top of page

Eine Antwort oder zehn: Warum KI im Labor mehr ist als ein Sprachmodell

Titus Kaletta
vor 10 Stunden
6 Min. Lesezeit

KI im Labor – Versuchsdaten mit KI-Methoden statt Sprachmodell auswerten,

Wer heute von KI spricht, denkt meist an ChatGPT und andere Sprachmodelle. Beim Schreiben, Recherchieren oder Programmieren sind sie leistungsfähige Helfer. Doch wenn es darum geht, die entscheidenden Einflussfaktoren in einer Versuchsreihe zu erkennen, stoßen sie an ihre Grenzen. Denn eine überzeugend formulierte Antwort muss nicht die richtige sein, insbesondere wenn die Daten unterschiedliche Schlussfolgerungen zulassen. Welche KI-Methoden hier weiterhelfen, wie sich verlässliche Ergebnisse erkennen lassen und warum das auch wirtschaftlich entscheidend ist, zeigt dieser Beitrag.



Das Wichtigste auf einen Blick


  • „KI“ ist nicht gleich Sprachmodell. KI im Labor umfasst weit mehr als den Einsatz von Sprachmodellen.

  • Für Fragen zu Einflussfaktoren in Versuchsdaten sind Chatbots das falsche Werkzeug, auch wenn sie inzwischen selbst Code ausführen.

  • Die Überprüfung mit unterschiedlichen Verfahren hilft, die Belastbarkeit eines Ergebnisses einzuschätzen.

  • Bayesian Optimization schlägt den nächsten sinnvollen Versuch vor und spart so Ansätze, Material und Zeit.

  • Ein falsch erkannter Einflussfaktor kostet Wochen und kann den Markteintritt verschieben.


Bei Lunaris Diagnostics, einem fiktiven Hersteller von Schnelltests mit 30 Mitarbeitenden, steht die Laborleiterin vor einer typischen Frage. Der neue Lateral-Flow-Test liefert ein zu schwaches Signal. Im Laufpuffer stecken fünfzehn Komponenten und Einstellungen, vom Detergens über den Salzgehalt bis zum pH-Wert. Die Ergebnisse von vierzig Versuchen liegen als Tabelle vor. Welche Stellschraube zählt?


Die Tabelle landet in einem Chat. Die Antwort kommt nach Sekunden und klingt wie aus dem Lehrbuch: Das Detergens sei der entscheidende Faktor, eine höhere Konzentration dürfte das Signal deutlich verbessern. Die nächste Versuchsreihe ist schnell geplant: zwanzig Ansätze mit mehr Detergens und rund zwei Wochen Laborzeit.


Parallel dazu analysiert ein Kollege die Daten mit einem klassischen Regressionsmodell. Mit allen fünfzehn Faktoren liegt auch bei ihm das Detergens an erster Stelle. Fünfzehn Stellschrauben bei vierzig Versuchen sind für ein Modell allerdings viel. Er nimmt deshalb fünf Faktoren heraus, die in den Versuchen kaum verändert wurden, und rechnet erneut. Jetzt steht der Salzgehalt an der Spitze, dahinter der pH-Wert. Das Detergens ist auf Platz sechs gerutscht.


Ein Blick in die Versuchsprotokolle erklärt den Wechsel. Detergens und Salz wurden fast immer gemeinsam erhöht, weil beide aus demselben Stammansatz kamen. Aus diesen Daten kann jedoch kein Verfahren herauslesen, welcher der beiden Faktoren das Signal verbessern könnte. Je nachdem, was sonst in den Daten steckt, landet der Effekt mal beim einen, mal beim anderen.


Rangwechsel zwischen zwei Auswertungen derselben Daten: Das Detergenz fällt von Platz 1 auf Platz 6, der Salzgehalt steigt von Platz 6 auf Platz 1. Ein Streudiagramm zeigt, dass beide Faktoren in den Versuchen fast immer gemeinsam verändert wurden.
Schematische Darstellung mit fiktiven Daten. Links die Rangfolge der Einflussfaktoren auf die Signalstärke, berechnet mit 15 und mit 10 Faktoren. Rechts Detergens und Salzgehalt in den 40 Versuchen.

Die korrekte Antwort lautet deshalb nicht „Detergens“. Sie lautet: Detergens oder Salz, die Daten können es nicht entscheiden. Ein kleiner Versuch, in dem beide getrennt verändert werden, kann die Auflösung bringen. Acht Ansätze statt zwanzig, und keine zwei Wochen in die möglicherweise falsche Richtung.

