder öfter herauskommen oder mir mehr Wert bieten. Ich denke, das ist es, worauf wir hoffen können. Ich glaube, dass es so kommen wird. Es hängt nur davon ab, in welchem Sektor, in welcher Branche. Aber wenn wir uns wirklich eine Welt vorstellen, in der jeder das ziemlich gut kann, sollten wir am Ende bessere Produkte bekommen.

Ray: Sehen Sie irgendwelche makroökonomischen Faktoren, die den Einfluss der KI auf den gesamten F&E-Prozess wirklich beschleunigen? Wir beobachten beispielsweise einige wirklich interessante Entwicklungen im Bereich Edge Computing und auch erstaunliche Unternehmen wie Nvidia und die potenzielle große Fusion von ARM und Nvidia, die wirklich einen End-to-End-Stack schaffen, wenn es darum geht, KI in großem Maßstab zu ermöglichen. Das ist nur ein Beispiel, aber sehen Sie andere makroökonomische Faktoren, die diese Vision von KI-gesteuerter Forschung und Entwicklung wirklich beschleunigen könnten?

Kevin: Ich finde, Sie haben einen interessanten Punkt zum Thema Edge Computing angesprochen. Wir brauchen keine enorme Rechenleistung und können am Rand schneller Erkenntnisse aus der KI gewinnen. Das finde ich faszinierend. Was die makroökonomischen Rahmenbedingungen angeht, so herrscht meiner Meinung nach allgemein Einigkeit darüber, dass KI transformativ sein kann und dass sie kommen wird. Ich glaube also, dass es staatliche Richtlinien und Vorschriften geben wird oder dass die Entwicklung der KI gefördert wird. Das sieht man zum Beispiel ganz deutlich in China. Einige dieser Regierungen beginnen, die Auswirkungen der Anwendung dieser Technologien zu erkennen, und werden dies auf jeden Fall vorantreiben und zum Wachstum der Industrie beitragen und meiner Meinung nach die Anwendung von KI und Forschung und Entwicklung fördern. Ich glaube also, dass es nicht nur Marktkräfte gibt, sondern auch regulatorische Kräfte, die dies vorantreiben können. Aber wenn Sie nach einem Signal suchen, gehen Sie einfach auf LinkedIn und suchen Sie nach allen Personen, die „digitale Transformation” in ihrer Berufsbezeichnung haben. Diese Funktionen, diese Jobs, diese Dinge tauchen überall auf, und zwar in allen möglichen Branchen, nicht nur im Marketing und nicht nur in der traditionellen Technologiebranche. Auch Unternehmen, die Pumpen herstellen, und Unternehmen, die eine Vielzahl unterschiedlicher Dinge tun, erkennen, wie disruptiv diese Technologien sein können, und das in einer Vielzahl von Branchen. Ich denke also, dass sich dieser Trend weiter fortsetzen wird.

Ray: Ja, Kevin, ich finde deine Idee, eine Schnellsuche auf LinkedIn durchzuführen, großartig. Das machen wir hier bei PatSnap auch ab und zu. Wir haben einfach mal nach „Innovation” gesucht, Kevin, und die Zahlen waren beeindruckend. Wenn man sie mit anderen Bereichen vergleicht, beispielsweise mit Entscheidungswissenschaften oder Datenwissenschaften, ergaben sich einige interessante Ergebnisse. Das hat alle sehr für die bevorstehende Welle begeistert. Ich denke, die Schaffung von Arbeitsplätzen ist ein großartiges Signal für potenzielle Software- und Technologiekategorien. Deshalb gefällt mir dieses Beispiel so gut. Also, Kevin, lassen Sie uns in diese Art Disneyland-ähnliche, fantasievolle Welt eintauchen. Wenn wir hier im Jahr 2028 sitzen würden, wo würden wir Ihrer Meinung nach auf der Skala stehen, was die Entwicklung des Innovationsprozesses durch KI angeht? Oder wo werden wir Ihrer Meinung nach in Bezug auf die Auswirkungen stehen?

Kevin: Ja, ich denke, wenn wir darauf zurückkommen, denken wir über den gesamten Innovationsprozess nach, der an diesem Anfangspunkt beginnt, an dem man Ideen entwickelt. Ich glaube, dass bis 2020 viel mehr Unternehmen Tools einsetzen werden, um dies tatsächlich robust umzusetzen. Wenn wir uns jetzt in der Anfangsphase befinden, wie wir zuvor besprochen haben, sollten wir eine Reifung sehen, sollten wir sehen, dass die Menschen aus ihren vergangenen Fehlern lernen, und wir sollten die Umsetzung besserer und systematischerer Methoden zur Auswahl unserer nächsten Aufgaben sehen. Ich denke, es wäre enttäuschend, wenn wir hier keine Fortschritte sehen würden. Wenn Sie also nach konkreten Maßnahmen suchen, gibt es Messungen der Anzahl der Initiativen, die zu erfolgreichen Produkten führen, und die sind nicht gut. Wenn wir zurückblicken, gehe ich davon aus und hoffe, dass innerhalb des nächsten Jahrzehnts die Trefferquote oder Erfolgsquote von Ideen zu Werten steigen wird, wie auch immer das gemessen werden mag oder wie wir es heute messen. Wir sollten sehen, dass Organisationen einen echten Aufschwung bei solchen Kennzahlen verzeichnen, denn sonst würde ich sagen, dass dieses Experiment gescheitert ist.

