Digital Decision Making

Unsere Software baut auf umfangreichen Erfahrung in vielen Gebieten der künstlichen Intelligenz (KI) auf – von optimierter Planung über Wissensrepräsentation und -deduktion bis zum maschinellen Lernen. Mit Hilfe dieser Techniken sind unsere Systeme in der Lage, grundlegende Aufgaben auf eine Weise zu lösen, die üblicherweise menschlicher Intelligenz zugeschrieben wird. Dabei nutzen sie einen hybriden Ansatz:

• Expertenwissen über Geschäftsprozesse und -muster sowie Ziele und Restriktionen bilden die Grundlage digitaler Entscheidungsmodelle zur optimierten Planung. Diese Modelle werden durch KI-Verfahren wie Constraint Programming und Methoden der mathematischen Optimierung gelöst: Eine systematische Suche in unvorstellbar großen Entscheidungsräumen wird dabei mit intelligenten Techniken zur Suchreduktion kombiniert, so dass sehr schnell Entscheidungsmöglichkeiten gefunden werden.
• Maschinelles Lernen ergänzt die auf Expertenwissen beruhenden Modelle. Dazu erkennen Techniken aus den Gebieten Data Science, Data Mining und Predictive Analytics entsprechende Muster und Korrelationen in großen Datensätzen. Vorhersagemodelle nutzen diese Erkenntnisse, um Ereignisse zu klassifizieren und Prognosen über Mengen, Zeitpunkte und Dauern zu erstellen, die dann Eingang in die Entscheidungsmodelle finden.

Operations Research (OR) nutzt hochentwickelte analytische Methoden und Algorithmen, um bessere Entscheidungen zu treffen.

Mit Hilfe von Techniken wie der mathematischen Modellierung und Optimierung kann OR den gesamten Entscheidungsspielraum einer Aufgabenstellung mit allen Zielen und Rahmenbedingungen beschreiben und in kürzester Zeit den Weg zur besten Entscheidung weisen. Dazu durchsuchen OR-Algorithmen eine riesige Menge an Optionen und nutzen mathematische Einsichten in die Aufgabenstruktur, um schnell und effektiv zu den besten Lösungen zu gelangen. Das funktioniert auch dann, wenn die Entscheidungssituationen unübersichtlich werden und die Möglichkeiten menschlicher Intuition übersteigen.

In Kombination mit maschinellen Lernverfahren, die datenbasierte Prognosen treffen, nutzt die OR Daten auf die wertvollste Art und Weise: für optimierte Entscheidungen.

"Traditionelle Logik setzt voraus, dass alle Aussagen präzise sind. Sie ist deshalb für dieses Leben nicht geeignet, sondern nur für einen imaginären, überirdischen Idealzustand." [Bertrand Russell]

Basierend auf der Forschung unseres Firmengründers H.J. Zimmermann - Empfänger des angesehenen IEEE Fuzzy Systems Pioneer Award - nutzen wir Fuzzy Logic, um auch aus ungenauen oder unsicheren Informationen die richtigen Entscheidungen abzuleiten.

In der traditionellen bivalenten Logik ist jede Aussage entweder wahr oder falsch, ohne eine Abstufung zwischen diesen Werten. Im Gegensatz dazu erlaubt die Fuzzy Logic eben solche Zwischenwerte. So eignet sie sich, um unscharfe, linguistische Informationen abzubilden, und ist nicht auf messbare, numerische Informationen beschränkt. Entscheidungen werden ähnlich zum menschlichen Vorgehen gefällt. Jeder von uns trifft regelmäßig unscharfe Entscheidungen, etwa beim Parken eines Autos. Statt eine Parklücke auszumessen, schätzen wir ihre ungefähre Größe und entscheiden, ob das Auto hineinpasst.

Fuzzy Logic ist ein wissenschaftlicher Ansatz, mit dessen Hilfe unsere menschliche Fähigkeit, auch aus unscharfer Information die richtigen Schlussfolgerungen zu ziehen, in Software umgesetzt werden kann.

Daten sind ein entscheidender Rohstoff für die digitale Ökonomie des 21sten Jahrhunderts. Wie andere Rohstoffe auch müssen sie aufbereitet und verfeinert werden, um die Algorithmen zu befeuern, mit denen zusammen sie ihren vollen Nutzen entfalten können.

Beim maschinellen Lernen geht es genau um diese Verfeinerung. Die Technologie nutzt Konzepte und Techniken aus Mathematik, Statistik und Informatik, um Strukturen und Muster in Daten zu untersuchen und Beziehungen und Verbindungen zu entdecken, mit deren Hilfe verlässliche Prognosen möglich werden.

Maschinelles Lernen ist ein vielstufiger Prozess. Er reicht von der Datenaufbereitung (Harmonisierung, Transformation und Anreicherung), der Auswahl der Erklärungsvariablen über das Training und die Evaluation der Modelle bis zur Ausführung und zum Monitoring der Prognosemodelle in anspruchsvollen Echtzeitumgebungen.

Neben der Qualität der Vorhersage steht dabei immer auch die Nachvollziehbarkeit und Interpretierbarkeit der Modelle im Fokus.