Computational Intelligence (CI) ist ein Unterbereich der Künstlichen Intelligenz und konzentriert sich vor allem auf drei Arten von Ansätzen: Fuzzy-Logik, künstliche neuronale Netze und evolutionäre Algorithmen (Evolutionary Computation). Gemein haben alle drei Ansätze, dass sie sich vor allem auf Problemlösungsmöglichkeiten aus der Natur konzentrieren und mit komplexen und oft vage definierten Problemstellungen umgehen können.
Eine Renaissance erfahren hat – dank «Deep Learning» – vor allem das in die 1950er-Jahre zurückreichende Gebiet der neuronalen Netze im Rahmen von Internet basierten Anwendungen. Fuzzy-Logik beruht auf der Idee, dass «Wissen» oft nicht präzise ausgedrückt werden kann, und hat vor allem seit den 1990er-Jahren zahlreiche, oft auch technische Anwendungen erlebt. Evolutionäre Algorithmen haben ebenfalls eine über fünfzigjährige Tradition und wurden vor allem in den letzten zwei Jahrzehnten um zahlreiche Algorithmen der Schwarmintelligenz erweitert. Diese Verfahren sind unter anderem in der Lage, schwierige Optimierungsprobleme, wie sie oft in betrieblichen Zusammenhängen auftreten, zu lösen. So werden sie etwa eingesetzt in der Standortplanung und Netzwerkoptimierung, in der Routenplanung für Transporte, in der Produktionsplanung und allgemein in der Planung von Abläufen (Scheduling). Darüber hinaus werden der CI weitere Ansätze aus dem Gebiet des maschinellen Lernens, der probabilistischen Methoden oder andere Ansätze aus der Optimierung, vor allem die sogenannten Metaheuristiken, zugeordnet.
Ausbildung mit Mehrwert
Studierende in den dafür relevanten Studiengängen erhalten heutzutage aufgrund des sehr umfangreichen Basiswissens häufig keinen tieferen Einblick in diese Gebiete. Einige Themen wie neuronale Netze werden in technischen Studiengängen am Rand behandelt, andere Unterbereiche der CI fehlen bisweilen ganz. Das Wissen über Optimierung ist beispielsweise häufig auf lineare Programmierung und den aus den 1950er-Jahren stammenden Simplex-Algorithmus beschränkt. Aus diesem Grund und gerade auch, weil vielen der entsprechenden Ansätze im Zusammenhang mit Internet basierten Diensten und Big Data eine zunehmend wichtigere Rolle zugewiesen wird, wollten wir zumindest im Masterstudiengang «Business Information Systems» die Grundlagen zu den entsprechenden Techniken vermitteln und, soweit möglich, die Studierenden an den aktuellen Stand der Forschung heranführen.
Im Jahr 2009 wurde der Master-Studiengang «Business Information Systems» an der Hochschule für Wirtschaft FHNW in Olten eingeführt. Seither werden Studierende in Methoden der Computational Intelligence unterrichtet. In der Lehrveranstaltung «Optimization for Business Improvement» erhalten diese einen Einblick in die vielfältigen Techniken der CI. Allerdings legen Prof. Dr. Rolf Dornberger, Leiter des Instituts für Wirtschaftsinformatik, und ich dabei einen Schwerpunkt auf evolutionäre Algorithmen und Methoden der Schwarmintelligenz, da diese aus unserer Sicht bislang noch unzureichend in praktische Problemlösungen und entsprechende Anwendungssoftware eingeflossen sind. Da sie auch für schwierige Planungs- und Optimierungsprobleme hinreichend gute Lösungen liefern können, erwarten wir ein grosses Potenzial in zukünftigen Anwendungen.
