Forecasting

Staffel 1· 3. Dezember 2019· 1729

Episoden-Cover: Forecasting
0:001729
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Jago (Moderator)Host des Erium Podcasts

Überblick

In dieser Folge des Erium Podcasts dreht sich alles um das Thema Forecasting – also die datengetriebene Vorhersage zukünftigen Verhaltens. Dr. Theo Steininger erklärt, wie Machine Learning und Expertenwissen kombiniert werden, um in ganz unterschiedlichen Bereichen – von der Industrie bis zum Konsumverhalten – verlässliche Vorhersagen zu treffen. Dabei geht es auch um die Frage, wie viel große Konzerne über ihre Kunden wissen und welche gesellschaftlichen Implikationen das hat.

Zusammenfassung

Machine Learning als knallharte Statistik – keine künstliche Intelligenz im Science-Fiction-Sinne

Theo Steininger stellt klar, dass Machine Learning und Artificial Intelligence zwei grundlegend verschiedene Konzepte sind. Machine Learning bedeutet im Kern, eine Kurve oder Fläche zu finden, die Datenpunkte unter einer gewissen Unsicherheit am besten beschreibt – also angewandte Statistik. Strong AI, die einem menschlichen Geist entspräche, ist davon meilenweit entfernt. Diese Klarstellung ist wichtig, um realistische Erwartungen an Forecasting-Modelle zu entwickeln.

Erium-Ansatz: Kombination aus Expertenwissen und Daten statt reiner Black Box

Ein zentrales Thema der Folge ist, wie Erium mit seiner Software Halerium komplexe industrielle Prozesse modelliert. Da die Erhebung von Daten in der Realwelt oft sehr teuer ist, reicht ein rein datengetriebener Ansatz mit neuronalen Netzen häufig nicht aus. Stattdessen werden Experten interviewt, ihr Prozesswissen mathematisch abstrahiert und bekannte Naturgesetzmäßigkeiten – etwa das Ohmsche Gesetz – in das Modell integriert. Die unbekannten Größen werden dann aus verfügbaren Daten trainiert.

Dieses Vorgehen erlaubt es, auch bei kleinen Datenmengen robuste Vorhersagen zu treffen. Neuronale Netze sind zwar hervorragende Funktionsapproximatoren, stoßen aber ohne ausreichend Daten schnell an ihre Grenzen. Erium empfiehlt daher allen Praktikern, sich nicht nur auf Datenanalyse zu konzentrieren, sondern vor allem auf die Menschen, die hinter den Daten stehen.

Predictive Maintenance und Absatzplanung: Klassiker mit echter Komplexität

Als industriellen Klassiker nennt Theo Steininger Predictive Maintenance, etwa bei der Deutschen Bahn. Die Kernfrage lautet: Riskiert man es, einen Zug loszuschicken, der unterwegs einen Defekt erleidet – oder fährt man ihn vorsorglich ins Wartungszentrum, obwohl das Kosten und logistischen Aufwand bedeutet? Gute Ausfallvorhersagen für einzelne Komponenten können hier enormen wirtschaftlichen Wert schaffen.

Noch komplexer wird es bei der Absatz- und Ressourcenplanung in Zulieferketten. OEMs in der Automobilindustrie ändern kurzfristig ihre Bestellmengen, was Zulieferer in eine Zwickmühle bringt: Zu viel produzieren bindet Kapital, zu wenig produzieren riskiert den Auftragsverlust. Hinzu kommen technische Verschränkungen – etwa wenn ein verschlissener Fräskopf dazu führt, dass Bauteile aus anderen Auftragsreserven entnommen werden. In solch komplexen Szenarien ist ein computergestütztes Forecasting-System unverzichtbar.

Der gläserne Mensch: Datenschutz und gesellschaftliche Verantwortung

Theo Steininger reflektiert offen über die Kehrseite mächtiger Datenauswertung. Er verweist auf reale Beispiele – etwa dass große Datenaggregatoren in der Lage waren, Schwangerschaften zu erkennen, bevor die Frauen selbst davon wussten – sowie auf den Roman 'NSA' von Andreas Eschbach, der zeigt, wie Kaufverhaltensdaten zur Identifikation von Personen missbraucht werden könnten.

Sein persönliches Fazit: Was einmal online ist, ist für alle Zeiten und potenziell für jeden verfügbar. Deshalb teilt er nur Informationen, bei denen er kein Problem damit hätte, wenn sie jeder auf der Welt kennen würde. Besonders sensibel geht er mit Fotos seiner Kinder um, da er der Meinung ist, dass biometrische Daten verknüpft mit Namen eine freie Entscheidung der Betroffenen bleiben sollten.

Praxisübung: Das Titanic-Dataset als Einstieg ins Forecasting

Zum Abschluss der Folge wird ein praktisches Jupyter-Notebook vorgestellt, das in den Shownotes verlinkt ist. Anhand des bekannten Titanic-Datensatzes – mit Merkmalen wie Alter, Geschlecht, Kabinenposition und Ticketklasse – können Hörerinnen und Hörer selbst ein neuronales Netz trainieren, das vorhersagt, ob ein Passagier überlebt hätte. Ein niedrigschwelliger Einstieg, um Forecasting-Konzepte hands-on zu erleben.

