Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen. In der Welt von „Big Data“ haben Sie ein riesiges Lagerhaus voller Millionen von Kuchen aus allen Ecken der Welt. Sie können sie alle vermischen, tausende Proben kosten und das durchschnittliche Rezept finden, das für alle funktioniert. Das ist leistungsstark, hat aber einen blinden Fleck: Es könnte die spezifischen Bedürfnisse von jemandem übersehen, der gegen eine sehr seltene Zutat allergisch ist, oder es wüsste nicht, wie man einen Kuchen für eine winzige, einzigartige Küche backt. Hier kommt „Small Data“ ins Spiel. Betrachten Sie Small Data nicht als einen winzigen Haufen Krümel, sondern als eine Lupe. Es ist die Kunst, brillante Vermutungen anzustellen und kluge Entscheidungen zu treffen, wenn man nur eine Handvoll Zutaten oder ein einziges, einzigartiges Rezept zur Verfügung hat. Es geht darum, das zu nutzen, was man hat – wie zum Beispiel das Wissen, dass ein Schokoladenkuchen einem Brownie ähnlich ist, oder dass eine bestimmte Allergie-Regel für eine kleine Gruppe gilt –, um die Lücken zu füllen, wenn das große Ganze fehlt. Dies ist nicht nur Mathematik; es geht um Fairness. Wenn wir nur auf die Millionen hören, könnten wir die Wenigen vergessen, und in einer Welt der personalisierten Medizin, der maßgeschneiderten Technologie und der fairen politischen Richtlinien kann das Vergessen der Wenigen bedeuten, Menschen zurückzulassen.

Dieses Papier, geschrieben von einem Team aus Wissenschaftlern und Politikexperten, ist wie ein freundlicher Leitfaden, der sagt: „Hey, du brauchst kein Lagerhaus voller Daten, um kluge KI zu erschaffen!“ Die Autoren argumentieren, dass Big Data zwar großartig ist, um allgemeine Trends aufzuspüren, aber oft versagt, wenn wir Probleme für spezifische Menschen, seltene Krankheiten oder einzigartige Situationen lösen müssen. Sie schlagen vor, dass wir durch die Kombination der altmodischen Weisheit der Statistik (die schon seit langem gut darin ist, mit kleinen Zahlen zu arbeiten) mit den neuen Superkräften der Künstlichen Intelligenz Systeme bauen können, die intelligenter, fairer und hilfreicher für alle sind, nicht nur für die Mehrheit.

Die große Idee: Warum „Klein“ nicht „Weniger“ bedeutet

Das Papier räumt mit einem weit verbreiteten Mythos auf: dass es immer besser ist, viel Daten zu haben. Die Autoren erklären, dass ein Datensatz riesig sein kann, sich aber dennoch „klein“ anfühlen kann, wenn er nicht die richtigen Informationen für die spezifische Frage enthält, die man stellt. Stellen Sie sich vor, Sie haben eine Bibliothek mit einer Million Büchern (Big Data), aber Sie müssen das eine Buch über eine ganz bestimmte, seltene Art von Moos finden, die nur auf einem einzigen Stein in Ihrem Hinterhof wächst. Obwohl die Bibliothek massiv ist, ist die Information, die Sie benötigen, effektiv „klein“, weil sie so selten und spezifisch ist.

Das Papier hebt hervor, dass es bei „Small Data“ nicht nur darum geht, wenig Zahlen zu haben. Es geht um den Kontext. Zum Beispiel könnte eine klinische Studie mit sechs menschlichen Patienten als „klein“ betrachtet werden, weil Menschen so unterschiedlich sind. Aber ein Experiment mit sechs genetisch identischen Mäusen wird vielleicht nicht als klein betrachtet, weil diese Mäuse fast Klone sind. Auch die Komplexität der Frage spielt eine Rolle. Um eine riesige KI zum Schreiben von Geschichten zu trainieren, braucht man Millionen von Dokumenten, aber um eine KI zu lehren, einem spezifischen Arzt bei der Behandlung einer seltenen Krankheit zu helfen, braucht man vielleicht nur ein paar Dutzend Patientendaten.

