Optimal Choices

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Unbekannter Host (vermutlich Moderator/Co-Host)Podcast Host
Overview
This episode of the Erium Podcast is all about optimal decision-making: Why do people find it so hard to think statistically, and how can machine learning help us make better decisions? Using the examples of the Go program AlphaGo, the Monty Hall problem, and concrete industrial applications such as body panel assembly in vehicle manufacturing, the hosts explore where human intuition fails and how AI systems can close the gap.
Summary
Why humans so often get it wrong: cognitive biases and statistical misjudgements
The opening segment establishes that people have poor intuition when it comes to statistical relationships - and not just slightly off, but sometimes diametrically wrong. Examples include court cases where the success estimates of both legal teams combined add up to well over 100 percent, as well as the well-known study showing that around 90 percent of male drivers believe they belong to the top 10 percent. Added to this is the problem of group decisions: each individual only sees their own pool of experience, and a higher-level 'group intelligence' that coordinates all perspectives is absent.
The Monty Hall problem: deliberately outsmarting your intuition
The classic Monty Hall problem (three doors, a goat or a car) illustrates how an initially counterintuitive strategy - always switching doors - raises the probability of winning from one third to two thirds. Theo Steininger recommends pushing problems to the extreme in your mind: instead of three doors, imagining one million doors makes it immediately clear that the remaining, unchosen door almost certainly hides the car. This extreme-case thinking is a generally useful tool for correcting one's own intuition.
Parameter optimisation in industry: body panel assembly as a prime example
A central practical example from Erium's work is the assembly of add-on parts (doors, bonnets, tailgates) in vehicle manufacturing. Hinges must be bolted and painted over early, even though components continue to deform and settle during the production process. Finding the correct pre-positioning is a highly complex decision problem with many interacting parameters. Erium provides a clearly structured input (mounting position with few degrees of freedom) and optimises so that gap and flush measurements are correct at the end. The example shows that even with small amounts of data (small data), finding optimal decisions can be considerably difficult - and machine learning helps despite, or precisely because of, this data situation.
Game theory, control loops, and systemic interactions
Game-theoretic considerations become relevant when one's own decision influences the behaviour of other actors - for example in pricing or marketing strategies of major market players. In Erium's industrial projects to date, this direct feedback effect has not yet been the norm. At the same time, Theo Steininger urges caution with control loops: anyone who specifies only a target value must still keep an eye on how the downstream controller approaches that value - an incorrectly damped autopilot can cause a plane to crash because the system oscillates. This systems perspective is equally indispensable when working with AI recommendations.
Machine learning and jobs: relief rather than job destruction
The question of whether machine learning destroys jobs is answered in a nuanced way. What disappears are primarily repetitive, error-prone, and physically demanding tasks that people do not enjoy performing anyway. Experienced specialists who previously adjusted body panels manually can apply their valuable know-how in more meaningful ways. A further example is natural language processing in the legal sector: tedious contract work such as spending hours checking hundreds of pages for misplaced commas is automated, while the lawyer's strategic work remains. Importantly, accompanying training structures must be created so that all groups of employees can find dignified occupations.
Combining expert knowledge and data: the Erium approach
Erium deliberately starts with small, manageable use cases as a 'seed' and builds from there. What makes this distinctive is that domain knowledge from experts is abstracted and translated into statistical models. This creates a kind of accumulated group memory that combines the strengths of all the specialists involved - similar to a 'control authority' that maintains the overview. Bayesian statistics gives the model additional flexibility, and when large amounts of data are available, the system benefits from the best of both worlds: expert system and machine learning. When training complex systems such as autonomous driving or AlphaGo Zero, synthetic data from simulations can form the foundation before real data provides the fine-tuning.
Recommendations for anyone who wants to make better decisions
As a practical recommendation, Theo Steininger advises drawing on both the rational-mathematical perspective (game theory, statistical thinking traps) and the accumulated experience of competent colleagues. As a book recommendation he cites 'Thinking, Fast and Slow' by Daniel Kahneman, which explains when the brain operates in its fast, error-prone mode and when slower, more energy-intensive thinking leads to better decisions. For practically minded listeners, the host announces a Jupyter notebook in the show notes with which listeners can try out parameter optimisation themselves using the example of a bakery baking process.
Key takeaways
- Human intuition frequently fails with statistical problems - sometimes leading to the exact opposite of the optimum.
- The Monty Hall problem shows: switching doors raises your probability of winning from one third to two thirds - counterintuitive, but mathematically unambiguous.