Kernaussagen

  • Machine Learning ist angewandte Statistik zur Mustererkennung – kein denkender Computer und weit entfernt von echter künstlicher Intelligenz.
  • Die Kombination aus Expertenwissen und Daten ist oft mächtiger als rein datengetriebene Ansätze, insbesondere wenn Daten knapp oder teuer sind.
  • Forecasting ist branchenübergreifend anwendbar – der gemeinsame Nenner ist stets ein System, dessen zukünftiges Verhalten vorhergesagt werden soll.
  • Soziologische Phänomene wie Trenddynamiken oder kollektives Kaufverhalten erfordern eigene Modellierungsansätze, die über reine Datenextrapolation hinausgehen.
  • Predictive Maintenance und Absatzplanung gehören zu den wertvollsten industriellen Anwendungsfeldern, weil sie direkt Kosten und Risiken beeinflussen.
  • Wer den Chaosgrad eines Systems kennt, weiß, wie weit Vorhersagen mit akzeptabler Unsicherheit reichen können.
  • Einmal online geteilte Daten sind dauerhaft und potenziell global verfügbar – ein bewusster Umgang damit ist essenziell.

Fazit

Die Folge macht deutlich, dass Forecasting weit mehr ist als ein technisches Werkzeug – es ist ein universelles Denkprinzip, das in Industrie, Finanzmärkten, Mode und Gesellschaft gleichermaßen Anwendung findet. Der Schlüssel zum Erfolg liegt nicht allein in Daten oder Algorithmen, sondern in der klugen Kombination aus domänenspezifischem Expertenwissen und moderner Statistik. Gleichzeitig mahnt die Folge zur Reflexion über die gesellschaftliche Verantwortung, die mit mächtigen Datenauswertungsmethoden einhergeht.

Für Data Scientists und ML-Praktiker

Der Ansatz, Expertenwissen explizit in Modelle zu integrieren statt allein auf neuronale Netze zu setzen, ist besonders wertvoll bei kleinen Datenmengen. Overfitting und die Balance zur Regularisierung bleiben zentrale Herausforderungen, die durch hybride Modelle entschärft werden können.

Für Führungskräfte in Industrie und Supply Chain

Predictive Maintenance und datengestützte Absatzplanung bieten konkretes Einsparpotenzial und Risikominimierung – besonders in volatilen Lieferketten. Der Einsatz von KI-gestütztem Forecasting lohnt sich dort am meisten, wo Entscheidungen unter Unsicherheit hohe wirtschaftliche Konsequenzen haben.

Für alle Internetnutzer

Die Folge sensibilisiert dafür, wie viel aus scheinbar harmlosen Verhaltensdaten ableitbar ist. Ein bewusster Umgang mit dem, was man online teilt, ist keine Paranoia, sondern eine informierte Entscheidung.

Volltranskript anzeigen

Speaker0: Wie schaffen es große Verkaufskonzerne, die Daten ihrer Kunden zu nutzen, zukünftiges Käuferverhalten zu bestimmen? Wie das geht und welche vielfältigen Möglichkeiten Machine Learning im Bereich bietet, erfahrt ihr in dieser neuen Folge vom Ihremeom Podcast. Herzlich willkommen zu 1 neuen Ausgabe vom Erregung Podcast. Bei mir ist wieder der Theo. Hallo Jaguar. Super, dass Du da bist, freut mich. Direkt die 1. Sehr, sehr freche Frage an dich, bist Du ein Wahrsager? Und kannst Du mir die Lottozeile der nächsten Woche verraten? Schön wär's. Schön wär's, oder? Auf jeden Fall, schön wär's. Vielleicht auch eine interessante Frage, ob man damit noch mehr Geld machen könnte, wenn man quasi diese Information verkauft.

Speaker1: Wahrscheinlich. Auf der anderen Seite ist es natürlich erstaunlich, was heute mit Datenauswertung möglich ist. Ja. Einige von den Zuhörern haben's vielleicht damals gelesen, dass Google, Facebook, sprich die großen Datenaggregatoren durchaus in der Lage sind, vor den Frauen selbst herauszufinden, wann die Frauen schwanger sind. Okay, wow. Und die per Hand gegensteuern mussten und den Frauen nicht dann schon zu früh Glück Werbung, ja, Glückwünsche und Werbung für Umstandskleidung zeigen. Das war 'n bisschen komisch,

Speaker0: aber das zeigt schon, wie mächtig die Technologie mittlerweile geworden ist. Ja, Wahnsinn. Also es hat sich vielleicht schon aus den vorherigen Folgen rauskristallisiert, aber vielleicht einmal, um's noch mal klipp und klar zu sagen, bei Machine Learning ist es nicht so, dass nicht so direkt, dass eine Maschine 'n komplett eigenes Gehirn kriegt und damit arbeiten dann, sondern das ist einfach knallharte Statistik, auf der dann auf derer basierend dann Vorhersagen getroffen werden.