KI ist größer als das Chatfenster

In den letzten Jahren ist der Begriff KI stillschweigend geschrumpft. Die Informatik versteht unter KI seit Jahrzehnten deutlich mehr als Sprachmodelle: statistisches Lernen, maschinelles Lernen, Optimierungsverfahren oder neuronale Netze. Auch die EU-KI-Verordnung nennt maschinelles Lernen sowie logik- und wissensbasierte Ansätze als Techniken, auf denen KI-Systeme beruhen.


Der vielleicht eindrucksvollste KI-Erfolg in den Life Sciences hat mit einem Chat ebenfalls nichts zu tun. Der Chemie-Nobelpreis 2024 ging zur Hälfte an Demis Hassabis und John Jumper für AlphaFold2, ein Modell, das Proteinstrukturen aus der Aminosäuresequenz vorhersagt. Ein fünfzig Jahre altes Problem der Biochemie wurde von einem KI-Modell gelöst, das keinen einzigen Satz formulieren kann.

Lesen lassen oder rechnen lassen

Eine Tabelle voller Messwerte ist keine Sprache, sondern eine quantitative Frage. Lässt man ein Sprachmodell die Zahlen lesen, erkennt es Muster so, wie es Muster in Texten erkennt: plausibel, flüssig und ohne Gewähr. Das ist kein Versagen der KI, sondern eine Fehlwahl des Werkzeugs. Wer mit dem Schraubendreher einen Nagel einschlägt, darf sich auch nicht beschweren, dass das Werkzeug nicht funktioniert.


Inzwischen schreiben viele Chat-Werkzeuge selbst Programmcode und führen ihn aus. Das Problem ist damit nicht gelöst, es ist nur besser versteckt. Entscheidend ist nicht, ob gerechnet wird, sondern ob das Verfahren zur Frage passt und ob jemand prüft, wie stabil das Ergebnis ist.


Der Fall Lunaris zeigt, warum das entscheidend ist. Die Antwort „Detergens“ war rechnerisch nicht falsch, auch das erste Regressionsmodell kam zu diesem Ergebnis. Der Fehler lag darin, bei einem einzigen Modell stehen zu bleiben. Erst der zweite Rechenweg hat gezeigt, dass das Ergebnis wackelt. Und erst dieses Wackeln hat die eigentliche Ursache im Stammansatz offengelegt.


Ein Chatbot rechnet, was man ihn rechnen lässt. Ob es die richtige Rechnung war, fragt er von sich aus selten.

Was andere KI-Methoden im Labor leisten

Fünfzehn Faktoren in vierzig Versuchen gleichzeitig zu untersuchen, ist ehrgeizig. Mit so wenigen Daten findet ein Sprachmodell zwar fast immer ein Muster, häufig aber auch eines, das sich im nächsten Versuch nicht bestätigt. Belastbar kann eine Aussage erst werden, wenn sie verschiedene Verfahren übersteht.


Dafür gibt es Methoden, die genau für diese Situation gebaut sind. Die PLS-Regression etwa, ein Verfahren des maschinellen Lernens, kommt mit vielen Faktoren und wenigen Versuchen zurecht, auch wenn Faktoren gemeinsam schwanken. Zwei Faktoren, die fast immer gemeinsam verändert wurden, wie hier Detergens und Salz, kann allerdings kein Verfahren trennen, auch dieses nicht. Das ist eine Grenze der Daten, nicht der Methode. Wer mehrere KI-Methoden und Modellvarianten nebeneinanderlegt, sieht genau diese Grenze: welche Faktoren stabil vorn liegen und welche nur in manchen Varianten. Damit ist klar, wo ein zusätzlicher Versuch Klarheit bringt. Wie das in der Praxis aussieht, zeigt unsere Themen-Seite Labordatenanalyse.


Einen Schritt weiter geht die Bayesian Optimization. Sie fragt nicht nur, was die bisherigen Versuche zeigen, sondern auch, welcher Versuch als Nächstes am meisten Erkenntnis verspricht. Ein Team der UCL School of Pharmacy hat mithilfe dieser KI-Methode einen teilautomatisierten Formulierungsroboter gesteuert. Das Tempo verdankt das System vor allem der Automatisierung, es testete siebenmal so viele Formulierungen wie eine erfahrene Fachkraft. Der Beitrag der Bayesian Optimization liegt woanders: Sie wählte aus 7.776 möglichen Rezepturen die aus, die getestet werden sollten. Nach rund drei Prozent davon standen sieben vielversprechende Kandidaten fest.