- Mental extreme-case thinking (e.g. imagining one million doors instead of three) is an effective tool for checking one's own intuition.
- Optimal decisions are difficult even with small amounts of data - small data is no free pass for human gut feeling.
- Machine learning primarily displaces repetitive, burdensome tasks and creates space for more meaningful activities - job destruction is a more nuanced issue than it is often portrayed.
- The combination of accumulated expert knowledge and statistical models creates a higher-level 'control authority' that maintains an overview of complex processes.
- Anyone issuing optimal action recommendations must always factor in the downstream control loop in order to avoid system instabilities.
- The book 'Thinking, Fast and Slow' by Daniel Kahneman is a highly recommended resource for better understanding cognitive biases.
Conclusion
The episode makes clear that optimal decision-making is far more than common sense: cognitive biases, limited data availability, and the complexity of interconnected systems systematically overwhelm human intuition. Machine learning and Bayesian statistics offer effective tools for formalising accumulated expert knowledge and making better decisions even with small amounts of data - provided one always keeps the overall system in view.
For industrial and production managers
Parameter optimisation in complex manufacturing processes is a genuine AI problem even with limited data. The use of machine learning can improve quality and relieve employees of burdensome routine tasks.
For executives and decision-makers
Group decisions are structurally vulnerable because each participant only contributes their own pool of experience. AI-supported systems that consolidate expert knowledge can act as a higher-level coordination authority and significantly improve decision quality.
For anyone who wants to make better decisions
Reading 'Thinking, Fast and Slow' and experimenting with extreme-case thinking are low-threshold ways to sharpen one's own decision-making ability and recognise cognitive traps.
Show full transcript
Speaker0: Im Jahr 2015 hat das Programm Alpha Go von Google Deep Mind den mehrfachen europäischen Meister in dem Strategiespiel Go geschlagen. Go gilt als 1 der kompliziertesten Spiele überhaupt. Wie konnte Google Deep Mind das schaffen? Und wie kann Machine Learning helfen, optimale Entscheidungen zu treffen? Das erfahrt ihr jetzt in der neuen Folge vom Irium Podcast. Herzlich willkommen zu der neuen Ausgabe vom Erium Podcast. Theo, schön, dass Du da bist. Hallo Jaguar, schön, dass ich hier sein darf. Ah, ich glaub, die meisten Menschen möchten zu jedem Zeitpunkt gerne optimal handeln und irgendwie das Richtige tun oder das für sie am hilfreichsten ist, das möchten sie tun. Warum ist das für den Menschen nicht immer möglich?
Speaker1: Also wenn man sich mit Statistik beschäftigt, dann stellt man fest, dass der Mensch eigentlich eine ziemlich schlechte Intuition für statistische Zusammenhänge besitzt. Also manchmal bissel Debatt einfach. Ja, genau. Und zwar teilweise nicht nur nicht im Optimum, sondern teilweise sogar genau diametral vom Optimum entfernt. Und da gibt's 'n paar coole Beispiele, die man die man sich da vor Augen führen kann. Nämlich, wenn dir mal vielleicht das aufgefallen ist, wenn Du eine Gerichtsverhandlung begleitest, hoffentlich nur begleitest. Ja, nur nur zum Zuschauen. Und und und dann hörst Du dir mal die Interviews der Anwälte beider Gegenseiten an und dann den jeweiligen Erwartungswert, wie hoch die Anwälte ihre Erfolgschancen addierst, dann landest Du deutlich über 100 Prozent. Mhm. Ne, also beide Seiten gehen von davon aus, ja, wir gewinnen definitiv mit 80 Jahren, ja, oder 90 Prozent. Und am Ende kann das natürlich nicht richtig sein, ja. Ja. Also Mensch, der sich da selbst oder was anderes, das hatt ich mal im Radio gehört, 90 Prozent der Autofahrer, vor allem die männlichen Autofahrer gehen davon aus, zu den besten 10 Prozent aller Autofahrer zu gehören.
Speaker0: Vielleicht muss man sich da so hoch pushen quasi manchmal, dass man sagt, ich muss es mir nur selber lang genug sagen, dann gehör ich auch zu den Besten.
Speaker1: Ja, wirklich. Ja. Wirklich. Das ist so. Und und das ist tatsächlich 'n anderer Punkt, nämlich, dass man sich selbst beißt durch Wunschvorstellungen. Ja. Also man handelt gemäß Vorstellungen, die vom Wunsch, wie die Welt doch sein sollte, nämlich ja ich bin der beste Autofahrer ever, ja, dass man dann dementsprechend handelt. Mhm. Und damit bescheißt man sich am Ende selbst. Okay. Und aus unserer Sicht, die wir in in unserem Projekt auch wahrgenommen haben, ist das, vor allem wenn's sehr komplexe Entscheidungen geht, in denen nicht nur eine Person involviert ist oder wo's einfach viele, viele Facetten gibt, die man berücksichtigen muss, Mhm. Dann werden Entscheidungen nicht nur von Einzelpersonen, sondern von Gruppen getroffen. Und die Individuen in der Gruppe haben meistens nur Zugriff auf ihren eigenen Erfahrungsschatz natürlich und auf das eigene Wissen. Ja. Und daraus alleine gibt sich dann schon wieder die Tatsache, dass Entscheidungen global gesehen nicht optimal laufen. Ja. Weil eben es keine in dem Sinne übergeordnete Gruppenintelligenz gibt, die das koordiniert.
Speaker0: Sone Art Kontrolleinheit irgendwie, die das quasi Ja, den Überblick hat. Genau, richtig, ja. Ja, ja, ja. Mir fällt dir noch was ein ausm Mathestudium tatsächlich, was so ähnlich ist. Vielleicht kennen's manche, es ist 'n beliebtes kleines Problem. Und zwar die Show gab's sogar mal in Deutschland, glaub ich, da hieß es Geh aufs Ganze. Geh aufs Ganze. Oder Song. Da gab's doch diesen Song per der Route, genau. Genau, da ging's dann darum, dass man dass ein Kandidat bekommt 3 Türen präsentiert. Hinter 2 von diesen Türen im Original waren's, glaub ich, Ziegen und hinter der dritten Tür ist dann eine richtig flotter Schlitten, ne, also ein 1 teures Auto, das man natürlich haben möchte. Man sollte sich für eine Tür entscheiden. Man entscheidet sich zunächst für eine Tür und dann gibt der Moderator folgenden Satz von sich, sagt, wir schauen uns jetzt mal eine der anderen beiden Türen an, in der eine Ziege ist, ja. Das heißt, er eine weitere Tür, wo eine Ziege drin ist und sagt, gibt danach die Möglichkeit, möchtest Du jetzt die Tür wechseln? Und jetzt ist die Frage, wechselt man oder nicht, ne. Die Intuition sagt, na, na, na, Moment. Der Moderator will das Auto nicht hergeben. Der will, dass ich wechsel, damit ich ja verliere und quasi nicht mit dem mit dem Auto nach Hause geh. Oder es ist 'n Double Bluff und dann kommt quasi dieses Mensch dieses Zwischenmenschliche zusammen und sagt, okay, verarscht er mich zweifach oder so. Jetzt ist die Frage, ist es klug zu wechseln oder nicht? Was sagst Du, Theo?
Speaker1: Ja, also tatsächlich mit den formalisierten Regeln, so wie das Marty Hall Problem spezifiziert ist, ist es klug zu wechseln, Ja. Weil man seine Erfolgschance von von ein Drittel auf 2 Drittel erhöht. Ja. Und es gibt auf Wikipedia gefühlt 400 verschiedene Lösungen von einfach ausrechnen Ja. Mit klassischer frequentistischer Statistik, dann mit basischer Statistik. Und ich finde einen Gedankengang besonders wertvoll bei dem Beispiel. Mhm. Nämlich den, den ich mir während 'nem Physikstudium auch antrainiert hab, nämlich Dinge aus 1 Extremperspektive zu denken. Also es hilft bei ganz vielen so spieltheoretischen Dingen. Und zwar kann man das Problem folgendermaßen modifizieren, stell dir vor, Du hast nicht 3 Türen, sondern Du hast 1000000 Türen. Mhm. Und hinter 1 dieser Türen befindet sich dieses Fahrzeug. Ja. Und dann ist das Verhältnis liegt bei einem Millionstel, dass Du die das richtige, die das richtige Tor öffnest. Und der Gamemaster öffnet jetzt, wenn Du das Auto nicht getroffen hast, alle Türen bis auf die deinige und die mit dem Auto. Genau. Ja. Dann bleiben nur 2 Türen übrig. Oder wenn Du die das Auto erwischt hast, dann lässt er einfach irgendeine Tür stehen und öffnet den ganzen Rest. Was dann passiert, wenn der Gamemaster alle Türen weg streicht, bis eben die, die Du gewählt hast und 1 weiteren, hinter der sich dann höchstwahrscheinlich das Auto befindet, ist ja, dass deine Wahrscheinlichkeit von 1 über 10 hoch 6 auf fast 1 springt, wenn Du wechselst, ja? Weil wie wahrscheinlich ist es, dass wenn er alle Türen weg streicht, Du genau das das Auto hattest, ja? Also Du bist bist eigentlich genau fast im im Limes an der 1 dran. Und das war deutlich sehr schön, dass wenn man die Dinge einmal ins Extrem treibt geistig, dass man dann ja seine eigene Intuition, die einen aufs Glatteis führt, manchmal
Speaker0: doch wieder bissel in den Griff kriegt. Genau, man kriegt sogar was dazu. Ich mein, man überlegt, wenn man nach der mit der Wechselstrategie quasi spielt, hofft man am Anfang nicht, das Auto zu erwischen. Und die Chancen dafür, am Anfang das Auto nicht zu erwischen, die stehen ja recht gut. Ach, das stimmt, das ist richtig. Ja, genau. Ja, ja. Genau. Jetzt haben wir das ja in den letzten Folgen schon ein-, zweimal erwähnt. Eriom hat mit der Software Hellerium ja sehr viel in der Industrie gemacht. Vermutlich kennst Du hast Du da einige Beispiele, wo solche optimalen Entscheidungen getroffen werden müssen oder bisher nicht getroffen wurden, ohne jetzt zu sagen, dass es nur in der Industrie möglich ist. Da geht's sicherlich noch mehr. Ich mein, wir hatten ja grad hatten ja grad Gameshows. Also das hat wenig mit der Industrie zu tun. Aber hast Du vielleicht 'n paar Beispiele, woran man dieses dieses Optimieren von vom Entscheiden
Speaker1: vielleicht son bisschen greifbar machen kann? Mhm. Ja, klar. Also ein Beispiel, das ja immer wieder zur Sprache kommt, das ist das Beispiel aus der Automobilindustrie, wo's drum geht Anbauteile Mhm. Richtig zu positionieren. Und das ist für diese Folge auch 'n schönes Beispiel, weil mir dadurch bewusst wurde, dass die richtige Einstellung für einen Roboter zu finden oder für für eine Maschine im Abstrakten, das ist ein Entscheidungsproblem. Mhm. Das ist kein Regelproblem jetzt in dem Sinne, dass ich eine Zielgröße hab, die ich dann mit 'nem PED Regler oder wie immer in den Griff kriegen möchte. Abstrakt gesehen ist es ein Entscheidungsproblem.
Speaker0: Mhm. Und
Speaker1: für für die, die den Usecause immer so ganz im Kopf haben, da geht's darum, dass beim bei der Karosseriemontage, beim Fahrzeugbau, die Scharniere sehr früh schon verschraubt werden müssen, weil man die dann überlackieren muss. Und jetzt ist aber so, dass während des weiteren Verarbeitens der Karosserie sich die Anbauteile, also Anbauteile, das sind Türen, Heckklappe, Mutter, Mutterhaube, dass sich die verformen. Die werden auch schwerer wegen dem Lack, wegen dem Interieur des Teiles drankommt und sich dann diese Position verzieht. Jetzt ist es so, dass man deshalb die, zum Beispiel Türen höher einbaut zunächst mal, als sie dann am Ende sein sollen. Das heißt, man muss antizipieren, wie die Tür sich über diesen Prozess hinweg dann verhält und runter fällt. Mhm. Und das Gemeine ist, dass wenn sich eine Kleinigkeit in dem Fertigungsprozess ändert, sich diese Endposition verändert Ja. Und Du dann als Mensch wieder nachregeln musst. Und jetzt hast Du 'n total kompliziertes System, bei dem's verschiedenste Komponenten gibt, die da wechselwirken, ja, die Steifigkeit des Scharniers, wie wie verhält sich das das Dichtband, der Schließbügel? Also Ich wollt's grad sagen, also ohne Ende. Und sind das als Mensch dann zu antizipieren, da gibt's 'n paar, die das so, na ja, einigermaßen einigermaßen ausm Bauch heraus vielleicht doch hinkriegen, aber es ist immer auch trial and error mit drin. Ich ich hab's mir gedacht, dass Du grad beschrieben hast. Ich mein, da was gibt's denn da für Parameter? Wie fest wurde diese Schraube gezogen?
