Deep Qualicision: Lernen von Systemeinstellungen
20.06.2018 - Künstliche Intelligenz, Technologie, Produktion
Im allgemeinen Fall lässt sich Deep Qualicision dazu einsetzen, aus Einzelrankings effizient multikriterielle Rankings unter konsistenter Beachtung von Zielkonflikten in zu optimierenden Businessprozessen zu bestimmen. Dabei werden die Prioritäten der Kriterien so erlernt, dass zu beliebigen Rangfolgen von Entscheidungen konsistente Prioritäten automatisch empfohlen werden.
Softwaregestützter Zusammenhang zwischen Rankings und Zielkriterien
Damit lässt sich mit Deep Qualicision der tiefere Zusammenhang zwischen den Rankings und den Zielkriterien softwaregestützt herstellen. Das Prinzip von Deep Qualicision wird im Folgenden anhand einer Kaufentscheidung dargestellt:
Bei den im Beispiel zu modellierenden Entscheidungen geht es darum, für den Kauf eines Autos ein Ranking von Entscheidungsalternativen an Autotypen so zu erstellen, dass das Ranking möglichst viele Kriterien erfüllt, die einem wichtig sind.
Als Auswahlmenge von Autotypen sind Kleinwagen, Coupé, Cabrio, Mittelklasse-Limousine, Oberklasse-Limousine, Großraum-Limousine, Kombi, Sportwagen und Geländewagen vorgesehen. Kriterien, die bei der Entscheidung eine Rolle spielen sind hier günstiger Preis, viel Leistung, günstiger Verbrauch, hohe Familienfreundlichkeit, hohes Prestige und geringe Unterhaltskosten.
Entscheidungen nach Rankings
Bildet man als Kaufentscheider ein Ranking der besagten Autotypen, so sind mit dem Ranking bestimmte Kriterien als Einzelentscheidungsziele verbunden, die durch das Ranking der Autotypen (bewusst oder unbewusst) impliziert werden. Andere Ziele werden dadurch gegebenenfalls indirekt verneint oder außer Acht gelassen.
So tendiert beispielsweise ein Ranking, das den Kleinwagen und den Kombiwagen an den ersten Stellen aufweist eher zu einem günstigen Preis und wenig Verbrauch und eventuell leicht zur Familienfreundlichkeit. Rankings, die den Sportwagen und das Cabrio voranstellen, sprechen eher für viel Leistung und vielleicht für den Wunsch nach etwas mehr Prestige und ignorieren das Kriterium des günstigen Preises. Genau dieser ist dabei sogar in gewisser Weise gänzlich negiert.
Kaufentscheidungsalternativen und Käuferpräferenzen
Die Zusammenhänge zwischen den Autotypen als Kaufentscheidungsalternativen und den Kriterien lassen sich pro Kriterium verhältnismäßig einfach als (einzelkriterielle) Sortierungen nach Käuferpräferenzen bilden. Das Zusammenwirken der Kriterien in Gruppen ist dagegen schon wegen der Vielzahl an Möglichkeiten weitaus schwieriger. Bei den hier vorliegenden 9 Entscheidungsalternativen sind immerhin bereits 9! = 362.880 Möglichkeiten vorhanden, die bei 6 Kriterien auf 6! = 720 Rangfolgen von Kriterien abbildbar sind, wenn man bei den Kriterien eine gleichmäßig abnehmende Kriterienrangfolge annimmt.
Konsistente Rankings trotz hoher Komplexität
Dass diese auch noch komplexer sein kann, wird sofort klar, wenn bedacht wird, dass manche Kriterien gleichwichtig sein könnten und dass die Gleichgewichtung unterschiedlich stark sein kann. Kommt zum Beispiel das vollständige Ausschalten von Kriterien bei den Rangfolgen der Einstellungen hinzu, so ergeben sich bereits 1.956 Möglichkeiten.
Hierbei als Mensch den Überblick zu behalten und konsistente Rankings zu bilden, ist nicht einfach. Unter Verwendung von Qualicision ist es dagegen möglich, aus den einzelkriteriellen Rankings, bei denen die Entscheidungsalternativen nur nach jeweils genau einem der Kriterien sortiert werden, multikriteriell ca. 300 Rankings effizient zu berechnen. So kann eine Balancierung der Zielkonflikte in möglichst konsistenter Art und Weise erfolgen.
Zielkonflikte erfordern Entscheidungsintelligenz
Dass die Zielkonflikte nicht per se gleichmäßig verteilt sind und somit Entscheidungsintelligenz erfordern, lässt sich an der Verteilung der Entscheidungsrankings in Abhängigkeit von den Prioritäten der Entscheidungskriterien erkennen. Im Ergebnis liefert Deep Qualicision zu einzelnen Zielprioritäten gelernte, zu den Zielkonflikten und -gleichläufigkeiten, passende und damit konsistente Prioritätenbelegungen für die vorliegenden Ziele.
Deep Qualicision mit weitem Anwendungsspektrum
Das Anwendungsspektrum von Deep Qualicision ist weit gefächert: Die Perspektive ist, dass in Zukunft auf Qualicision beruhende Optimierungslösungen mittels Deep Qualicision ihre eigene Parametrierung automatisch lernen können. Arbeiten in dieser Richtung sind in vollem Gange. Das Fernziel ist, dass das Deep-Qualicision-Prinzip auch dazu genutzt wird, in den Inputdaten der Businessprozesse Zusammenhänge nicht nur wie bisher automatisch zu erkennen, sondern daraus zusätzlich gezielte Deep Qualicision-Einstellungen der Zielprioritäten ebenfalls automatisch aus repräsentativen Inputdaten zu lernen.
Selbstjustierende Optimierungsvorgänge
Mit dem angestrebten Verfahren kann Deep Qualicision dann selbstjustierende Optimierungsvorgänge entscheidungskonsistent auch bei stark wechselnden Konstellationen von Prozessinputdaten behandeln, wie es beispielsweise im Falle der Optimierung von Produktionsreihenfolgen in Abhängigkeit ständig wechselnder Auftragsmengen und Auftragszusammensetzungen erforderlich ist.
Dr. Rudolf Felix, Geschäftsführer PSI FLS Fuzzy Logik & Neuro Systeme GmbH
