Datenstrategien im digitalen Zeitalter: Eine kritische Betrachtung

In einem gemeinsamen Artikel mit Paul von Bünau, Gründer von IdaLab, hinterfragen wir die weit verbreitete Annahme, dass Daten das "neue Öl" seien. Wir kritisieren die simplizistische Sichtweise, die besagt, dass mehr Daten automatisch zu besseren Services, mehr Kunden und somit zu einem sich selbst verstärkenden Wachstum des Unternehmenswertes führen.

Wir argumentieren, dass diese Analogie irreführend ist, da sie die ökonomische Logik von Daten missversteht. Anders als Öl, das relativ einheitlich und vielseitig einsetzbar ist, sind Daten heterogen und ihr Wert ist ohne spezifische Anwendung nicht denkbar. Zudem gibt es keinen einheitlichen Qualitätsbegriff für Daten und die Übertragbarkeit von Daten für unterschiedliche Zwecke ist nicht garantiert.

Ein weiterer kritischer Punkt ist, dass bei Daten im Gegensatz zu Öl negative Skaleneffekte auftreten: Speicherung und Verarbeitung von Daten werden mit zunehmender Menge teurer und komplexer. Daten verlieren oft schnell an Wert und der Grenznutzen zusätzlicher Datenmengen nimmt ab, da die Verbesserung von algorithmischen Systemen nur bis zu einem bestimmten Punkt mit mehr Daten steigt und der Long-Tail-Effekt auftritt, bei dem seltene Fälle nur schwer automatisierbar sind.

Wir stellen auch die Annahme infrage, dass Daten einen Schutzwall gegen Wettbewerber darstellen könnten. Daten sind nicht so leicht monopolisierbar, und politische Initiativen zur Verhinderung von Datenmonopolen in Europa sind aus gesellschaftlicher Sicht zu begrüßen und können den Wirtschaftsstandort verbessern.

Für eine tragfähige Datenstrategie empfehlen wir, sich von irreführenden Metaphern zu lösen und einen realistischen Blick auf die Rolle von Daten und KI zu werfen. Statt einer reinen Datensammlung sollten Unternehmen ihre übergeordnete Strategie, Kunden und den Markt in den Fokus nehmen und überlegen, welchen Mehrwert sie erzeugen wollen und wie Daten und Algorithmen dabei unterstützen können.

Abschließend warnen wir davor, aus kurzfristigen Enttäuschungen über die Geschwindigkeit von Erfolgen mit Daten und KI vorschnelle Schlüsse zu ziehen. Wir erinnern an die Worte des Zukunftsforschers Roy Amara, dass die Auswirkungen von Technologien kurzfristig oft überschätzt, langfristig jedoch unterschätzt werden. Wir betonen, dass die langfristigen Auswirkungen der Automatisierung und Skalierung kognitiver Arbeit durch KI-Technologie dramatisch sein werden.

Den Original-Artikel kann man hier lesen: https://background.tagesspiegel.de/gesundheit/daten-sind-nicht-das-neue-oel 


Digitale Transformation im Biotech-Sektor: Eine Marktanalyse von Vijay Pande, A16Z

Vijay Pande von A16Z liefert eine fundierte Analyse über die Gründe und den optimalen Zeitpunkt für die Einrichtung eines spezialisierten Bio-Fonds. Er betont, dass Gesundheit auf einer fundamentalen Ebene von großer Bedeutung ist und gleichzeitig enorme Marktchancen bietet. Mit einem Vergleich zwischen dem Werbebudget von Google und dem US-Gesundheitsbudget unterstreicht er das immense Potential für Start-ups im Gesundheitssektor.

Vijay weist darauf hin, dass aktuelle Entwicklungen in der Rechenleistung und Datenspeicherung es ermöglichen, große Datenmengen zu analysieren und tiefes Lernen anzuwenden, was in der Biotechnologie als eine Art eigene Moore'sche Gesetzmäßigkeit angesehen werden kann. Die Kosten für genetische Sequenzierung nähern sich Null, und dies sogar schneller als die technologische Verbesserung nach Moore’s Gesetz.

Er erläutert, wie maschinelles Lernen und KI in den Biotech-Bereich integriert werden können, insbesondere durch die Verbesserung der Bilderkennung in der Medizin, was weitreichende Anwendungen in der Radiologie, Dermatologie und Ophthalmologie ermöglicht. Diese Technologien sollen jedoch nicht dazu dienen, Ärzte zu ersetzen, sondern ihre Arbeit zu unterstützen und zu beschleunigen, damit sie sich auf komplexere und wichtigere Aufgaben konzentrieren können.

Vijay beschreibt, wie maschinelles Lernen nicht nur die Arbeit schneller und günstiger macht, sondern auch die Qualität der Medizin verbessert. Dieser Ansatz könnte zu bahnbrechenden Entwicklungen in der diagnostischen Genauigkeit und Behandlungsqualität führen und gleichzeitig die Türen für große Unternehmen öffnen.

Die Infrastruktur, die Start-ups im Biotech-Bereich zur Verfügung steht, ist vergleichbar mit dem AWS-Moment für webbasierte Start-ups. Echtwelt-Experimente können nun in einer cloud-ähnlichen Weise durchgeführt werden, was bedeutet, dass frühe Produkt-Markt-Anpassungen schneller erreicht werden können und gleichzeitig neue Möglichkeiten eröffnet werden, die zuvor nicht möglich waren.

Er spricht auch über die Bedeutung der Reproduzierbarkeit und Genauigkeit in der wissenschaftlichen Forschung, die durch computergesteuerte Robotik in der Cloud-Biologie verbessert werden kann. Dies ermöglicht eine präzisere Steuerung der Experimente und könnte eine industrielle Revolution in der Biologie bedeuten.

Vijay hebt hervor, dass der Fonds sich auf "digitale Therapeutika" konzentriert, die sich auf Verhaltensänderungen zur Behandlung von Verhaltensproblemen konzentrieren, wie zum Beispiel Typ-2-Diabetes oder Raucherentwöhnung. Diese digitalen Ansätze haben das Potenzial, traditionelle Behandlungsmethoden zu ergänzen oder zu ersetzen und Gesundheitslösungen effizienter und skalierbarer zu machen.

Abschließend betont Vijay, dass die Strategie des Bio-Fonds darauf abzielt, Softwareunternehmen im Biotech-Bereich zu finanzieren, was sich von traditionellen Biotech-Unternehmen unterscheidet, die wenig bis keine Software einsetzen. Er zieht eine Parallele zu Erooms Gesetz, das eine exponentielle Kostensteigerung bei der Arzneimittelentwicklung beschreibt, im Gegensatz zu Moore's Gesetz, das die sinkenden Kosten der Rechenleistung beschreibt. Dieser Ansatz soll sich auf Technologien konzentrieren, die von der sinkenden Rechenkostenkurve profitieren.

Insgesamt vermittelt Vijay Pande eine klare Vision für die Zukunft des Biotech-Sektors, die stark von Software und Computertechnologie angetrieben wird und das Potenzial hat, die Gesundheitsversorgung grundlegend zu verbessern.

Hier ist das Original-Interview: https://a16z.com/when-software-eats-bio/ 


Multimodale Künstliche Intelligenz – Ein Wirtschaftswandel steht bevor

Die neuesten KI-Tools wie ChatGPT, die das Web seit ihrer Einführung im November erobert haben, könnten laut einem Artikel aus The Economist die Produktivität von Arbeitnehmern erheblich steigern oder sie gar ersetzen. Diese Technologien gelten als allgemeine Basistechnologie, ähnlich wie Dampfmaschinen, Elektrizität und Computer, und haben das Potenzial, die Produktivität in einer Vielzahl von Branchen und Berufen zu steigern.

Timothy Bresnahan und Manuel Trajtenberg beschrieben 1995 allgemeine Basistechnologien als Innovationen, die in vielen Industrien eingesetzt werden, ein inhärentes Potenzial für kontinuierliche Verbesserungen besitzen und zu weiteren Innovationen in den sie nutzenden Industrien anregen. KI wird bereits weitreichend eingesetzt, verbessert sich stetig und findet immer mehr Anwendung in Forschung und Entwicklung.

Die Geschichte lehrt jedoch, dass selbst die leistungsfähigsten Technologien Zeit benötigen, um eine Wirtschaft zu verändern. James Watts Dampfmaschine wurde 1769 patentiert, aber es dauerte Jahrzehnte, bis sie die Wasserkraft übertraf. Ähnlich verhielt es sich mit der Elektrifizierung und der Computertechnologie, bei denen erst Jahre nach den Schlüsselinnovationen ein Produktivitätsboom einsetzte.

Die Kluft zwischen Innovation und wirtschaftlicher Auswirkung liegt teilweise an der Feinabstimmung. Frühe Dampfmaschinen waren ineffizient und der Einsatz von KI-Tools hat sich im Vergleich zu den Anfängen vor etwa einem Jahrzehnt stark verbessert. Kapitalbeschränkungen können ebenfalls die Einführung neuer Technologien verlangsamen.

Neuere Studien betonen die Zeit, die benötigt wird, um das erforderliche immaterielle Kapital anzusammeln, also das grundlegende Know-how, um neue Technologien effektiv zu nutzen. Störende neue Technologien können sogar zu einem vorübergehenden Rückgang des gemessenen Produktivitätswachstums führen, da Unternehmen und Arbeitnehmer Zeit und Ressourcen investieren müssen, um die Technologie zu studieren und Geschäftsprozesse um sie herum zu entwerfen.