Die drei Superkräfte von Small Data

Um diese kniffligen Situationen zu verstehen, schlagen die Autoren vor, uns auf drei Hauptthemen zu konzentrieren, die sie die „Big Three“ von Small Data nennen: Ähnlichkeit, Transfer und Unsicherheit.

1. Ähnlichkeit (Der „Ähnlichkeits-Trick“):
   Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, einen Fall zu lösen, aber Sie haben nur einen einzigen Zeugen. Sie können den Fall nicht allein lösen, also suchen Sie nach anderen Zeugen, die Ihrem einen Zeugen ähnlich sehen oder sich ähnlich verhalten. In dem Papier geht es darum, Menschen oder Datenpunkte zu finden, die demjenigen, um den es geht, „ähnlich“ sind. Wenn ein Arzt einen neuen Patienten mit einer seltenen Krankheit hat, sucht er vielleicht in einer Datenbank nach anderen Patienten, die in Alter, Symptomen oder Krankengeschichte am ähnlichsten sind. Selbst wenn sie keine exakte Übereinstimmung sind, hilft das Wissen darüber, wer nah dran ist, dem Arzt, eine bessere Vermutung anzustellen.

2. Transfer (Das „Wissen aus zweiter Hand“):
   Dies ist wie das Lernen des Fahrradfahrens. Wenn Sie bereits wissen, wie man ein Fahrrad fährt, ist das Lernen eines Scooters viel einfacher, weil Sie Ihre Balance-Fähigkeiten „transferieren“ können. Das Papier erklärt, dass wir Wissen aus einem riesigen Datensatz (wie einer riesigen Bibliothek medizinischer Unterlagen) nehmen und auf einen winzigen Datensatz (wie die Akte eines einzelnen Patienten) „transferieren“ können. Dies geschieht oft mit fortschrittlichen KI-Werkzeugen namens „Foundation Models“. Dies sind wie superintelligente Studenten, die fast alles auf der Welt gelesen haben. Wenn man ihnen einen winzigen Hinweis zu einem spezifischen Problem gibt, können sie ihr umfassendes Hintergrundwissen nutzen, um bei der Lösung zu helfen, selbst wenn sie genau dieses Problem noch nie gesehen haben.

3. Unsicherheit (Der „Ich bin mir nicht 100 % sicher“-Faktor):
   Wenn man viele Daten hat, kann man sehr sicher in seinen Antworten sein. Aber wenn man wenig Daten hat, muss man ehrlich damit sein, was man nicht weiß. Das Papier betont, dass Small-Data-Methoden deshalb so gut sind, weil sie uns dazu zwingen, zuzugeben, wenn wir nur raten. Anstatt vorzugeben, die Antwort zu wissen, berechnen diese Methoden, wie „unsicher“ wir sind. Dies ist entscheidend für Dinge wie medizinische Entscheidungen oder politische Entscheidungsfindung. Es ist besser zu sagen: „Wir glauben, dass diese Medizin wirken wird, aber wir sind uns nicht ganz sicher, weil wir nur wenige Beispiele haben“, als vorzugeben, alles zu wissen.

Wo das im echten Leben wichtig ist

Die Autoren verwenden mehrere unterhaltsame, reale Beispiele, um zu zeigen, warum das wichtig ist:

• Seltene Krankheiten: Stellen Sie sich einen Arzt vor, der ein Kind mit einer sehr seltenen genetischen Störung behandelt. Es gibt vielleicht nur eine Handvoll anderer Kinder auf der Welt mit derselben Erkrankung. Big Data kann hier nicht viel helfen, da es nicht genug Daten gibt, um ein Muster zu finden. Aber Small-Data-Methoden können nach ähnlichen Krankheiten suchen, Wissen aus anderen Bereichen transferieren und die Expertise des Arztes nutzen, um die beste Behandlung zu finden.
• Wearable-Technologie: Denken Sie an eine Smartwatch, die Stürze bei älteren Menschen erkennt. Die Uhr hat nur Daten von einer Person. Sie weiß nicht, wie Sie sich bewegen, sondern nur, wie die Person sich bewegt, die sie gerade trägt. Small-Data-Methoden helfen der Uhr, Ihren spezifischen Gehstil schnell zu lernen, selbst wenn sie nur wenige Tage an Daten hat, damit sie durch Ihre einzigartige Art der Bewegung nicht verwirrt wird.
• Faire KI: Manchmal werden KI-Systeme auf riesigen Datensätzen trainiert, die hauptsächlich junge, gesunde und technikaffine Menschen beinhalten. Wenn wir versuchen, diese KI zu helfen, einer älteren Person oder jemandem mit einer Behinderung, könnte sie scheitern, weil sie nicht genug Beispiele für sie gesehen hat. Small-Data-Ansätze helfen uns dabei, dies zu korrigieren, indem sie gezielt nach diesen „fehlenden“ Gruppen suchen und sicherstellen, dass die KI auch von ihnen lernt.