Ray: Das ist definitiv eine Vision, die auch uns sehr begeistert. Dieses ganze Thema rund um analytikgesteuerte Innovation, bei dem unstrukturierte Daten zusammenfließen und miteinander verknüpft werden. Wo stehen wir Ihrer Meinung nach in dieser Hinsicht, was das Marktverständnis und die Akzeptanz der Nutzung einer Reihe unstrukturierter Daten und deren Verknüpfung zur Gewinnung von Erkenntnissen angeht? Wo stehen wir Ihrer Meinung nach in Bezug auf die Entwicklung in diesem Bereich?

Kevin: Ich würde sagen, wir stehen noch ganz am Anfang, und ich glaube, die Diskrepanz besteht darin – ich vermute, wir könnten lange darüber sprechen, Ray –, dass man glaubt, Daten allein seien die endgültige Lösung. Ich denke also, die Diskrepanz besteht darin, dass man nicht wirklich nach Daten sucht. Das ist nicht das Ziel, das Ziel sind Erkenntnisse. Sie wollen etwas, das Ihnen sagt, was Sie als Nächstes tun sollen. Wie kann ich das, woran ich gerade arbeite, noch erfolgreicher machen? Ich sehe die Diskrepanz darin, dass man das Thema von zwei Seiten angehen muss: Sie betrachten es aus der Perspektive der Datenvereinheitlichung, von der Sie sprechen, und ich denke, dass sich dort derzeit viele coole Dinge entwickeln, die zu schnellen Verbesserungen führen. Aber ich denke, dass man das mit dem Menschen in der Schleife verbinden muss, mit der richtigen Person am anderen Ende des Spektrums, die die Daten interpretiert, die Trends interpretiert, die Erkenntnisse herausarbeitet und Ihnen sagt, was Sie als Nächstes tun sollten. Ich denke, das ist die Lücke, die geschlossen werden muss: modernste Datentools, modernste Algorithmen, Trends, Vorhersagen, Prognosen, gepaart mit Menschen, die auf der Grundlage dieser Erkenntnisse wirklich fundierte Entscheidungen treffen können. Ich denke, dass es Raum gibt, diese beiden Dinge effektiver miteinander zu verbinden. Ich glaube, dass wir in all diesen Bereichen große Fortschritte machen. Wir haben Experten an verschiedenen Orten, die Daten kommen, wie können wir sie zusammenbringen, ohne dass es zu einem Wettbewerb zwischen ihnen kommt, sondern eher zu einem gemeinsamen Ziel, damit diese Dinge besser zusammen funktionieren.

Ray: Als Sie von „Human in the Loop“ sprachen, Kevin, meinten Sie damit, dass Marktforschungsteams in bestimmten Unternehmen oder Zukunftsforschungsteams möglicherweise Angst haben, dass maschinelles Lernen einen Teil ihrer Arbeit ersetzen könnte? Gibt es also eine Art kulturellen Widerstand? Oder ist das eine Herausforderung? Oder geht es einfach nur darum, die Technologie grundlegend zu verstehen? Wie können wir diese heilige Lücke zwischen unstrukturierten ML-Daten und „Human in the Loop“ schließen, damit beide synergetisch zusammenarbeiten?

Kevin: Ich denke, es sind beide Dinge, die Sie erwähnt haben. Es gibt sicherlich eine Bedrohung oder bedrohliche Aspekte. Man muss sich nur die Automatisierung der Arbeitswelt oder KI und die Arbeitsplätze der Zukunft ansehen, um zu erkennen, wie viel über die Angst vor dem Verlust von Arbeitsplätzen diskutiert wird. Natürlich werden einige Arbeitsplätze verloren gehen, aber das ist eine natürliche Reaktion, wenn man über Automatisierung spricht, die wirklich ein wichtiger Teil dessen ist, worüber wir hier sprechen: die Automatisierung von Erkenntnissen. Das ist natürlich eine Bedrohung für Menschen, deren Aufgabe es ist, Erkenntnisse auf der Grundlage von Daten zu generieren und zu interpretieren. Ich denke also, dass es definitiv dieses Hindernis geben wird, allein schon aus persönlicher Sicht, weil es die Fachkompetenz der Menschen bedroht. Aber ich glaube fest daran, dass der Mensch dabei eine wichtige Rolle spielt, insbesondere wenn man in einer wissenschaftlich orientierten Organisation arbeitet, wird man einem Algorithmus niemals blind vertrauen. Als Wissenschaftler würde ich niemals, egal wie sehr man mir etwas erklärt hat, egal wie rigoros es entwickelt wurde, ein guter Wissenschaftler wird immer skeptisch gegenüber den ihm präsentierten Ergebnissen sein. Man muss also immer diese Lücke überbrücken, in der man hoffentlich diesen Innovator mit Superkräften ausstatten kann. Ob es sich nun um einen Visionär oder einen Wissenschaftler handelt, ich würde sagen, dass diese Technologien dazu dienen sollten, die Menschen, die klugen Köpfe, die wir bereits haben, zu stärken, anstatt sie zu ersetzen. Ich weiß, dass dies umstritten sein mag und sich von anderen Sichtweisen unterscheiden könnte, aber ich glaube, dass dies die Vision ist, die ich für die Zukunft am meisten befürworten würde.