Pathways Machine Unlearning hält Liefer-ETAs ehrlich, während Datenströme veralten

Das französische Deep-Tech-Startup Pathway, mitbegründet von CEO Zuzanna Stamirowska – Autorin des von der National Academy of Sciences of the USA veröffentlichten State-of-the-Art-Modells zur Prognose des maritimen Handels –, ging ein Problem an, das die Digitalisierung der Logistik bremst: das Fehlen von Softwareinfrastruktur, die automatisiertes Schlussfolgern auf Echtzeit-Datenströmen ermöglicht. Sensoren an Schiffscontainern erzeugen Tracking-Daten, doch Umgebungen mit geringer Bandbreite verzögern die Cloud-Synchronisierung, wodurch eine unpassende Flut aus verzögerten und live übertragenen Daten entsteht.

Das Framework trainiert KI-Systeme und LLMs kontinuierlich auf Streaming-Daten neu und ermöglicht es, einzelne Datenpunkte zu revidieren, ohne einen neuen vollständigen Batch-Upload – Machine Unlearning, die Herausforderung, für die Google im früheren Verlauf jenes Sommers einen Wettbewerb gestartet hatte. Mit der Reederei CMA CGM verbesserte Pathway die Präzision der Gate-out-ETAs für Container und optimierte den Terminalbetrieb, wodurch sich die Containerabfertigungszeiten verkürzten und betriebliche wie ökologische Kosten sanken.

Das Unternehmen betont, der Ansatz sei branchenunabhängig über Datentypen hinweg – tabellenähnliche Daten, Zeitreihen, IoT-Nachrichten, Ereignisströme, Dinge in Bewegung, Graphen und Ontologien –, und erklärt, der Fokus liege auf der Produktverfeinerung, einschließlich Anwendungsfällen der Observability.

Machine Unlearning als Produkt: einen falschen Datenpunkt in einem trainierten Modell revidieren, ohne neu zu trainieren – eine Tabellenkalkulation, die nur abhängige Zellen neu berechnet.

Veraltete oder falsche Trainingsdaten verfälschen stillschweigend Modellausgaben in Unternehmen, die auf Streaming-Daten angewiesen sind.

Vollständiges Batch-Retraining ist zu langsam und zu kostspielig, um es jedes Mal auszuführen, wenn sich ein einzelner Fakt ändert.

Logistikentscheidungen hängen von Echtzeitdaten ab, daher müssen Korrekturen ankommen, solange sie noch relevant sind.

Bei sich schnell verändernden Daten ist die Arbeitseinheit nicht der Datensatz, sondern der einzelne Fakt: Systeme entwerfen, die kontinuierlich vergessen und korrigieren.

Tech.eu berichtete über den CMA-CGM-Einsatz als Traktion in Branchen, die auf präzise Echtzeitdaten angewiesen sind, und merkte zugleich an, dass es keine einzige Lösung für Unlearning gibt – Batch-, Streaming- und LLM-Fälle unterscheiden sich allesamt. Pathway blieb darauf fokussiert, die Plattform für mehrere Datentypen und Branchen zu verfeinern.