Speaker1: Ganz genau. Also Machine Learning und Artificial Intelligence sind aus meiner Sicht 2 völlig verschiedene Paar Schuhe. Mhm. Wenn Du die Begriffe ernst nimmst, dann ist, ich zitier dann einen Kollegen aus, Garching hier. Ja. Machine Learning. Ja. Das heißt, Du versuchst die Kurve oder in höheren Dimensionen die Fläche zu finden, die Datenpunkte am besten beschreibt im Rahmen, 1 gewissen Unsicherheit und Artificial Intelligence. Es gibt die Unterscheidung Strong ai, Week ai, aber spätestens die Strong ai ist auf jeden Fall dann noch mal Meilen weit davon entfernt. Okay. Einfach nur von Punkte verbinden.

Speaker0: Kannst Du kurz zur Aufklärung, das Thema der Folge ist, in welchem Kontext ist hier gemeint? Also speziell in welchen Bereichen wird hier irgendetwas vorhergesagt?

Speaker1: In unserem Rahmen soll bedeuten, man nehme ein System, egal wie geartet und man möchte das zukünftige Verhalten vorhersagen und im Idealfall das Ganze auch noch zusammen mit Unsicherheitsinformationen

Speaker0: tun. Mhm. Ist das das, was Erium macht?

Speaker1: Unter anderem, ja. Also aus unserer Sicht gibt's, wenn man ein starkes statistisches Modell gebaut hat von einem Prozess 2 große Dinge, die man, oder 2 Kategorien an Dingen, die man damit machen kann. Das ist einmal ist, ja, genau. Da ist der Mehrwert alleine dadurch schon gegeben, dass ich weiß, was passieren wird. Ja. Die entsprechende Handlung daraus abzuleiten, ist dann trivial. Dein Beispiel, die Lottozahlen. Wenn ich dir die Lottozahlen von morgen sage, ist das Ankreuzen der richtigen Kästchen. Nicht mehr schwer. Genau, ja. Und dann gibt es eine weitere Klasse, die bei uns unter dem Begriff AI Control läuft. Mhm. Dabei ist auch das Ziehen der richtigen Schlüsse eine Herausforderung in sich. Okay. Zum Beispiel, um's abstrakt zu formulieren, weil deine Handlung einen Effekt auf das System wiederum hat. Also wenn Du kein System hast, das für sich stabil ist, sondern die Handlung beeinflusst das System an sich, dann ist die richtige Reaktion auf auch eine Vorhersage zu finden, nicht trivial, Mhm. Weil Du durch deine Handlung die Vorhersage verändern wirst. Und all das läuft bei uns unter AI Control.

Speaker0: Und wie seid ihr in der Lage, das zu machen? Also was wie macht ihr das? Ich meine, ich kann mir gut vorstellen, dass, wenn's jetzt nicht allzu schwierig ist zu sagen, okay, gut, ihr habt 'n Apfelbaum und ihr sollt vorher sagen, wann fällt der Apfel vom Baum runter. Okay, alles klar. Das kann man vielleicht gern noch ganz gut abschätzen. Aber wenn ich jetzt einen Prozess hab, wir hatten's schon mal angesprochen, dass es das Ethereum speziell auch in der Industrie die Software, eure Software Hallyrium da Anwendung findet, wenn ich dort sehr viele Parameter habe und einen sehr komplizierten Prozess habe. Wie schafft IREUM das?

Speaker1: Indem wir uns die Gehirne derjenigen zunutze machen, die sich mit diesem Prozess auskennen. Mhm. Das Prinzip, Wissen zu abstrahieren und in Form von Regeln beispielsweise zu Papier zu bringen. Der Ansatz ist sehr, sehr alt, wahrscheinlich so alt, wie dass es Computer gibt, beziehungsweise noch älter.

Speaker0: Ja. Also das klassische Modellieren quasi. Klassisches Modellieren, wenn dann. Ja, genau, genau. Ich versuch's zu verstehen und dann irgendwie paar Skizzen und schau, dass es hinhaut irgendwie Richtig. Ja und

Speaker1: diese Wenn dann Logiken, im einfachsten Fall bestehen die aus nicht miteinander verknüpften Regeln. Das heißt, Du sagst immer, wenn a, dann b. Mhm. Aber nicht, wenn a in Kombination mit BCDEFG und h, dann XYZ Ja. Und so weiter, ja. Das heißt, diesbezüglich sind diesen regelbasierten Systemen irgendwo Grenzen gesetzt, weil Du's auch als Mensch einfach irgendwann nicht mehr kapierst. Klar. Ja, die praktizieren Regeln, Du hast nur eine begrenzte Möglichkeit, Regeln in ihrer Komplexität als Mensch zu erfassen. Aber Du hast natürlich eine Chance, einzelne Achsen, auch komplizierterer Regelsysteme in Einzelteilen zu beschreiben. Mhm. Weil Du zum Beispiel weißt, okay, fein, wir haben einen Beschichtungsprozess, der ist in sich megakompliziert. Aber er lässt sich runterbrechen auf kleinere Bausteine, okay, ja. Und jetzt innerhalb 1 Bausteins gibt's in sich verschränkte Effekte, aber ich kann, wenn ich alle anderen festhalte und nur einen variier, dann kann ich eine Aussage treffen. Zum Beispiel, wenn ich die Fördermenge von meiner Lackpistole erhöhe, dann erhöht sich auch die Schichtige.

Speaker0: Genau, also Beispiel Autolackierung.

