Träumen Prognosealgorithmen von elektrischen Schafen?

von Kai Keppner

In seinem Buch „Träumen Androiden von elektrischen Schafen?“ (verfilmt als „Blade Runner“) beschäftigt sich der berühmte Science-Fiction-Autor Philip K. Dick mit der verschwimmenden Grenze zwischen Mensch und künstlicher Intelligenz. Androiden haben sich in diesem eher dystopischen Roman so weit entwickelt, dass sie sich kaum mehr von Menschen unterscheiden lassen. Um die Ähnlichkeit von Maschinen zu Menschen ging es auch vor kurzem in einem Hotel in der koreanischen Hauptstand Seoul. Hier trat das Programm AlphaGo des Alphabet-Unternehmens DeepMind in einem Wettstreit gegen einen Großmeister des jahrtausendealten Spiels Go an. Das aus China stammende Spiel, welches in Europa nicht ganz so bekannt ist, besteht aus einem Spielbrett mit 19 horizontalen und 19 vertikalen Linien, auf deren 361 Schnittpunkten zwei Spieler abwechselnd weiße und schwarze Steine legen. Das Ziel des Spieles ist es, die Steine des Gegners einzukreisen und so vom Feld zu nehmen.

Mehr Möglichkeiten als Atome im Universum

Das Spiel galt bislang als zu komplex, um einer Maschine hier eine Siegeschance einzuräumen. Die Komplexität entsteht aber nicht aus den Regeln des Spiels, die sind nämlich relativ überschaubar. Beim Go ist es eher die unglaubliche Zahl der Möglichkeiten, wie sich das Spiel entwickeln kann. Anders als zum Beispiel beim Schach, das durch seine Regeln relativ begrenzte Möglichkeiten bietet seine Figuren zu bewegen (pro Zug gibt es im Mittel rund 35 Entscheidungsmöglichkeiten), sind beim Go etwa 250 unterschiedliche Optionen pro Zug möglich. Alle möglichen Szenarien bis zum Ende des Spiels mit einer Brute-Force-Methode auszurechnen, ist so praktisch unmöglich: Ein Go-Spiel kann 1,7*10170 mögliche Spielbrettstellungen annehmen, was die Zahl der Atome im Universum bei weitem überwiegt (hier gehen Annahmen „lediglich“ bis zu 1089). Aus diesem Grund setzten wohl selbst Experten bei diesem Wettstreit zwischen Mensch und Computer auf den Menschen. Allerdings besiegte AlphaGo den Südkoreaner Lee Sedol in fünf Matches deutlich mit 4:1.

Das Messen von Computern mit Menschen auf dem Spielfeld hat Tradition: 1997 besiegte der Supercomputer Deep Blue von IBM den Schachweltmeister Garri Kasparow. In 2011 war dann Jeopardy an der Reihe, hier setzte sich ein weiterer IBM-Computer namens Watson gegen zwei menschliche Quizmeister durch.

AlphaGo arbeitet mit Neuronalen Netzen

Doch bei AlphaGo ist dieses Mal ein entscheidendes Detail anders. Während Deep Blue und Watson speziell von Programmierern für diese Wettkämpfe vorbereitet wurden, hat AlphaGo sich das Spiel von Grund auf selbst beigebracht. Zunächst studierte das Programm rund 30 Millionen Spielpositionen und Züge von menschlichen Spielern aus einer Datenbank. Dann spielte es einige Millionen Spiele gegen sich selbst und schließlich auch gegen andere Go-Programme (mit einer Siegesbilanz von 99,8%). Dieses autonome Lernverhalten hat die Maschine beim Menschen selbst abgeguckt.

Die Algorithmen von AlphaGo beruhen auf  dem Prinzip der Monte Carlo Tree Search und auf sogenannten Neuronalen Netzen – Strukturen, die dem menschlichen Nervensystem nachgebildet sind. Auf Neuronalen Netzen beruhende künstliche Intelligenz lernt also wie ein Mensch und könnte diesen sogar in Zukunft bei dieser Fähigkeit übertreffen. AlphaGo besteht aus zwei unterschiedlichen neuronalen Netzen: Einem, das sinnvolle Spielzüge vorschlägt, und einem weiteren, welches diese Züge bewertet, indem es den wahrscheinlichen Ausgang des Spiels vorhersagt.

Neuronale Netze im Operations Research

Klar ist, dass sich Neuronale Netze grundsätzlich auch für Anwendungen eignen, die nicht mit Gesellschaftsspielen zu tun haben. Im Grunde geht es ja beim Spiel Go letztendlich darum, aus einer unglaublichen Fülle von Möglichkeiten eine optimale Entscheidung für den nächsten Zug zu treffen. Google will die gewonnenen Erkenntnisse zum Beispiel für autonomes Fahren, medizinische Forschung oder Klimavorhersagen einsetzen. Da stellt sich die Frage: Wie sieht es mit dem Einsatz von Neuronalen Netzen im Operations Research aus, z.B. für Prognosetechniken? Die meisten heute im Einsatz befindlichen Prognosealgorithmen für Entscheidungen im Bereich Supply Chain, Produktion oder auch Betrugserkennung setzen auf eher klassische statistische Methoden. Zwar wird auch hier im Bereich Neuronaler Netze geforscht – in den letzten 20 Jahren sind mehr als 5000 wissenschaftliche Publikationen zu diesem Thema erschienen – aber einen Durchbruch hat es noch nicht gegeben. In einem Algorithmen-Wettbewerb (der NN3 Competition), dessen Ergebnis 2011 veröffentlicht wurde, konnten sich die klassischen Methoden gegen die Neuronalen Netze weitgehend behaupten.

Für einige Anwendungsfälle scheinen andere etablierte Methoden wie die Fuzzy Logic auch einfach besser geeignet zu sein. Neuronale Netze müssen lernen und brauchen dementsprechend wiederholten Input. Bei der Betrugserkennung kann aber z.B. ein Mensch beim ersten Auftreten eines neuen Betrugsmusters sehr schnell und einfach eine entsprechende Regel formulieren, die sofort wirksam ist. Ein Programm, welches auf neuronalen Netzen beruht, müsste dieses Muster erst einige Male beobachten, um es als neue Regel identifizieren und umsetzen zu können. Bis dahin könnte aber schon größerer Schaden entstanden sein.

Fazit

AlphaGo hat mit seinem Sieg über Lee Sedol sicherlich einen Meilenstein gesetzt und gezeigt, wozu künstliche Intelligenz heute schon fähig ist. Zwar scheinen die Neuronalen Netze im Bereich des Operations Research noch keinen deutlichen Mehrwert zu bieten, aber vielleicht ist es auch hier nur eine Frage der Zeit, bis sie gegenüber den klassischen statistischen Methoden aufgeholt haben. Bis vor kurzem hätte sich auch niemand vorstellen können, dass eine Maschine einen Großmeister im Go schlägt.

Vielleicht träumen dann auch bald Prognosealgorithmen von elektrischen Schafen, wer weiß?



Diese Beiträge könnten Sie auch interessieren

Absatzplanung - Drei Gründe, warum Ihr ERP-System nicht genügt

Lesen

Bestandsmanagement im Wandel – neue Aufgaben für die Disposition

Lesen

Bestandsmanagement - Drei Gründe, warum Ihr ERP-System nicht genügt

Lesen

Über den Autor

  • Kai Keppner

    Kai Keppner arbeitet seit 2008 für die INFORM GmbH und schreibt hauptsächlich zu den Themen Absatzplanung, Bestandsoptimierung und Stichprobeninventur.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben