Aus dem Unterricht des CAS Disruptive Technologies mit Dr. Tim Nonner berichtet Jan Eijsten.

Tim arbeitet als Data Scientist bei der Tamedia Data Analytics, ist damit ein Kollege von unserem Studiengangleiter Marcel, und durfte uns einen Morgen lang die Algorithmik näher bringen.

Wer ist dieser Algorithmus genau?

Wir widmen uns den Morgen durch verschiedenen Fragen zum Thema Algorithmus. Welche Entscheidungen können wir automatisieren? Wo erfolgt die Lösungsfindung bereits durch einen Algorithmus (oder wird zumindest dadurch unterstützt)? Die Stunden sind eine Mischung aus verständlicher Mathematik, eher unverständlicher Mathematik, interessanten Beispielen und spannenden Aufgaben.

Das wichtigste Modell welches uns vermittelt wurde ist das folgende:Der Sinn dahinter ist, dass wir nur durch Daten und deren Analyse herausfinden können wie diese in Verbindung miteinander stehen. Durch die Analyse sollte es bei einfacheren Themen möglich sein einen Algorithmus “herauszufinden”, der danach einfacher und schneller Entscheidungen fällen kann. Bei komplexen Aufgaben lassen sich meist auch Algorithmen finden, der Vorgang gestaltet sich aber sehr schwer (siehe Millenium Probleme).

Millennium Probleme

Die sogenannten Millennium Probleme beschreiben offene Probleme auf die, die Mathematik weiterhin eine Lösung sucht. Einzig das Problem “Poincaré Conjecture” konnte durch den Gayle-Shapley Algorithm gelöst werden (Nobel-Preis “for the theory of stable allocations and the practice of market design”). Für den klugen Kopf, der die Lösung zu einem dieser Probleme finden kann, stehen eine Million Dollar bereit (pro Lösung). Es kann sich also durchaus lohnen in der Mathematik-Stunde aufzupassen.

Monty Hall Problem

Danach hat uns Tim anhand eines kleinen Denkspiels aufgezeigt wie Wahrscheinlichkeit und Algorithmik vereint werden können und auch “einfachere” Probleme besser und schneller von Maschinen gelöst werden können. Nachfolgend könnt ihr euch das Youtube-Filmchen gerne anschauen, denn dies macht garantiert den bessern Job das Problem und die Lösung zu erklären als ich!

Cognitive Biases

Ein Vorteil eines Algorithmus ist, dass er objektiv ist und sich nicht gleich beeinflussen lässt wie wir. Diese Beeinflussungen werden Cognitive Biases genannt. Nachfolgend einige Bespiele dafür:

  • Anchoring
    Tendenz den Preis in Verhältnis zu anderen Preisen zu betrachten
  • Disposition
    Etwas das an Wert verloren hat wird ungern verkauft
  • Hot-hand fallacy
    Der Glaube daran, dass etwas, das bereits mehrmals eingetroffen ist, eine höhere Wahrscheinlichkeit hat erneut einzutreffen

Tools for desision making: Master Chart

Um ein Problem zu lösen sollen wir das unten abgebildete Modell verwenden. Initial haben wir ein Problem und stellen uns dann die Frage was passiert is (What). Mit Hilfe einer Analyse versuchen wir dann herauszufinden wieso etwas passiert ist (Why)? Sobald wir wissen wieso etwas eingetroffen ist, können wir auch erahnen was in Zukunft passieren könnte und davon ableiten was gemacht, bzw. wie entschieden werden sollte (How?).

Lösungsmethoden

Im weiteren Verlauf hat uns Tim anhand von interessanten Beispielen aufgezeigt, wie verschiedene Algorythmen angewandt werden können um komplexe Probleme zu lösen. Je nach Problem kann es sich aber auch um ein NP-Problem handeln, ein Problem welches sich nur lösen lässt, indem “Brute force” angewandt wird und jede Kombination durchgetestet wird. Für Probleme die nicht mit “Brute force” gelöst werden müssen gibt es zum Beispiel die folgenden Lösungsmethoden:

  • Local Search
    Man nähert sich der Lösung an und verbessert seine Lösung bis es nicht mehr geht.
  • Dynamic Programming
    Dies funktioniert dann, wenn die Lösung auf ein Problem aus der Lösung vieler kleiner Teilprobleme besteht. Das Problem wird dann in seine Teilprobleme aufgesplittet und zuerst die Lösung für diese vielen kleinen Teilprobleme gesucht. Die optimalen Lösungen der Teilprobleme werden dann zu der optimalen Lösung des Gesamtproblems kombiniert.

Danke Tim für den interessanten Vormittag, ich werde bei “Der Preis ist heiss” ganz sicher an die Lektion und das Monty Hall Problem denken 😉