Speaker1: Genau. Und jetzt hast Du die Möglichkeit mit moderner Statistik, wobei modern, Base, der der Kevin, der ist seit 'n paar Jahrzehnten, der ist auch schon nicht mehr unter uns. Ja. Hast Du heute die Möglichkeit, der der Witz ist wirklich, die Computing Power, die Du eigentlich zur Auswertung dieser statistischen Verfahren benötigst, hast Du eben die Möglichkeit, diese zusätzliche Experteninformation, sei es in Form von Naturgesetzmäßigkeiten, denk mal ans Ohmsche Gesetz. Ja. Das verknüpft dir Stromspannung und 'n Widerstand von dem Stromkreis, aber auch Bauchgefühlsaussagen wie, na ja, wenn ich das verändere, irgendwie passiert dann immer das und das und das. All das hast Du heute die Möglichkeit, deskriptiv in den Computer unterzubringen und dann mit genügend Rechenpower auszuwerten. Und das ist das, womit wir arbeiten, ja? Wir interviewen Experten hinsichtlich ihres Prozessnowhouse, abstrahieren das mathematisch, verknüpfen die einzelnen Bausteine, gucken dann, wo gibt's Unbekannte? Diese Unbekannten versuchen wir am besten direkt oder wenn es eben nicht anders geht, indirekt aus Daten zu trainieren und sind dann in der Lage, mit diesem statistischen Modell es sich ergibt, eben Vorhersagen zu

Speaker0: AI Control durchzuführen. Das heißt, es ist son bisschen, also im Gegensatz zu ausschließlich versuchen, mit Expertenwissen ein Modell zu zu konstruieren Ja. Versus ausschließlich irgendwelche neuronale Netze zu machen. Man versucht 'n Mittelweg zu gehen und zu sagen, wir kombinieren beides, quasi optimal eine Vorhersage zu machen. Mhm, richtig.

Speaker1: Neuronale Netze, ich liebe neuronale Netze. Ja. Sie sind perfekte Fach Fachterminie, Funktionsaproximatoren. Das heißt, egal, welche, ja, welche Struktur Du zunächst mal hast, ein neuronales Netz mit ausreichend hoher Komplexität wird in der Lage sein, mit genügend Daten, diese Struktur nach, wird in der Lage sein, mit genügend Daten diese Struktur nachzubilden. Mhm. Ist mathematisch beweisbar, cool, ja. Wir haben heut für uns einfach festgestellt, wenn Du einen Echtweltprozess hast und dort die Erhebung von Daten sehr, sehr teuer ist und Du daraus, aus diesem Grund nicht in der Lage bist, große Datenmengen anzusammeln, dann bleibt dir einfach nichts anderes übrig, als in den sauren Apfel zu beißen. Und das ist wirklich 'n sauerer Apfel. Wir führen keine Experteninterviews, weil wir das so Ja. Also aus aus 'ner intrinsischen Motivation der Experteninterviews wegen, sondern nur, weil wir keine andere Wahl haben Ja. Weil das Problem so hart ist, wie es

Speaker0: ist. Das heißt, das Problem, was was entscheidet ist, habt ihr quasi gelöst durch, hey, Zusammenarbeit mit dem Kunden dann tatsächlich. Richtig. Und das kann ich all den

Speaker1: Complexity Masters da draus wirklich nur empfehlen, fokussiert euch nicht nur auf die Datenanalyse. Wir hatten das Thema bei der Folge zum Preprocessing Ja. Mit dem Thema Metainformationen von Daten. Ja.

Speaker2: Konzentriert euch auf die Menschen, die hinter diesen Daten stehen. Ja. Denn nur so habt ihr eine die hinter diesen

Speaker1: Daten stehen. Ja. Denn nur so habt ihr eine Chance, wirkliche Modelle zu bauen, die am Ende den größtmöglichen Mehrwert generieren. Genau. Man will ja auch, dass man am Ende was Gescheites bei rauskommt und

Speaker0: ja. Kannst Du uns vielleicht, also so wie wie das jetzt für mich klingt, ist ja dieses das Konzept, Du hast Du hast es grad erklärt, jetzt nicht nur für Autolackierungen oder sonst auch gibt's auch andere Anwendungsbereiche. Ich mein, das klingt so, als könnt ich's auf so wie alles anwenden, ne. Also ich mein, das muss ja nicht nur Industrie sein, das kann ja auch irgendwas anderes sein. Kannst Du uns vielleicht da noch bissel was erzählen?

Speaker1: Es ist natürlich verlockend, jetzt einen Hammer in der Hand zu haben, den man auf so ziemlich jeden Nagel zunächst mehr draufschlagen kann. Ja. Die Frage ist immer, wo macht's Sinn? Ja. Und mal 'n bisschen was abggg spaces, Mhm. Wo man sich ja schon lange versucht, drin drin zu bewegen. Börsenkursvorhersage wär total spannend, würd mich immer interessieren, genauer reinzugehen. Ja. Was ist an dem Beispiel so schön? Börsenkursvorhersage mithilfe neuronaler Netze. Ich mich mal mit 'nem Experten ausgetauscht, der Trading Bots programmiert für Daytrader. Und der meinte, dass heutzutage die Herausforderung ist, neuronale Netze overfitten

