Name des Teilnehmers: Ogün Yurdakul
Beschreibung des IT-Forschungsprojekts: Im Unternehmensalltag gibt es zahlreiche Fälle, in denen eine Entscheidung unter unsicheren Parametern getroffen werden muss. Die meisten Studien in der Literatur verwenden Techniken der stochastischen Optimierung (SO), um Entscheidungen bei Ungewissheit zu treffen. Während SO-Techniken voraussetzen, dass die Wahrscheinlichkeitsverteilung der unsicheren Parameter a priori spezifiziert ist, können Unternehmen die tatsächliche Verteilung der unklaren Parameter nicht kennen. Auf der anderen Seite verfügen die Unternehmen über eine große Menge an Daten über die vergangenen Realisierungen der unsicheren Parameter und über die Kovariaten, die die Realisierung dieser Parameter beeinflussen. Die meisten SO-Ansätze nutzen jedoch die kontextbezogenen Informationen nicht effektiv und stellen die Unsicherheit mit pauschalen Wahrscheinlichkeitsverteilungen dar. Die Studien in der Literatur zum Maschinellen Lernen (ML) haben mehrere überwachte Lernmodelle hervorgebracht, die die Realisierung unsicherer Parameter genau vorhersagen können. Dennoch handelt es sich bei der generierten Prognose in der Regel um einen einzelnen Wert in Form einer Punktprognose, die die stochastische Natur eines ungewissen Parameters nicht erfassen kann.
Um diese Defizite zu beheben, zielt dieses Projekt darauf ab, einen Ansatz zu entwickeln, der ML-Techniken in Verbindung mit SO-Modellen einsetzt, um Kleinunternehmen bei der Entscheidungsfindung unter Unsicherheit zu unterstützen. In Anlehnung an das kontextbezogene SO-Paradigma, das auch als prädiktive Vorhersage bezeichnet wird, besteht ein Hauptpfeiler des Projekts darin, eine übergreifende Methodik zu entwickeln, die überwachte ML-Techniken und SO-Modelle gemeinsam nutzt. Die vorgeschlagene Methodik wird auf eine generische Art und Weise entwickelt, die kontextuelle Informationen effektiv ausnutzt und ein bedingtes SO-Problem effizient löst, wenn eine Beobachtung über Kovariaten vorliegt. Darüber hinaus werden in Absprache mit dem Industriepartner spezifische Anwendungsfälle identifiziert und der vorgeschlagene Rahmen wird auf die Merkmale, unsicheren Parameter und die Zielfunktion der identifizierten Anwendungsfälle zugeschnitten.
Software Campus-Partner: Technische Universität Berlin & DATEV eG
Umsetzungszeitraum: 01.04.2022-31.03.2024