Für ein KMU ist das keine Robotik-Frage. Die Auswahllogik funktioniert genauso, wenn Menschen die Versuche ansetzen. Jeder Ansatz, der gar nicht erst nötig ist, spart Material und Laborzeit und bringt das Projekt voran.

Welche KI für welche Frage?

Es gibt Hunderte Verfahren, aber hier ein paar Beispiele zur Orientierung:

  • Wie lassen sich Texte recherchieren, zusammenfassen und dokumentieren? Sprachmodelle.

  • Welche Faktoren beeinflussen ein Ergebnis? Statistisches Lernen und Verfahren wie die PLS-Regression oder Random Forest.

  • Welcher Versuch als Nächstes? Bayesian Optimization.

  • Wie sieht die Struktur eines Proteins aus? Spezialisierte Modelle wie AlphaFold.


Die Wahl des Werkzeugs ist keine Frage für Data Scientists allein, denn sie hat auch wirtschaftliche Folgen. Ein falsch erkannter Einflussfaktor kostet mehr als eine Versuchsreihe. Er schickt die Entwicklung in eine Richtung, aus der sie erst Wochen später zurückkehrt. Bei Lunaris wären es zwanzig Ansätze und zwei Wochen gewesen. Über ein ganzes Entwicklungsprojekt hinweg summiert sich das schnell auf Monate, und am Ende verschiebt sich der Markteintritt.


Bevor eine KI-gestützte Auswertung die nächste Versuchsreihe bestimmt, helfen drei Fragen:


  1. Wurde das Ergebnis mit mehr als einer Methode geprüft, und bleibt es dabei stabil?

  2. Passen die Zahl der Versuche und die Zahl der Faktoren zusammen, oder wurden Faktoren gemeinsam verändert, die sich nicht mehr trennen lassen?

  3. Lässt sich nachvollziehen, wie das Ergebnis zustande kam, also mit welchen Daten, welchem Verfahren und welchen Einstellungen des Modells?


Keines dieser Werkzeuge ersetzt das fachliche Urteil. Sie helfen aber, unnötige Versuche zu vermeiden und Ergebnisse besser einzuordnen. Wer seine Labordaten heute in ein Chatfenster eingibt, bekommt meist schnell eine überzeugende Antwort. Ob sie auch belastbar ist, steht auf einem anderen Blatt. Und genau dieser Unterschied kann Wochen an Entwicklungszeit sparen.




Häufige Fragen

Was zählt zur KI, wenn nicht nur ChatGPT?

Zur KI gehören neben Sprachmodellen auch statistisches und maschinelles Lernen, Deep Learning, Optimierungsverfahren wie Bayesian Optimization sowie logik- und wissensbasierte Systeme. Die EU-KI-Verordnung fasst den Begriff ausdrücklich so weit.


Kann man Labordaten mit einem Chatbot auswerten?

Für einen ersten Überblick oder das Formulieren von Ergebnissen ja. Für Entscheidungen über Einflussfaktoren braucht es ein passendes Verfahren, das Alternativen prüft und zeigt, wie stabil ein Ergebnis ist.


Brauchen diese KI-Methoden große Datenmengen?

Nein. Viele Verfahren sind für kleine Versuchsreihen gemacht. Bayesian Optimization ist gerade dann im Vorteil, wenn Versuche teuer sind und jeder Ansatz Informationen bringen muss.




Wenn Ihnen dieser Artikel gefallen hat, freuen wir uns über Ihr Feedback in den Kommentaren. Teilen Sie Ihre Gedanken und lassen Sie uns wissen, wie wir Sie noch besser unterstützen können. Unsere nächste Veröffentlichung erscheint am 17. Dezember.



Quellen:


Bildhinweis: Alle verwendeten Bilder sind mit KI-Unterstützung generiert. Transparenz: Dieser Beitrag entstand mit KI-Unterstützung. Alle Zahlen, Zitate und Quellen wurden gegen die Primärquellen geprüft, die redaktionelle Verantwortung liegt beim Autor. Aufgrund der menschlichen Überprüfung und redaktionellen Verantwortung gehen wir davon aus, dass für den Text keine Offenlegungspflicht nach Artikel 50 Absatz 4 besteht. Dieser Hinweis erfolgt freiwillig.

Disclaimer: Alle Angaben erfolgen nach bestem Wissen und Gewissen, jedoch ohne Gewähr für Vollständigkeit, Richtigkeit und Aktualität.

Kommentare


bottom of page