Speaker0: Ja. An die Daten. Das heißt, das bedeutet, sie orientieren sich zu sehr an den Daten aus der Vergangenheit Richtig. Und machen dadurch Richtig. Ungenau für die Zukunft. Ja. So, was ist deine

Speaker1: Gegenstrategie gegen Overfitting, Regularisierung. Mhm. Nur die Balance zu finden zwischen der richtigen, dem richtigen Radern Regularisierung und trotzdem 'ner guten Vorhersagekraft. Schwierig. Ja, schwierig. Und seine Idee war es inspiriert durch unseren Pitch Ja. Auf der Veranstaltung damals zu sagen, hey, wir wissen sehr, sehr viel eigentlich aus der Soziologie, wie sich Menschen in Gruppen verhalten. Mhm. Und er meinte, er kennt die üblichen Phasen, wenn eine Blase platzt. Dann kennst Du den Ausschlag nach oben, nach unten, nach oben und dann, also verschiedene Phasen, die also verschiedene Phasen, die man zumindest hinterher Ja. Immer sehr gut identifizieren kann. Und jetzt wäre die Idee, zu sagen, okay, man nimmt diese, dieses, dieses Wissen, wie sich Menschen in großen Gruppen verhalten, in Kombination mit 'ner Datenauswertung, somit wieder beide Welten zu kombinieren. Ja. Ja. Und Du siehst, Risiko, Börsenkursvorhersage hat erst mal mit, wie lackier ich 'n Auto? Nichts zu tun. Nichts zu tun. Aber der gemeinsame Nenner ist die Tatsache, dass Du rein datengetriebene Informationen auf der einen Seite und Expertenwissen auf der anderen Seite hast. Ja. Und weder das eine noch das andere für sich wirklich zufriedenstellende Ergebnisse liefert beim Stock, Market, was vor allem den den Effekt, dass man gegeneinander, ja, mit seinen Algorithmen immer antritt und die Kombination einen, zumindest die Perspektive bietet, noch mehr rauszuholen.

Speaker0: Total interessant. Du hattest auch grad son bisschen das angeschnitten. Und zwar geht's ja, wie es der der Bekannte da von dir gesagt hat, hat, auch soziologische Ergebnisse da anzuwenden. Geht da geht da noch mehr zu sagen, okay, gut, wir modellieren nicht nur Prozesse 1 Maschine, sondern auch tatsächlich irgendwelche irgendein menschliches Verhalten. Kann man da auch Mehrodien, gibt's gibt's da noch andere Anwendungsbereiche? Ich mein, es da liegt ja irgendwie die die Annahme zugrunde, dass quasi menschliches Verhalten nicht komplett zufällig ist, sondern irgendeine gewisse intuitive Systematik dahintersteckt.

Speaker1: Auf jeden Fall. Wenn, stell dir mal vor, die Käufergruppe über Sechzigjähriger Mhm. Im Bekleidungs Fashion Bereich. Ja. Verglichen zu 'ner Sechzehnjährigen.

Speaker0: Ja.

Speaker1: Das passt nicht wirklich mehr zusammen, richtig? Ziemlich sicher nicht, nein. Früher hat es funktioniert. Du schickst Wobei vielleicht ist ein neuer Trend. Ja. Die, wobei die Habits mit Smartphone und Co, die sind ziemlich unumkehrbar. Und früher hat es funktioniert, einen Katalog rauszuschicken an repräsentative Kunden und von diesen Kunden auf den Gesamtmarkt zu schließen und dann abzuschätzen, okay, von Artikel 1 brauch ich so viele Stücke in der nächsten Saison, von Artikel 2 so viele und so weiter. Ja. Nur heute hast Du die Situation, dass irgend 'n Influencer in Vietnam eine coole Hose trägt Ja. Und dann, zack, geht die Nachfrage nach oben für Genau. Dieses Bekleidungsstück. Oder schau dir die die britischen Royals an. Megan Markley trägt irgendwas, zack, sind auf einmal türkise Trenchcoats Ja. Auf einmal in. Und diese Trends, okay, das diese Beispiele, das waren jetzt wirklich sehr disruptive Ereignisse. Ja. Aber grundsätzlich zeichnen sich Trends auch in sozialen Netzwerken ab. Mhm. Und dann ist die Frage, wie reagierst Trend, Käufergruppen auf Trends, denn Du reagierst auf einen Trend möglicherweise anders als eine vierzehnjährige Teenagerin. Die mich sicher, ja. Da, auch das musst Du berücksichtigen. Ja. Und das Ganze kombiniert mit datengetriebener Statistik in Form von basischen Modellen, riesen Riesenpotenzial.

Speaker0: Das heißt, vor allem in der aktuellen Zeit zu sagen, wo wo einzelne Personen einfach wirkliche Trendsetter mit, was weiß ich, 3000000 Followern auf auf Instagram einen Post absetzen, der in 1 Sekunde

Speaker1: alles umkrempeln kann. Ja, Wahnsinn. Also macht das ja auch nicht ausm Nichts. Natürlich nichts. Der wird auch getrieben. Ja. Und dann hast Du, das war jetzt 'n sehr schönes Beispiel für ein System, in dem Phasenübergänge stattfinden. Mhm. Und diese Phasenübergänge, die findest Du mit 'ner Extrapopulation nicht, die einfach nur Datenpunkte verbindet, sondern diese Phasenübergänge musst Du soziologisch in dem Fall modellieren.