Speaker0: Und Du sprichst gar an das Scharnier, also das sind ja, also ich hätte da keine Lust, auch selber drüber nachzudenken, so. Und das ist so das gängigste Beispiel für Parameteroptimierung
Speaker1: beziehungsweise Also bei uns ist das ein Beispiel, wo wir wo wir sehr erfolgreich unterwegs sind. Und was wir da bieten, ist im Wesentlichen einen sehr einfachen Input, nämlich die Montageposition von der Tür und da bleiben dann 3 Freiheitsgrade übrig, so vorzugeben, dass am Ende die Spalter- und Versatzmaße passen. Und das sind wiederum nicht viele Daten. Konkret eine Handvoll oder 'n gutes Dutzend Messpunkte jeweils bestehen aus 2 Zahlen, also Spalter und Versatz im Fall jetzt eben der Tür. Es heißt an sich, die Zahlenmenge oder die Datenmenge, die sowohl Input oder Output darstellt, ist nicht groß. Da könnte man meinen, ja, so solange es kein Big Data ist, kommt der Mensch damit klar. Aber das ist 'n schönes Gegenbeispiel. Du hast Du keinen großen Datensatz und trotzdem ein Problem, wo die richtige Entscheidung zu finden, heftig schwer ist.
Speaker0: Das heißt, optimale Entscheidungen zu treffen hängt, also jetzt so abstrakt gesprochen, nicht zwingend damit zusammen, superviel Erfahrung zu haben in Anführungszeichen, superviel Daten und Informationen zu besitzen, sondern auch mit wenig Daten, also Small Data kann man da einiges
Speaker1: optimal entscheiden. Ganz genau, ja. Ja.
Speaker0: Bisschen vom weg von dem Thema Industrie. Wenn ich jetzt an dieses optimale Entscheiden denke, ja, ich ich ich hab Mathe Bachelor studiert, ich wie bei mir klingeln da die sofort die Alarmleuten, was Spieltheorie angeht. Ja. Also wenn ich jetzt, also ich persönlich, ich spiel gern Schach und dann denk ich mir, ich will jetzt optimal entscheiden, so. Spieltheorie findet auch gerne Anwendung in der Wirtschaft. Kann da die Software von Erium auch aushelfen?
Speaker1: Ja, prinzipiell schon. Es ist allerdings so, dass wir in unseren bisherigen Use Cases nicht den Fall hatten, dass die Entscheidung des Agenten, um's mal so zu formulieren, das Verhalten der Welt beeinflusst hat im Sinne 1 Regelschleife. Wenn Du zum Beispiel dir überlegst, welche Aktien sollte ich kaufen, dann unterstell ich dir jetzt einfach, Mariago, dass deine Trade Volumina nicht so sind, dass Du den Markt damit signifikant beeinflusst. Vermutlich nicht, nein. Ja. Und und genau dann wird's ja interessant, wenn Du Gegenspieler hast und und zum Beispiel dieses Eisverkäufer am Strand Beispiel oder das Gefangenendilemma, das sind immer 2 Agenten, die miteinander interagieren. Son Wechselspiel. Ein Wechselspiel. Und sich dann ja diese Gleichgewichte einstellen, die vom globalen Optimum eigentlich entfernt liegen. Ja. Aber einfach das Ergebnis konsequenter lokaler Optimierungen waren. Und wir hatten bisher kein Projekt, wo wir eben diesen Fall hatten, dass es zu soner direkten Feedbackschleife kam. Das kann sich aber bald ändern, wenn wir noch mehr Richtung Pricingstrategien und und Marketingstrategien gehen, weil es dort durchaus öfter mal der Fall ist, dass einzelne Player das Marktverhalten auch steuern durch ihre Maßnahmen und dann genau zu solchen Regelschleifen kommt. Und nichtsdestotrotz, also was man aber bei dem Stichwort Regelschleifen schon auch im Hinterkopf für halten muss, ist, dass vor allem bei bei echten Prozessen, also bei bei Regelprozessen, wie wenn ich eine Anlage steuere, dass man immer auch die Regelkreise mit im Auge behalten muss. Mhm. Also wenn wir jetzt zum Beispiel die optimale Temperatur 1 Raumes oder 1 Maschine vorgeben, Ja. Dann spucken wir nur, also nur am Ende diese Zahl aus. Wir kümmern uns, zumindest zum aktuellen Zeitpunkt, nicht darum, wie die Maschine dann diesen Wert erreicht. Das ist dann die Angelegenheit 1 möglichst optimalen Reglers Ja. Hinten raus. Wir geben dem Regler den Sollwert. Und jetzt ist es aber so, dass man man immer auch diesen Regler mit, zumindest geistig mit am Schirm haben sollte. Nicht, dass dir sowas passiert, dass Du den Regler genauso triggerst, dass dass das System zu oszillieren beginnt. Mhm. Wenn Du, das ist 'n Beispiel, das hat mir 'n Kumpel aus Maschinenbau mit mit mit Schwerpunkt Luftfahrttechnik erzählt, die Ja. Die alten Autopiloten in Flugzeugen hatten, das Problem, dass wenn diese Dämpfung falsch eingestellt wurde, des Regelkreises, dass die Flugzeuge abgestürzt sind, weil Ruder wird hochgezogen, dann gibt's eine Zeitverzögerung, dass das Flugzeug auf dieses auf diese Änderung reagiert. Und in der Zeit zieht die der Regelkreis das immer weiter hoch, hoch, hoch, hoch, hoch, irgendwann übersteuert, das Flugzeug fliegt's viel zu steil, dann schießt der Regler nach unten Oh je. Und dann dann schaukelt sich das ganze System auf, bis das Flugzeug einfach crasht. Mhm. Und darauf muss man einfach von der Gesamtperspektive drauf achten, also auch wenn wir nur eine Handlungsempfehlung aussprechen und den den den Regler, der das hinterher umsetzt, jetzt nicht mit modellieren, muss man den immer mit am am Schirm haben. Nicht, dass man das System irgendwie, ja, dummerweise genau schlecht anfährt.