Was die Auswirkungen von KI auf die Arbeitnehmer betrifft, so sind die historischen Botschaften gemischt. Obwohl technologischer und wirtschaftlicher Wandel stattgefunden hat, wurden Befürchtungen einer massiven technologischen Arbeitslosigkeit nie Realität. Technologie kann jedoch einzelne Berufe belasten und sozial disruptive Auswirkungen haben. Im frühen Industriezeitalter erhöhte die Mechanisierung die Nachfrage nach ungelernten Arbeitern, während sie die Einkommen von Handwerkern drastisch senkte. In den 1980er und 1990er Jahren verdrängte die Automatisierung von Routinearbeiten viele Arbeiter mittlerer Qualifikation, während sie die Beschäftigung für hoch- und gering qualifizierte Arbeiter steigerte.

KI könnte die Produktivität von Arbeitnehmern aller Qualifikationsstufen steigern. Doch ob dies zu einem Anstieg der Nachfrage führt, hängt davon ab, ob verbesserte Produktivität und geringere Kosten einen großen oder nur einen geringen Nachfrageanstieg zur Folge haben. Wenn beispielsweise KI die Produktivität und Kosten in der Medizin senkt, könnte dies zu einer viel höheren Nachfrage nach medizinischen Dienstleistungen und Fachkräften führen.

Es besteht die Möglichkeit, dass leistungsstarke KI das historische Muster durchbricht. Eine Technologie, die fast jede Aufgabe bewältigen kann, würde die Menschheit in unbekanntes wirtschaftliches Gebiet führen. Doch selbst in einem solchen Szenario bietet die Vergangenheit einige Lehren. Das anhaltende Wirtschaftswachstum, das mit der Dampfmaschinen-Revolution einherging, und die weitere Beschleunigung, die mit der Elektrifizierung und anderen späteren Innovationen einherging, waren selbst beispiellos. Sie veranlassten einen enormen Ansturm, um neue Ideen und Institutionen zu erfinden, damit radikaler wirtschaftlicher Wandel zu weit verbreitetem Wohlstand statt zu Chaos führte. Es könnte bald wieder Zeit sein, sich neu zu sortieren.

Hier ist der Artikel: https://www.economist.com/finance-and-economics/2023/02/02/the-ai-boom-lessons-from-history


Multimodale Künstliche Intelligenz eröffnet neue Dimensionen in der Medizin

In seiner jüngsten Analyse beleuchtet der renommierte Mediziner Eric Topol die sich abzeichnenden Möglichkeiten multimodaler Künstlicher Intelligenz (KI) in der Medizin. Er hebt hervor, wie Maschinen durch fortschrittliche Deep-Learning-Modelle in der Lage sind, medizinische Bilder – von Röntgenaufnahmen bis hin zu Retinafotos – präzise zu interpretieren und dabei Merkmale zu erkennen, die dem menschlichen Auge verborgen bleiben.

Topol betont, dass diese Entwicklungen weit mehr als nur eine technologische Neuerung darstellen: Sie sind der Vorbote einer umfassenden Transformation der medizinischen Praxis. Mit der Fähigkeit, nicht nur Bilder, sondern auch Text und Sprache zu verarbeiten, ermöglicht die multimodale KI eine tiefgreifende Analyse und Integration verschiedenster Datenströme.

Die Implementierung selbstüberwachter und unüberwachter Lernverfahren, wie sie für die Entwicklung von Großen Sprachmodellen (LLMs) wie GPT-4 verwendet wurden, hat die Notwendigkeit der manuellen Datenannotation überflüssig gemacht. Diese Lernmodelle, die auf einer Fülle von Daten basieren, ermöglichen es, komplexe multimodale Aufgaben zu bewältigen, welche die Grenzen herkömmlicher Methoden sprengen.

Topol gibt zu bedenken, dass der Einsatz von KI in der Medizin weit über die Diagnose und Behandlung hinausgeht. Virtuelle Gesundheitsassistenten und "Kliniken-zu-Hause"-Konzepte könnten bald Realität werden, indem sie präzise und personalisierte Gesundheitsversorgung anbieten. Dabei stellen sich jedoch Herausforderungen wie Datenbias und Datenschutz, die es zu überwinden gilt.

Abschließend stellt Topol klar, dass die außergewöhnlichen Fortschritte in der Rechenleistung und im maschinellen Lernen es ermöglichen, medizinische Anwendungen in einer Art und Weise zu entwickeln, die bisher unvorstellbar waren. Er sieht eine Zukunft voraus, in der LLMs in der Medizin eine Rolle spielen werden, die weit über ihre aktuellen Anwendungsbereiche hinausgeht.
Hier geht es zum vollständigen Artikel: https://www.science.org/doi/10.1126/science.adk6139