KI - Mehr als nur ChatGPT & Co.

Künstliche Intelligenz (KI) ist längst in unserem Alltag angekommen. Besonders Large Language Models (LLMs) wie ChatGPT oder Googles Gemini haben viel Aufmerksamkeit erregt, weil sie unglaublich fancy wirken: Sie können Fragen beantworten, Texte verfassen und in Echtzeit auf uns reagieren. Doch diese KI-Modelle stellen im Grunde nur die Spitze des Eisbergs dar. Es gibt noch eine Vielzahl anderer Ansätze und Methoden, die ebenfalls unter den KI-Begriff fallen – und mindestens genauso cool sind.

Heuristische Algorithmen als KI-Werkzeuge

Ein wichtiger Bereich innerhalb der KI sind heuristische Algorithmen. Diese Algorithmen arbeiten mit Faustregeln (Heuristiken), um komplexe Probleme schnell zu lösen, ohne dabei immer eine perfekte oder optimale Lösung garantieren zu können. Ihr Hauptvorteil liegt in der kurzen Rechenzeit und der Fähigkeit, trotzdem „gute“ Lösungen zu finden, vor allem bei sehr großen oder unübersichtlichen Suchräumen. Beispiele für den Einsatz heuristischer Algorithmen finden sich in der Routenplanung, in Produktionsoptimierung oder in Spielstrategien (z. B. Schachprogramme). Sie sind zwar nicht ausschließlich in der KI zu finden, aber in vielen KI-Verfahren fest verankert.

Mein PHP-Tool zur Routenoptimierung

Aktuell arbeite ich an einem PHP-Tool, das eine Excel-Datei mit verschiedenen Städten und verfügbaren Terminen einliest. Auf Basis dieser Daten soll das Tool die optimale Reihenfolge und Route finden, um alle Termine möglichst effizient abzufahren. Solche Routenplanungsprobleme (oft bekannt als Traveling Salesman Problem, kurz TSP) sind in der Informatik echte Klassiker. Weil sie in ihrer exakten Form schwer (oder extrem zeitaufwändig) zu lösen sind, setzen viele Lösungen auf heuristische Ansätze.

Warum ein Ameisenalgorithmus?

In meiner Bachelorarbeit über die Optimierung von Graphen mit Ameisenalgorithmen hatte ich mich mal intensiv mit heuristischen Verfahren befasst. Dadurch war mir relativ schnell klar, dass hier sowas zum Einsatz kommt.

Wie finden Ameisen Routen in der Natur?

In der Natur hinterlassen Ameisen auf ihrem Weg Pheromone. Folgende Beobachtungen sind dabei entscheidend:

1. Zufallssuche: Ameisen starten oft zufällig, um eine Futterquelle zu finden.
2. Pheromonspur: Sobald eine Ameise eine vielversprechende Route entdeckt, hinterlässt sie Pheromone.
3. Verstärkung: Andere Ameisen orientieren sich an diesen Pheromonspuren und verstärken sie, wenn sie ebenfalls denselben Weg gehen. So entsteht eine Art „selbstverstärkendes“ Netz. Diese Mechanismen sorgen dafür, dass sich die kürzesten und besten Routen mit der Zeit „herauskristallisieren“.

Wie funktionieren Ameisenalgorithmen?

Ein Ameisenalgorithmus überträgt dieses Prinzip in die Informatik, um Wege zu optimieren. Auf ein Routenplanungsproblem angewendet, bedeutet das:

1. Initialisierung: Eine Reihe „künstlicher Ameisen“ beginnt, mögliche Routen durch alle Ziele zu durchlaufen.
2. Pheromon-Aktualisierung: Jede Ameise „markiert“ gefundene Wege mit Pheromonen – je nach Güte (z. B. Länge, Kosten) der Route.
3. Wahl des nächsten Ziels: Weitere Ameisen wählen ihre nächsten Ziele entsprechend der vorhandenen Pheromonkonzentration (und ggf. Zufallsfaktoren).
4. Evaporation: Pheromone verflüchtigen sich mit der Zeit, sodass veraltete oder schlechtere Routen an Bedeutung verlieren.
5. Schrittweise Verbesserung: Nach mehreren Durchläufen (Iterationen) ergibt sich eine oder mehrere sehr gute – wenn nicht sogar optimale – Routen.

Warum nicht einfach alle Routen durchprobieren?

Man könnte auf den ersten Blick denken: „Warum nicht alle Möglichkeiten testen und dann die beste wählen?“ In der Theorie ist das beim Traveling Salesman Problem denkbar, praktisch jedoch völlig unmachbar – gerade bei größeren Datensätzen. Wenn man 64 Städte hat, kommt man auf 63! mögliche Routen. Diese Zahl ist enorm: Sie liegt ungefähr bei 2*10^87, also einer 2 mit 87 Nullen! Eine vollständige Suche durch alle Routen würde selbst für Supercomputer nahezu unendlich lange dauern. Im Gegensatz dazu arbeitet der Ameisenalgorithmus – als heuristischer Ansatz – vergleichsweise effizient. Bereits einige Hunderttausend Durchläufe (Iterationszyklen) reichen, um eine richtig gute, oft nahezu optimale Route zu finden.