Problem Solving [Ps]

Was genau leistet das KI-Element?

Problem Solving [Ps] beschreibt die Suche nach möglichen Pfaden von einem Ist- in einen Soll-Zustand. Den Übergang von Ist nach Soll beschreiben Einzelschritte, die Rahmen- oder Randbedingungen genügen müssen. Die Lösung hat per se keine direkten physischen Konsequenzen in der Welt, sondern erfolgt durch Abstraktion durch mathematische Modelle oder Computersimulationen. Problem Solving [Ps] entspricht der menschlichen Fähigkeit, ein Problem durch Nachdenken zu lösen. Die prinzipielle Lösung steht im Vordergrund, das mögliche Optimieren ist nachrangig. Eine Fähigkeit von Problem Solving [Ps] besteht oft darin, ein Gesamtproblem in Einzelprobleme zu zerlegen.

Für welche Aufgaben wird das KI-Element in Unternehmen eingesetzt?

Problem Solving [Ps] wird eingesetzt beim Finden möglicher Lösungen für Probleme unter der Beachtung von Nebenbedingungen. Das Resultat sind mehrere mögliche Lösungen, deren Konsequenzen hinsichtlich klar definierter Kriterien bewertet werden. Beispiele sind adaptive Produktionsplanung, Routenoptimierung in der Logistik oder Personaleinsatzplanung. Als Echtzeitanwendung gelten das autonome Fahren oder die Steuerung von Drohnen.

Welche Marktentwicklungen zeigen die Bedeutung des KI-Elements?

Problem Solving [Ps] auf Basis statistischer Lernverfahren gewann in den letzten Jahren an Bedeutung. So bezwang AlphaGo im März 2016 einen der derzeit weltbesten Go-Spieler in fünf Partien mit 4:1. Überdies gewann AlphaGo auch gegen ein Team von fünf Topspielern, die sich über ihren Zug gemeinsam abstimmen konnten. Ein Beispiel eines im Jahr 2005 durch einen Computer gelösten Problems ist das sogenannte Vier-Farben-Theorem, das vorher von Mathematikern nicht gelöst werden konnte. Trotz theoretischer Zweifel haben sich Computerbeweise etabliert.

Wie hängt dieses KI-Element mit anderen im Periodensystem zusammen?

Problem Solving [Ps] simuliert die Fähigkeit des Problemlösens des Menschen. Dies geschieht entweder durch deterministische Verfahren, z. B. zur Routenfindung in Transportnetzwerken, oder durch stochastische Verfahren, bspw. evolutionäres Design. Problem Solving [Ps] hängt besonders mit den KI-Elementen auf der linken Seite des Periodensystems zusammen.

Am nächsten liegt Problem Solving [Ps] jedoch den KI-Elementen Planning [Pl] und Decision Making [Dm], da beide die logische Herleitung einer gefundenen Lösung präsentieren. Problem Solving [Ps] geht prinzipiell Planning [Pl] und Decision Making [Dm] voraus, da eine geplante Handlung erst aus dem Abwägen einer oder mehrerer Problemlösungen möglich wird. Beispielsweise kann die Lösung eines Rundreiseproblems mithilfe anderer Randbedingungen, wie z. B. Fahrerverfügbarkeit, Kfz-Verfügbarkeit oder Ankunftszeit, in einen Plan überführt werden, der auch Fahrerpausen oder Betankungszeiten enthält. Die Datengrundlage für Problem Solving [Ps] kann durch Audio Recognition [Ar] und Image Recognition [Ir] bereitgestellt werden. Um das Resultat von Problem Solving [Ps] zu kommunizieren, kann Language Generation [Lg] angebunden werden.

Wer bietet für dieses KI-Element Lösungen auf dem Markt an?

Problem Solving [Ps] wurde in der Geschichte der KI tatsächlich als unabhängige Lösung gesehen. In der Praxis hat sich gezeigt, dass Problem-Solving-Lösungen häufig maßgeschneidert für spezielle Branchen angeboten werden. So existieren Angebote für das Planen von Produktionsprozessen oder Personaleinsätzen.

Welche wirtschaftliche Bedeutung hat dieses KI-Element?

Die wirtschaftliche Bedeutung des Automatisierungspotenzials durch Problem Solving [Ps] ist hoch. Roboter werden z. B. durch Problem Solving [Ps] in die Lage versetzt, selbstständig Nachschub an Produktionsstraßen zu liefern. Damit optimieren Roboter Teile der Produktionskette, indem sie Bedarf wahrnehmen, ihre Handlungen priorisieren und zusätzlich Abläufe mit anderen Robotern abstimmen. Marketsandmarkets schätzt das jährliche Marktvolumen für Cobots im Jahr 2025 auf 12,3 Milliarden US-Dollar.

Welche Hürden zeigen sich beim Einsatz dieses KI-Elements in der Praxis?

Die hohe Komplexität und Dynamik von Systemen, in denen Problem Solving [Ps] zum Einsatz kommt, stellt eine große Hürde dar. Ein vorrangiges Problem ist die Entwicklung effizienter Algorithmen, die trotz großer Lösungsräume und mannigfaltiger Nebenbedingungen zeitnah gute Lösungen liefern. Ein weiteres Problem beim Praxiseinsatz stellen Fälle dar, bei denen suboptimale Lösungen Qualitätsverluste verursachen.

Um robuste Systeme zu bauen, müssen diese auch mit unbekannten Situationen umgehen können. Ein möglicher Ansatz hierfür ist Transfer Learning. Hierfür nutzt ein System bereits vorhandenes Wissen, um es auf ein unbekanntes Problem zu übertragen. Der heutige Stand der Technik erlaubt es, verwandte Probleme mit Transfer Learning zu lösen. Ein Beispiel ist das System IMPALA von DeepMind, welches ein neuronales Netz trainiert, das sequenziell Atari-Spiele lernt und dabei Wissen von den vorhergehenden Spielen nutzt.

Wer treibt die Entwicklung dieses KI-Elements voran?

Forschungsnahe Softwareunternehmen wie DeepMind arbeiten an generell einsetzbaren Problem-Solving-Lösungen. Anwendungsspezifische Lösungen werden durch Anbieter von Planungssoftware für autonomes Fahren, Produktionsplanung und Logistikoptimierung entwickelt. Mehrere Institute der Fraunhofer-Gesellschaft wie die Institute für Software- und Systemtechnik, Materialfluss und Logistik und Angewandte Informationstechnik entwickeln anwendungsspezifische, KI-basierte Systeme zum Problem Solving [Ps]. Ein Beispiel ist ein System zur Bildung von Platoons: Lastwagen können autonom in digital gekoppelten Kolonnen (Platoons) fahren, die von einem menschlichen Fahrer angeführt werden. Vorteile sind etwa Treibstoffersparnis aufgrund eines geringeren Luftwiderstands und weniger Platzbedarf auf der Straße. Das zugrunde liegende Optimierungsproblem berücksichtigt u. a. Start und Ziel der jeweiligen Platoon-Teilnehmer sowie deren Beladung und Höchstgeschwindigkeit.