Wie machen wir das eigentlich?

Das Papier taucht in den „Wie geht das“-Teil ein und erklärt, dass verschiedene Wissenschaftler in ihren eigenen Silos daran gearbeitet haben. Mathematiker und Statistiker haben schon lange „wissensgesteuerte“ Methoden verwendet, bei denen sie Regeln und Logik nutzen, um Lücken zu füllen. Informatiker hingegen haben „datengesteuerte“ KI-Methoden wie „Few-Shot Learning“ (Lernen aus nur wenigen Beispielen) und „Meta-Learning“ (Lernen, wie man lernt) entwickelt.

Die Autoren schlagen vor, dass die Zukunft in der Mischung dieser beiden Welten liegt. Sie schlagen vor, Foundation Models (die riesigen, vortrainierten KIs) als Basis zu verwenden. Diese Modelle wissen bereits sehr viel. Dann können wir sie mit einem winzigen Teil spezifischer Daten („fine-tuning“) perfektionieren, um sie für eine spezifische Aufgabe maßzuschneidern. Es ist wie ein Meisterkoch, der jede Küche der Welt beherrscht, und man bittet ihn, ein ganz bestimmtes Gericht für einen Kunden mit einer sehr speziellen Allergie zu kochen. Der Koch nutzt sein enormes Wissen, passt aber das Rezept basierend auf den kleinen, spezifischen Details an, die ihm gegeben wurden.

Das Papier warnt auch vor den Gefahren. Wenn wir nicht vorsichtig sind, könnten wir die Daten „überanpassen“ (overfitting), was bedeutet, dass die KI die wenigen Beispiele, die sie hat, auswendig lernt, anstatt die echten Regeln zu verstehen. Es ist wie ein Schüler, der die Antworten auf drei Übungstests auswendig lernt, aber bei der echten Prüfung durchfällt, weil er die Konzepte nicht verstanden hat. Die Autoren betonen, dass wir auf die Validierung achten müssen – also sicherstellen müssen, dass unsere Modelle auch mit neuen, ungesehenen Daten funktionieren – und dass wir ehrlich über die Unsicherheit sein müssen.

Was kommt als Nächstes?

Das Papier schließt mit einem Aufruf zum Handeln. Es schlägt vor, dass wir eine „gemeinsame Sprache“ brauchen, damit Statistiker, Informatiker und politische Entscheidungsträger miteinander sprechen können, ohne sich zu missverstehen. Sie argumentieren, dass wir nicht einfach darauf warten sollten, dass mehr Daten erscheinen; statstattdessen sollten wir aktiv Methoden entwickeln, die gut mit den Daten funktionieren, die wir bereits haben, insbesondere für die Menschen und Gruppen, die oft außen vor gelassen werden.

Die Autoren schlagen vor, dass wir durch die Konzentration auf Ähnlichkeit, Transfer und Unsicherheit eine Zukunft aufbauen können, in der Technologie für alle funktioniert, nicht nur für die Mehrheit. Sie glauben, dass wir mit der richtigen Mischung aus alter Weisheit und neuer KI Probleme lösen können, die zuvor unlösbar schienen. Es geht nicht darum, die größte Bibliothek zu besitzen; es geht darum, zu wissen, wie man das richtige Buch liest, selbst wenn es das einzige ist, das im Regal steht.