Was Algorithmen und Künstliche Intelligenz unterscheidet

Mathematische Optimierung ist einer der ältesten Teilbereiche der Künstlichen Intelligenz. Sie basiert auf Erfahrung und Intuition, auf „menschlichen“ Planungsregeln. In der Absatzplanung des Handels müssen Disponenten zum Beispiel täglich hunderte und tausende Artikel überblicken, deren Bevorratung, Lieferbedingungen, Lieferzeiten und viele weitere ergänzende Faktoren wie Haltbarkeitsdaten oder Saisonalitäten, um täglich die Frage zu beantworten: Was soll ich heute bei wem in welcher Menge bestellen?

Zur Priorisierung und Optimierung stehen Disponenten täglich Milliarden verschiedener Kombinationen offen, die sie so präzise wie möglich einschränken wollen. Schließlich will niemand lediglich die ungefähr benötigte Menge auf Lager haben, sondern die exakt richtige - unter anderem, um Kapital nicht unnötig zu binden oder etwa Lebensmittel nicht zu verschwenden, wenn sie ablaufen.

Problemlösung mithilfe von Algorithmen

Die Mathematische Optimierung geht in drei Schritten vor: Die Formulierung eines realen Problems als mathematisches Modell, die Entwicklung von Algorithmen zur Lösung dieser mathematischen Modelle sowie die Entwicklung von Softwareprogrammen, welche die Algorithmen ausführen und die Erstellung der mathematischen Modelle unterstützen. Das bedeutet, diese Modelle umfassen alle der oben genannten Entscheidungsvariablen und viele weitere Nebenbedingungen und gegenseitige Abhängigkeiten der Entscheidungsfaktoren – etwa, wenn ein bestimmter Artikel rabattiert wurde und sich andere dadurch schlechter verkaufen.

Ein guter Algorithmus kann also sehr schnell sehr komplexe Modelle mit unendlich erscheinenden Lösungsräumen untersuchen. Dazu wird - vereinfacht gesagt - fortlaufend ein mathematischer Beweis geführt, der zeigt, dass die beste Lösung für ein Problem im Bereich A und nicht im Bereich B des Lösungsraums liegen muss. Auf diese Weise nähert sich der Algorithmus schrittweise dem bestmöglichen Plan an, zum Beispiel einem Absatzplan. So wird eine optimierte Entscheidung berechnet.

Die beschriebenen Verfahren beruhen auf Experten- und Marktkenntnis, sind also wissensgetriebene Verfahren im Gegensatz zur KI.

Prognosen mithilfe Künstlicher Intelligenz

Unter KI verstehen wir in Ergänzung zu den bereits beschriebenen Verfahren das Machine Learning, also datengetriebene Verfahren. Immer in Ergänzung zum bestehenden Expertenwissen identifizieren die eingesetzten Algorithmen Muster und Korrelationen in unvorstellbar großen Datenmengen. Vorhersagemodelle nutzen diese Erkenntnisse, um Ereignisse zu klassifizieren und Prognosen über Warenmengen oder Lieferzeitpunkte zu erstellen, die dann Eingang in die Entscheidungsmodelle finden. Bei KI geht es also um Prognosen, die auf Datenbasis entstehen.

Branchenprofis als letzte Instanz

Die gesamte Verantwortung Algorithmen zu überlassen, birgt Risiken. Es gibt immer Situationen, in denen die menschliche Expertise und der Überblick über den Markt essenziell sind. Wir nennen dies „Management by Exception“. Ein Beispiel: Ein intelligentes System berücksichtigt externe Faktoren wie die jeweilige Saison oder Verbrauchsmuster wie die Entwicklung des Verkaufs in der Zeit. Darüber hinaus erkennt es starke Trends, wie zum Beispiel das Hinzukommen oder Wegfallen eines Großkunden. Damit spart das Unternehmen Ressourcen, da der Mitarbeiter sich nur um wirklich wichtige Aufgaben kümmern muss.

Worum es sich dabei handelt, unterscheidet sich von Unternehmen zu Unternehmen und von Anwendung zu Anwendung. Allgemein gesprochen, greifen Bestandsmanager und Disponenten nur noch bei Störungen oder in speziellen Ausnahmesituationen ein, zum Beispiel bei Neuartikeln, die erst seit einem kurzen Zeitraum gelistet sind. Hier kann das System vorab noch keine Erfahrungswerte aufbauen.
 
Eine wichtige menschliche Aufgabe ist es, die Korrelationen auf ihre Sinnhaftigkeit zu überprüfen, die eine KI findet. Ein Beispiel aus dem Lebensmitteleinzelhandel: Eine Behauptung könnte hier lauten: „Bei einem Rabatt von zehn Prozent wird die doppelte Menge Wassermelonen verkauft.“ Das klingt erst einmal nach einer denkbaren Schlussfolgerung. Möglichweise herrschten aber zum Zeitpunkt der Verkaufsaktion hochsommerliche Temperaturen und die Wassermelone war für viele Verbraucher die nötige Erfrischung.

Wenn diese Information in der Statistik keine Beachtung findet, könnte die nächste Rabattaktion im Herbst in einer großen Abschrift von Wassermelonen enden. Für die Prognose über den genauen Absatz der Lebensmittel ist es daher enorm wichtig, die richtigen Zusammenhänge als Auslöser für den Verkaufsanstieg zu erkennen. Dabei unterstützen Prognosesysteme durch ihre Fähigkeit, Korrelationen aufzudecken. Der Experte im Hintergrund muss dann jedoch noch beurteilen können, ob es sich auch um die logische Korrelation handelt.