Speaker0: Jetzt hatten wir vorhin kurz angesprochen, dass, Beispiel Karosseriebontage, wenn eine Autotür eingesetzt wird, angenommen, es gab jetzt jemanden, dem sein Job weiß, danach die Tür noch mal nachzujustieren. Verliert der jetzt seinen Job? Also diese diese Software und generell Machine Learning ist es ja sicherlich auch 1 1 1 Angst von vielen, ob jetzt durch Machine Learning superviele Jobs wegfallen. Kannst Du dazu vielleicht was sagen? Ist es eine superabstrakte Angst? Was ist da dran?
Speaker1: Es ist was dran, allerdings ist die Angst nicht in der Art begründet, wie sie zumindest in der in der öffentlichen Diskussion geführt wird. Es werden vor allem repetitive Arbeiten wegfallen, die ein Mensch üblicherweise sowieso nicht gerne erledigen möchte. Mhm. Ja, und wir haben das mal mal so auf den Punkt gebracht, dass wir eigentlich den Menschen von Aufgaben entlasten, die ihn frustrieren und stressen, die er jeden Tag machen muss, aber aufgrund ihrer Komplexität doch trotzdem nie beherrscht. Mhm. Und wenn ein Job wegfällt mit Machine Learning, dann ist es wirklich eher eine Tätigkeit, die man sowieso nicht machen hätte wollen. Und wenn Du dir mal anschaust, also die Mitarbeiter, die die Anbauteile nachjustieren Ja. Ich weiß nicht, ob Du dir die Finger gern in die Tür reinhältst und die dann zumachst, damit halt der die die die Tür dann am Ende optimal sitzt. Es ist wirklich harte Arbeit. Ja. Und auf der anderen Seite, die Mitarbeiter, die das können, haben sone krasse Ausbildung oder es beziehungsweise sone sone krasse Erfahrungsschatz, dass Du die eigentlich woanders besser gebrauchen könntest. Ja. Und von daher nehmen wir eigentlich eher Stress und Last von den Schultern der Mitarbeiter und verhelfen denen eben zu besseren Entscheidungen oder eben verleihen denen durch eine ordentliche Prozessvorhersage Sicherheit. Und da gibt's echt eine krasse Latte vor 'n Beispiel. 'N Kumpel von mir, der beschäftigt sich mit natural language processing im Bereich juristischer Texte, dort Arbeitsabläufe im, ja, im Recht, im rechtlichen Kontext abzukürzen. Und was machen die, ja? Die die die lösen nicht die Arbeit des Anwalts ab, wo der eben eine total ausgefuchste Strategie entwirft, auf 'nem bestimmten Case zu reagieren. Sondern was nehmen die den Juristen ab? Stupide Vertragsarbeit, ja? Sowas wie einen Vertrag aufsetzen oder einen Vertrag prüfen. Kann mir keiner erzählen, dass es Spaß macht, einen 250 Seiten Vertrag drauf zu kontrollieren, ob es wohl die Gegenseite ein Komma verschoben hat, den anderen auszutricksen.
Speaker0: Ja, ich hatte da, ich hatte mal so was Ähnliches gemacht, es ist kein Spaß. Ja. Nein, es ist, ja. Und genau
Speaker1: genau darum geht's. Und von daher, ja, habe ich da keine großen Bedenken, dass ein, ja, glückstiftender Beruf jetzt unbedingt durch Machine Learning oder dann künstliche Intelligenz flöten geht. Das heißt, Du sorgst eher für
Speaker0: Erleichterung und berufliche Entwicklung statt Existenzängste.
Speaker1: Was aber natürlich nur funktioniert, wenn Du die Menschen, die auf so einen Job irgendwo auch angewiesen sind, weil es gibt nicht nur Mathematiker, so wie Ja klar. Ja oder oder oder super-, High End Biologen oder Genforscher oder was immer, ja. Es gibt natürlich die volle Bandbreite an Berufen und da muss man einfach dann würdige Berufe ermöglichen, beziehungsweise auch die entsprechenden Ausbildungsstrukturen schaffen. Ja. Und da gibt's wiederum coole Beispiele. Vielleicht haben die ein oder anderen schon mal von der Firma gehört. Das ist eine Softwareberatung, die ausschließlich Menschen mit mit mit mit AsperG, glaub ich, nee. Ah. Das sind Autismus. Mit mit, mindestens. Genau genau genau richtig richtig, nicht Aspekt, sondern mit Die die stellen nur Menschen ein mit 'ner Autismus
Speaker0: Spektrum Störung heißt das, oder? Ich glaube, ja, ich bin da leider kein Experte. Ich glaube, der Die heißen Autikon.
Speaker1: Okay. Ich glaub, die heißen Autikon. Und das das ist einfach 'n geniales Konzept. Warum? Weil die solche Projekte übernehmen, wo Du genau die Persönlichkeitseigenschaften dieser Persönlichkeiten brauchst, ja? Also zum Beispiel super gründliche Code Reviews, wo Du auch die Semantik verstehen musst, wo Machine Learning wiederum an an seine Grenzen stößt. Und wenn man eben, find ich, 'n bissel kreativ ist, dann findet man dann entsprechende Berufe, Mhm. Die nicht darin bestehen müssen, zum Beispiel Bauteile von a nach b zu legen.
Speaker0: Vielleicht noch eine Sache zu der sehr zu der Fülle an Parametern, ja. Wir hatten vorhin gesagt, da gibt's sonst wie viele Parameter, die da beachtet werden müssen. Und vielleicht noch mal zurück, ums aufzugreifen, das Spiel Go. Wie viel wie soll man da Züge im Voraus denken? Es gibt teilweise so viele Möglichkeiten, einen Zug zu machen und dann noch quasi mehrere Züge im Voraus. Wie wie macht Erium das? Also wie kann Erium da irgendwie, sagen wir mal, den Überblick behalten und wie ist es nicht unmöglich?
Speaker1: Also es ist schön, dass Du auch noch mal das Beispiel von von Alfa Gore ansprichst. Bei Alfago, okay, das war einfach auch eine supercoole Ingenieursleistung, das System so aufzusetzen, dass es diesem Problem, dieser Problemstellung bei dem Spiel zu gewinnen, entspricht. Und das ist aber ein 1 schönes Beispiel, in dem die Rahmenbedingungen so gesteckt sind, dass Du vor allem deine Trainingsdaten auch selbst erzeugen kannst. Also vor allem Alpha Go Zero, das waren 2, also mindestens 2 Alpha Go Zero Instanzen, die dann gegeneinander gespielt haben und die haben sich sozusagen ihre Daten selbst selbst erzeugt. Und ja, entweder geht es über den Weg oder was auch 'n super cooler Ansatz ist, find ich, für autonomes Fahren, setzt man die diese neuronalen Netze, um's mal ganz breit, ne, zu bezeichnen. Ja. Also diese Algorithmik Ja. Setzt man in einen Fahrsimulator.
Speaker0: Okay.