In den Code eintauchen
Einen Algorithmus zu vermitteln ist schwierig, besonders, wenn dieser komplex ist und vielleicht das zu lösende Problem ebenfalls umfangreicher Spezifikationen und Anpassungen des Algorithmus bedarf. Erschwerend kommt hinzu, dass viele unserer Studierenden keinen vertieften Informatik-Background haben, sondern etwa einen Bachelorabschluss in einem ökonomischen Studiengang mitbringen. Es ist dabei unerlässlich, sich näher mit den Algorithmen zu beschäftigen und diese nicht als «Black Box» zu behandeln. Vor allem ist es meistens notwendig, die Algorithmen an die spezifischen Probleme, die zu lösen sind, anzupassen, sei es mittels Modifikationen im Programmcode oder Bestimmung von Parameter-Werten.
Aus diesem Grund und auch, weil wir nah am Stand der aktuellen angewandten Forschung bleiben wollen, zielt die Lehrveranstaltung darauf ab, dass sich die Studierenden in Gruppen selbstständig mit ausgewählten Problemen aus Wirtschaft und Technik auseinandersetzen und geeignete Lösungsverfahren implementieren, anpassen, verbessern und evaluieren. Konkret gesagt, erhalten die Studierenden in der Regel einen aktuellen wissenschaftlichen Artikel, in den sie sich einarbeiten und den Lösungsansatz, üblicherweise mit Modifikationen, nachimplementieren sollen. Oder eine aktuelle Problemvariante soll mit einem bislang dafür noch nicht erprobten Verfahren gelöst werden, das entsprechend angepasst werden muss. Mittels anwendungsorientierter Forschung können bisweilen konkurrenzfähige neue Lösungsvarianten entwickelt werden, aber es ist oft schon hilfreich zu wissen, dass ein vielleicht interessant erscheinender Lösungsweg doch nicht so gut funktioniert.
Praxisnähe zahlt sich aus
Diese Lehrveranstaltung wird nun bereits neun Jahre in unterschiedlichen, ständig aktualisierten Varianten hinsichtlich der Inhalte, Aufgabenstellungen und Prüfungen durchgeführt. Als Fazit können wir festhalten, dass der Lernerfolg für die Studierenden deutlich höher ist, wenn sie eine anspruchsvolle Fragestellung selbstständig umsetzen sollen. Das Lernkonzept führt also zu einem besseren Verständnis der entsprechenden Probleme und Verfahren verglichen mit einer herkömmlichen Lehrveranstaltung. Darüber hinaus sind aus einer relativ grossen Anzahl dieser studentischen Arbeiten auch wissenschaftliche Publikationen oder weitergehende Arbeiten wie Master-Thesen hervorgegangen. Bislang wurden 15 von 56 studentischen Arbeiten (nach Nacharbeitung durch uns beide Dozierende) an internationalen Konferenzen vorgetragen und publiziert, zuletzt am 6th International Symposium on Computational and Business Intelligence 2018 in Basel.
In der Lehrveranstaltung selbst ist es nicht möglich, konkrete betriebliche Probleme vollständig zu lösen. Diese erfordern in der Regel einen wesentlichen Zusatzaufwand bei der genauen Ermittlung des Problems, bei der Nutzung betrieblicher Daten und der Einbindung in vorhandene Informationssysteme. Solche konkreten Fragestellungen wurden aber in verschiedenen Master-Arbeiten angegangen. Tatsächlich wurden mit einzelnen Unternehmen Lösungen für schwierige Planungsprobleme erarbeitet, etwa für die Nachfrageprognose bei Ersatzteilen und die Planung von Sicherheitsbeständen, für die Routen-Planung bei einem Transport Service Provider, für das Maintenance-Scheduling im Luftverkehr, für das maschinelle Lernen in einem Workflow-Management-System oder für die Planung von Flugverbindungen (itinerary construction).
Für die Studierenden ist es immer eine grosse Motivation, ein anspruchsvolles Problem in einer kleinen Gruppe erfolgreich lösen zu können, und die Aussicht auf eine anerkannte wissenschaftliche Publikation vergrössert den Ansporn noch. Obgleich die Lehrveranstaltung für viele Studierende anspruchsvoll ist, besonders für diejenigen mit einem weniger technischen Hintergrund, ist der Lernerfolg zumeist gut und die Akzeptanz der entstandenen Arbeiten bei internationalen Konferenzen unterstützt diese Einschätzung.