Speaker0: Ja, Wahnsinn. Kannst Du uns vielleicht noch 'n kleines, noch mal den Kontrast zu verdeutlichen, weil das fand dann doch erstaunlich, wie Du von Autolackierung zu Trendsettern auf Instagram kommst, wie viele, was eher 2 getrennte Welten sind, kannst Du es vielleicht noch mal 'n Kontrast geben zu diesem Modellieren von menschlichem Verhalten und vielleicht Dinge in der Industrie, woher ihr auch stark kommt, natürlich. Mhm. Ja. Ja, klar, da gibt's natürlich das

Speaker1: klar. Da gibt's natürlich das Standardbeispiel, wenn einem nichts einfällt, was man mit Machine Learning machen könnte, was macht man dann? Predictive Management. Ja, weißt Du. Steckt sogar schon im Namen drin, das Forecasting. Ja. Ja, richtig, richtig. Genau, also Predictive Maintenance, klar, das ist der der Klassiker. Du hast, nehmen wir die Deutsche Bahn her, die, ich denke, sehr intensiv auch mit Konox, cooles Start-up, zusammenarbeitet, die Wartung ihres Schienennetzes mindestens und ich denke auch der Züge zu optimieren. Mhm. Und eine Idee von der Problemstellung da zu vermitteln, Du musst dich als Deutsche Bahn immer fragen, riskiere ich es, einen Zug rauszuschicken, sodass er einen Defekt erleidet, während er mitten im Schienennetz feststeckt dann? Ja. Oder geh ich auf Nummer sicher und fahre ihn unter ja, indem ich die Kosten dafür akzeptiere, obwohl er irgendwo grade sonst wo aufm im Schienennetz ist, jetzt aktiv in ein Wartungszentrum. Ja. Denn Du verschiebst nicht einfach mal so in den Zug von a nach b, sondern das muss in den in den Streckenplan passen. Und, coole Technologie. Du modellierst das Verhalten deiner Einzelkomponenten, dann Anomalien zu erkennen. Das ist mal das eine, aber im Idealfall kannst Du eine sehr passgenaue Vorhersage bezüglich der aus, des Ausfallverhaltens von deinen Anlagen treffen. Mhm. Und etwas, das wird so so gemischt, technisch und betriebswirtschaftliches. Das ist 'n Use Case, der uns immer, immer mehr jetzt beschäftigt. Das ist das Thema Absatz- und Ressourcenplanung. Mhm. Du musst dir das nämlich so vorstellen, ich dachte immer, im B2B, also business to business Ja. Ist es ganz toll. Da gibt's 'n Kunden und der bestellt was und dann gibt's den Zulieferer und der liefert das aus und Ja. Dann sind alle für Heile Welt. Heile Welt. Von wegen die OEMs, Original Equipment Manufactures Mhm. Eigentlich immer außerhalb der Automobilindustrie bedeutet OEM, dass jemand Teile fertigt und dann jemand anderes erlaubt, sein Logo drauf zu klatschen. Ah, okay. Witzigerweise im Automotive ist es genau anders. Nämlich OEM bezeichnet dort die Automobilhersteller wie Porsche, Audi, VW, Ja. EW. Und diese OEMs, die haben scheinbar die Angewohnheit. Ich möcht jetzt da nix unterstellen, nee. Also die machen das folgendermaßen, die bestellen bei 'nem Zulieferer 100 Stück für in 6 Wochen. Ja. Und dann sagen die 3 Tage spät, ah nee, ich brauch doch noch 95. Und dann haben wir 'n paar Tage später, ah, wir brauchen nur 90. Ja. Also die reduzieren dann die Order. Oh je, okay. Und jetzt hast Du natürlich als Zulieferer die Zwickmühle. Wenn Du die 100 Teile baust, die am Anfang bestellt wurden, bindest Du wahnsinniges Kapital und unter Umständen kauft dir das, wenn's 'n Spezialteil war, nie wieder jemand das ab. Ja. Aber wehe, Du reduzierst deine dein dein dein gefertigtes Volumen und Du kannst nicht liefern. Da bist Du sofort raus. Ja. So, ist natürlich 'n fieses Spiel und Vor allem die Produktionsdauer

Speaker0: sich mit

Speaker1: einzurichten. Ja, ja, ja, richtig, weil irgendwann Du musst ja Also auch die Zulieferer haben ja Zulieferketten, die müssen das ja eintakten Ja. Und jenseits das Material bestellen. Und dann einen Forecast über das Verhalten meines OEM Kunden zu haben, das ist wirklich son

Speaker0: Brett da, da bohren momentan viele dran. Ja, das ist ja auch super Nuss, also da wird da teilweise das Verhalten von 1 Einzelperson fast schon modelliert oder von von wenigen Personen, die sagen rauf, runter, rauf, runter mit der Anzahl. Und einfach dieses kurzfristige