Speaker1: Zumindest schon mal den Grundstock an Training abzuschließen. Und dann das in dem Sinn, wo die die Simulation nicht der Realität entspricht, so den letzten Feinschliff, den trainierst Du dann mit echten Fahrten auf der Straße. Mhm. Und das ist 'n super cooler Ansatz, diese Datenproblematik zu beheben. Wenn Du, ja, so wie wie zum Beispiel jetzt beim autonomen Fahren, nicht alle, also wo das System einfach so in sich komplex ist, dass Du keine Chance hast durch durch Modellierung der Semantik. Ja. Ja. Und Edium im Vergleich dazu geht folgendermaßen vor, wir wir nehmen uns ja als Startpunkt immer kleine überschaubare Use Cases vor, Ja. Die wir als Keimzelle nutzen und und die dann ausbauen. Und dort ist es immer sehr gut möglich, dass Expertenwissen, also diese Domäneninformationen oder man könnte es auch Metainformationen, worum es sich bei den Daten handelt, mit einzubinden. Und dann machen wir dadurch eigentlich effektiv Folgendes, wir hatten ja vorhin das Beispiel oder also den den Punkt, dass ein Mensch immer nur seine eigene Perspektive sieht. Genau. Ja, wenn ich jetzt von den 15 Ingenieuren, die da involviert sind bei dem Prozess, jeweils deren Wissen abstrahiere und in in Form 1 statistischen Modells zu Papier bringe und dann mit unserer Softwarelösung eben in den in den Computer reinbringe, dann hab ich dadurch die Akkumulation all diesen Wissens in eine Instanz. Das heißt, man kommt nah ran an diese Kontrollinstanz, von der wir gesprochen hatten Ja, ja. Die den Überblick hat. Und das Bauchgefühl oder das, wo der Mensch flexibel ist, das realisieren wir im Vergleich zu alten Expertensystemen eben mit basure Statistik, das dem Ganzen Flexibilität gibt. Mhm. Und dann, der nächste Punkt der Mensch, der hat 'n relativ schlechtes Daten Input Output Interface, wenn's Zahlen geht. Ja. Das ist fürn Algorithmus bei uns völlig humpe. Da lädst dir einfach mal gigabyte Daten rein. Ja. Also das ist dann unser zusätzlicher Faktor, wo Du auch, also wenn Du dann noch zusätzlich viele Daten hast, ja, dann dann saugst Du die rein und profitierst vom, ja, vom Besten der beiden Welten, Expertensystem und Machine Learning System.
Speaker0: Was muss ich mir denn jetzt Zuhörer draußen von den Complexity Maisters auf jeden Fall merken, wenn ich mir denke, hey, ich bin jetzt in der Situation oder ich hab irgendein ein Projekt, ich möchte dort optimal handeln. Was kannst Du denen mitgeben?
Speaker1: Aus meiner Sicht und aus meiner Erfahrung ist es sinnvoll, beide Welten immer im Blick zu haben. Also einerseits die krass rational mathematisch abstrakte Sichtweise drauf zu behalten. Und dort ist es sehr cool, sich mit Spieltheorie zu beschäftigen oder auch so diesen diesen aus der Statistik, die einem mal vor Augen führen, wo einen der Geist, ja, austrickst und in die in die Irre führt. Und zugleich aber, weil man als Mensch ja wieder eben genau das Problem der begrenzten, ja, Datenverfügbarkeit, was man was man aufnehmen kann hat, sich auch immer auf den Erfahrungsschatz von erfahrenen Kollegen zum Beispiel berufen, ja. Weil weil der Mensch dann doch in der Lage ist, über längere Zeit sehr vieles implizit abzubilden. Und was ich da sehr empfehlen kann, das ist Buch, Thanking Fast and slow von Daniel Kahneman, glaub ich, heißt der, ja, ja. Das ist 'n cooles Buch, das beschreibt eben, wann das Gehirn Fehler macht, dafür sehr schnell unterwegs ist eben dieses Fast Thinking. Und was passiert, wenn der Mensch mehr Energie investiert und dann eher dieses Slaw Thinking macht? Und ist wirklich 'n cooles Buch, zieht es euch rein und dann verschiebt es noch mal die Perspektive, wann man vielleicht, ja, sich eben von seinem Geist und seiner Intuition auskriegsen lässt und wann man eher sicher sein kann, dass ausstricksen lässt und wann man eher sicher sein kann, dass man vielleicht doch eine gute Entscheidung getroffen hat. Ja, super. Vielen Dank für die Tipps. Ich bin mir sicher,
Speaker0: die Zuhörer können damit einiges anfangen. Für die von euch, die das selber mal selber ausprobieren wollten, Parameteroptimierung, gibt's mal wieder für euch eine Jupiter Notebook Datei in den Shownotes. In in der werdet ihr einem Bäcker dabei helfen, wie er sein Brot Semmelbackprozess, Brötchenbackprozess, je nachdem, ob ihr aus Bayern kommt oder nicht, wie er den optimieren kann. Genau. Theo, danke, dass Du da warst. Danke dir. Ich fand's super. Und ich würd sagen, Master the Complexity. Damit wir weiterhin für euch Complexitymasters 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.