Modell-Präzision

Modell-Präzision

Mit der CYNERELO™ Software entstehen, abhängig davon, wie gut die Hypothese (NMPC-Graph) und Daten zusammenpassen, nicht-stochastische, falsifizierbare Modelle unterschiedlicher Präzision. Werden die historischen Ausgangsdaten aus den historischen Eingangsdaten durch das Modell gut nachgebildet und gilt dies auch für Testdaten, so erweist sich die Hypothese als nützlich.

Da mit unserem Ansatz über den NMPC-Graphen stichhaltiges menschliches Expertenwissen in die KI-Modelle eingebunden werden kann, gewinnt das Modell so einen Informationsvorsprung gegenüber klassischen regressiven KI-Methoden, die entweder ihr passendes Modell fast ausschließlich auf Basis der Daten und ohne menschliches Szenario-Knowhow finden müssen oder auf über-simplifizierte quasi-lineare Modelle beschränkt sind.

Mikro- und makroökonomischen Systemen wohnen oft verschlungene Rückkopplungen und im Detail unbekannte nichtlineare, zeitliche Abhängigkeiten inne. Für klassische regressive KI-Algorithmen, denen kaum eine realistische Szenariobeschreibung mitgegeben werden kann, entsteht somit ein immenser Problemsuchraum, der mit zeitgenössischer Rechenleistung ab einer gewissen Komplexität nicht mehr zu bewältigen ist.

Ganz anders bei unserem Ansatz: durch die vorgegebene Hypothese, mittels der verschlungene Rückkopplungen und im Detail unbekannte nichtlineare, zeitliche Abhängigkeiten einfach und kompakt beschrieben werden können, sind der KI hilfreiche Orientierungsgrenzen gesetzt. Der Suchraum wird somit um Größenordnungen kleiner, und Modellpräzision ist mit entsprechend weniger Rechenleistung und weniger Daten erzielbar.

Gelingt es dem Analysten, so ein präzises Modell zu erstellen, hat er nicht nur ein gutes Prognoseinstrument geschaffen – aus seiner Hypothese ist nun eine empirische, quantifizierbare und wissenschaftlich verwertbare Theorie geworden.

 

vorherige Seite nächste Seite