Speaker1: Entscheiden wird dort immer wichtiger. Ja. Und haben wir noch Zeit? Also weil dann will ich gerne noch den absoluten Brain Twist raus. Raus. Und zwar, wir wir hatten jetzt den Fall, okay, mein Lager wird herausgefordert durch einen Kunden, der seinen Absatz permanent ändert. Mhm. Und im einfachsten Fall einfach nur reduziert. Ja. Und jetzt gibt's aber auch noch die diese Verschränkung mit wieder der Technik, der Fertigungstechnik, nämlich passiert Folgendes. Angenommen, Du baust Schienensysteme Ja. Ne. Und weil dein Fräskopf nicht mehr präzise arbeitet, Okay. Brauchst Du nicht mehr Bauteile mit 5 Millimeter Durchmesser, sondern Du brauchst 'n Bauteil mit 5.1 Millimeter Durchmesser. Okay. Das heißt, was Du dann machst, weil Du musst ausliefern, Du nimmst dir Teile ausm Lager, die nicht für diesen Auftrag reserviert waren, sondern Du beklaust einen anderen Auftrag. Okay. Ja. Ja. So, und jetzt hast Du die komplette Verschränkung der verschiedenen Welt, nämlich Ja. Du Du Du hast ein Lager, das getrieben wird von der irrwitzigen Orderstrategie von deinem Kunden. Mhm. Und gleichzeitig kannibalisieren verschiedene Fertigungsaufträge sich gegenseitig im Lager Fertigungshard, Mhm. Die Zerspanungsköpfe, deine komplett vielleicht Ja. Distanzmechanik, ja, wie die sich genau unter Verschleiß verhält. Und dann wird's total crazy, ja? Woher sollst Du dann noch als Mensch wissen, Nee. Welches Bauteil Fühlst Du jetzt auf auf Lager und welches nicht? Und dann bist Du wirklich in dem Regime, da brauchst Du einen Computer, die Komplexität einfach zu managen.

Speaker0: Also jetzt haben wir 'n paar verschiedene Beispiele gesehen, wo ich mir dachte, okay gut, ich wiederhol's gerne, ich wäre nicht drauf gekommen von von Lackierung zu zu Instagram Models oder was auch immer. Wie sieht man so was? Also wie sehe ich, okay, gut, ich kann mit der Methode, die wir da haben, tatsächlich betreiben? Wie sehe ich das in wie sehe ich's in Lackierung? Wie sehe ich das in in bei Instagram Models oder beziehungsweise beim von Käufergruppen? Wie also wie kann man sein Auge schulen zur Anwendbarkeit solcher

Speaker1: Algorithmen? Am besten durch Beispiele, also dass Du durch verschiedenste Beispiele durchgehst. Tipp an alle Zuhörer, schaut euch verschiedenste Branchen an. Mhm. Zunächst mal, ein Gefühl für den gemeinsamen Nenner zu kriegen. Und dann ist es völlig okay, sich auf eine Branche zu spezialisieren. Aber geht nicht zu früh in eine Spezialisierung rein. Ja. Sondern wirklich zunächst mal den gemeinsamen Nenner sich bewusst werden lassen. Das ist das ist wichtig und grundsätzlich ist es, ist jetzt irgendwo eine Tautologie fast. Ja. Aber klar, je chaotischer ein System ist, desto schwierig ist. Macht Sinn. Es liegt immer auf der Hand, ja. Ist irgendwie intuitiv, macht Sinn, ja. Nämlich, was natürlich besser wurde, Wettervorhersage, chaotisches System zu 'nem gewissen Grad. Aber nichtsdestotrotz, die Statistik ist in der Lage, bis zu einem gewissen Zeithorizont eine ziemlich gute Aussage zu treffen. Ja. Und auf der anderen Seite, wann wird die Sonne morgen aufgehen? Da ist nicht wirklich viel chaotisch im Sonnensystem. Das ist eine ziemlich sichere Aussage. Aber trotzdem, na ja. You never new. Wenn man 'n paar Millionen Jahre in die Zukunft geht, dann hast Du wieder eine Chaotik im im im im astronomischen Maßstab drin. Ja. Also von daher Zufall, Chaos gibt's überall, nur der Grat des Chaos beschreibt dir, wie weit kannst Du mit 'ner Vorhersage zu 'nem gewissen, ja, Unsicherheitsbutschaft gehen?

Speaker0: Jetzt haben wir's direkt am Anfang schon angeteast und wollen's vielleicht jetzt mal so bisschen auflösen. Kannst Du uns erklären, wie machen das große Konzerne, die Daten nutzen, Vorhersagen zu machen über die Käufergruppen? Und jetzt vielleicht noch vielleicht bisschen gemeiner gefragt, gefragt, sind meine Daten dadurch in Gefahr? Bin ich der gläserne Mensch, wenn ich das Internet benutze und alle Cookies akzeptiere und oder ist es tatsächlich auch?

Speaker1: Mhm. Also es ist ziemlich gruselig eigentlich, wenn man so wie wir jetzt in der Branche unterwegs ist, wenn man weiß, was möglich ist, Ja. Was was ohne große Gehirnleistung möglich ist, nur wenn Du die Daten zur Verfügung hast. Nehmen wir dieses Schwangerschaftsbeispiel.

Speaker0: Ja, genau. Also das fand ich jetzt zum Beispiel auch schon sehr überraschend tatsächlich zu sagen, okay, wow, vielleicht sollt ich 'n Schwangerschaftstest machen, wenn mir das angeboten wird. 'N cooler coole D-Tool. Und zwar vielleicht haben's 'n paar von den Zuhörern gelesen oder gehört, gibt's als als Hörbuch auch von Andreas Eschbach. Mhm. NSA.

Speaker1: Okay. Nationales Sicherheitsamt. Das ist 'n Roman, der nimmt an, dass die Nazis, also long story short, dass die Nazis Computertechnik zur Verfügung hatten. Mhm. Richtig Hightech. Und 1, also der der bringt wahnsinnig viele und coole Beispiele, was denn eigentlich möglich ist. Und und 1 dieser Beispiele ist, dass dass NSA Mhm. Anhand der, es gibt kein Bargeld, ja. Ja. An anhand des Käuferverhaltens

Speaker0: ermittelt, welcher Haushalt hat wie viele Kalorien gekauft. Okay. Teilt das durch die Daten des Einwohnermeldeamts, ermittelt somit den Kalorienverbrauch pro Kopf. Mhm. Und

Speaker1: des Einwohnermeldeamts, ermittelt somit den Kalorienverbrauch pro Kopf Mhm. Und ist so in der Lage, versteckte Juden zu finden. Ach Du scheiße, okay. So. Und zieht's euch echt mal in das Buch rein, weil das Schöne bei Eschbach ist, dass er bis auf wenige Grundannahmen, die er am Anfang trifft, Mhm. Ansonsten alles ziemlich straight durchzieht. Ja. Und diese Auswertung ist heute, wenn man jetzt mal einen Schritt weitergeht und Bargeld ist nicht weit weg von der vollständigen Elimination. Mhm. Auch heute solche Auswertungen möglich wären. Das heißt, ein Google, ein Facebook hat kein Interesse dran, Daten absichtlich gegen jemanden einzusetzen, weil es geschäftsschädigend wäre. Ja. Aber man muss sich immer vor Augen führen, was ist, wenn ein Technologiekonstrukt einem absolutistischen Ja. Regime in die Hände fällt? Das ist Weil Du dann sehr schnell in 'nem resilienten Zustand drin bist, Ja. Weil sich das System mit dieser Technologie dann erhalten kann. Ja. Ja. Und von daher, es gibt Dinge, die ich aktiv teile, ich persönlich. Mhm. Es gibt Dinge, die ich versuche, aktiv nicht zu veröffentlichen. Ein No Go sind zum Beispiel die Fotos meiner Kinder, wenn ihr Name in Zusammenhang gebrachten werden könnte. Ja. Ja, weil ich der Meinung bin, es sollte jedermannsfreie Entscheidung sein, ob die Biometriedaten von jemandem gepaart mit dem Namen online zur Verfügung stellen. Ja. Weil die kriegst Du nicht mehr weg. Ja. Und von daher ist es, denke ich, eine gute Idee, sehr bewusst einfach zu zu schauen, immer unter der Annahme, also wenn etwas online ist, das muss man sich bewusst sein, wenn was online ist, ist es für alle Zeiten und jederzeit für jeden auf der Welt verfügbar. Mhm. Und nach dieser Prämisse teile ich Informationen. Also wenn ich ein Problem damit hätte, dass egal wer auf der Welt diese Information hat, dann stelle ich sie nicht online.

Speaker0: Alles klar. Für die von euch, die gerne noch mal selber bisschen ausprobieren wollen würden, ihr findet in den Shownotes einen Link zu 1 Jupiter Notebook Datei. Das haben wir schon 'n paarmal gemacht jetzt. Und diesmal geht's ein weiteres Dataset, nämlich das Titanic Dataset.

Speaker1: Oh geil.

Speaker0: Dort sind Daten von den, wie sagt sagt man da, Insassen? Nein, nein, nein. Die Gäste. Gäste, Besucher, irgendwas. Die Leute, die auf der Titanic warten,

Speaker1: welche Die Passagiere. Die Passagiere. Ja, ja. Richtig, genau.

Speaker0: Richtig, die Passagiere. Dort ist als Feature sind als Feature enthalten so Sachen wie das Alter, das Geschlecht, wo die Kabine war auf dem Schiff, ob's 'n erstes, zweites oder 3. Klasse Ticket war und anschließend auch, ob sie überlebt haben oder nicht. Und ihr dürft quasi in dieser Jupolot Notebook Datei lernen, wie man ein neuronales Netz darauf trainiert, als Input quasi. Also ihr könnt dann quasi überlegen, hey, was wären was wäre denn mein Klassenticket gewesen? Welch wo wäre mein Raum gewesen? Und als Output wäre dann, ob ihr überlebt habt habt oder nicht. Das könnt ihr da quasi drauf trainieren. Und ja, genau, danke an dich Theo, dass Du wieder dabei warst. Fand ich megacool. Herzlichen Dank, Jago. Und wir sagen bis zum nächsten Mal und. Damit wir weiterhin für euch, hochwertigen Content produzieren und erstklassige Gäste einladen können, brauchen wir eure Unterstützung. Lasst uns auf Apple Podcasts eine 5 Sterne Bewertung da und drückt am besten direkt den Follow Button, uns zu supporten und keine Folge mehr zu verpassen. Bis zum nächsten Mal.

Mehr Folgen aus Staffel 1 →