Algorithms and friends
Oktober 27, 2017
Aus dem Unterricht des CAS Disruptive Technologies mit Dr. Tim Nonner berichtet von Andreas Haller:
Dr. Tim Nonner konnte bereits zu Unterrichtsbeginn ein Lächeln ins Gesicht der Studentinnen und Studenten zaubern. Folglich erklärte er, dass dies kein technischer Vortrag über Algorithmen werden wird, sondern sich alles in Anwendung befindet und wir einzelne Cases selber ausprobieren werden.
Besonders relevant war die erste wichtige Erkenntnis, dass das Thema Algorithmic Decision Making sehr berechtigt seinen Platz im CAS Disruptive Technologien hat. Obwohl es sich im eigentlichen Sinne nicht um eine disruptive neue Technologie handelt. Algorithmen existieren bereits seit Jahrzehnten und sind demnach keine neuartige Anwendung. Es ist aber vor allem bemerkenswert, was man alles damit tun kann.
Kurze Begriffserklärung (nach Wikipedia und den Ausführungen von Dr. Tim Nonner):
Ein Algorithmus ist eine eindeutige Handlungsvorschrift zur Lösung eines Problems oder einer Klasse von Problemen. Algorithmen bestehen aus endlich vielen, wohldefinierten Einzelschritten. Damit können sie zur Ausführung in einem Computerprogramm implementiert, aber auch in menschlicher Sprache formuliert werden. Bei der Problemlösung wird eine bestimmte Eingabe in eine bestimmte Ausgabe überführt. Man findet somit eine automatisierte Entscheidungsfindung statt.
An mehreren Beispielen konnten wir die Vorteile des Algorithmic Decision Making erfahren und besser kennenlernen. Die Vorteile sind:
- schneller
- Entscheidung wird besser resp. optimaler
- wäre zu viel Aufwand für eine Person
- Maschine ist besser und schneller
- weniger politisch
- weniger Intuition und Vorurteile.
Nun kommen wir zum eigentlich Instrument für Decision Making. Anhand dem nachfolgenden Master Chart wird gut ersichtlich, wie der 3-Schritte-Prozess abläuft.
Im ersten Schritt (Descriptive) schauen wir zuerst in die Vergangenheit zurück und überlegen uns, was wäre wenn („what if“). Im nächsten Schritt versuchen wir mit verlässlichen Daten Ableitungen für die Zukunft vorherzusagen (Predictive: „why“). Denn im dritten und letzten Schritt will man sich so verhalten („how“), dass man sich in der Zukunft verbessern kann (Prescriptive).
Die 3 Teile oder Schritte sind unabhängig von der Projektgrösse. Viele der Projekte befinden sich im deskriptiven Bereich.
Man kann die Projekte aufgrund des Levels der Entscheidung in strategische, taktische oder operationale Dimensionen aufteilen.
In der Dimension von „Operational“ kommen z.B. Echtzeitempfehlungen durch Maschinen zur Anwendung. In der Taktik Dimension sind dies vermehrt Wiederholungen (von z.B. Prozessen). Die „strategische“ Dimension umfasst die eigentlichen Ziele wie z.B. ein Wochenplanziel.
Gerne fasse ich noch gewisse Erkenntnisse und Lehren aus den angewendeten Fällen zusammen.
Aus Case 1: Mitarbeitende auf Projekte zuteilen
- Die Zuteilung der Kompetenzen auf die Mitarbeitenden ist eine typisch descriptive Anwendung.
- Matching mit Personen ist immer anspruchsvoll. Dabei einen Algorithmus anzuwenden (z.B. Algorithmus the gayle-shapley), hilft insbesondere, um (menschliche) Vorurteile weg zu bedingen.
- Learning I: hätten wir keinen gut strukturierten Algorithmus, bräuchten wir oft Jahre für die Zuordnung.
- Mit dem Local Search, ein weiterer Matching Algorithm, beginnt man zuerst mit einer Lösung, welche man laufend ändert und man sich dadurch aber laufend verbessert.
Aus Case 2: Pricing & Revenue Management
- Wird bei Flugbuchungen, Hotels und Restaurant Reservationen, bei Supermärkten und vielen mehr angewendet.
- Ziel ist es z.B. bei Flugbuchungen, herauszufinden, wer einkauft (Business Kunde, Privat-Person), um möglichst passende Vorschläge (auf Saison achten, Wochenende vs. Wochentags usw.) anzubieten und die maximalen Revenue (Einkünfte) zu erzielen.
- Mit Sampling besteht eine Anwendung, mit welcher nur gewisse wenige Daten herunter genommen werden und diese dann gemessen werden.
  |
|
Aus Case 3: Inventory Management
- Wird im Bereich von Lager und Logistik angewendet.
- Ziel ist es, die Bestellungen und das Lagern des Materials zu optimieren.
- Gründe für Lagerhaltung sind teilweise lange Lieferzeiten, günstig einkaufen (grosse Volumen), Zwischenlagerung und eigene Verfügbarkeit.
Was wir aus dem Modul gelernt haben:
