Von der Planung zum Lernen

Forschungsrichtung: Die hier beschriebenen Lernverfahren sind noch nicht implementiert. Der aktuelle Planer verarbeitet strukturierte Angaben und vergleicht Termine nach festen Regeln. Er trainiert kein Modell und lernt nicht aus deinen Entscheidungen.

English · Projektgeschichte · Architektur

Die Frage hinter dem Projekt

Ich wollte verstehen, wie neuronale Netze lernen. Dazu gehörte die Arbeit von David E. Rumelhart, Geoffrey E. Hinton und Ronald J. Williams über Backpropagation von 1986. Die Formeln wirkten zunächst schwer zugänglich. Als ich die einzelnen Rechenschritte nachvollzog, konnte ich erkennen, was sie tatsächlich beschreiben.

Mit Cerebri möchte ich auf diese Weise weiterlernen: Ideen selbst umsetzen, Annahmen testen und verstehen, warum ein Ergebnis entsteht. Zeitplanung bietet dafür konkrete Fragen. Passt ein Termin? Was ist bereits belegt? Welche von mehreren passenden Zeiten ist nützlich? Und woran würde ich erkennen, dass ein lernendes Verfahren dabei hilft?

Warum zuerst ein Planer mit festen Regeln entsteht

Im Beispiel bleiben sieben passende Startzeiten übrig. Ohne Wunschzeit kommt 10:00 Uhr zuerst. Die vorhandenen Regeln erklären dieses Ergebnis, und Tests können prüfen, ob eine Änderung das Verhalten beeinflusst.

Das schafft eine Vergleichsgrundlage für spätere Experimente. Ein Modell müsste zeigen, welche Aufgabe es besser löst. Es dürfte dabei weder einen belegten Zeitraum als frei behandeln noch einen unzulässigen Termin durch eine gute Bewertung zulässig machen. Die Prüfung der Regeln bleibt eine eigene Aufgabe.

Welche Fragen später untersucht werden könnten

Eine Anfrage verstehen. Aus „am Nachmittag eine halbe Stunde“ könnte ein Verfahren Angaben für CPIR vorschlagen. Es müsste Unklarheiten erkennen, etwa welchen Tag die Person meint. Heute muss eine Anwendung die strukturierten Angaben selbst liefern; eine solche Texteingabe wird vom aktuellen Planer nicht interpretiert.

Passende Zeiten vergleichen. Bei mehreren zulässigen Terminen könnte ein Experiment untersuchen, ob frühere ausdrückliche Entscheidungen hilfreiche Vorlieben erkennen lassen. Eine aktuelle Vorgabe müsste weiterhin Vorrang haben. Das System lernt solche Vorlieben derzeit nicht. Dass Datenfelder eine gelernte Herkunft benennen können, bedeutet noch nicht, dass ein Lernverfahren vorhanden ist.

Gezielter suchen. Bei größeren Aufgaben könnte ein Modell Hinweise geben, welche Möglichkeiten zuerst geprüft werden sollten. Ob das innerhalb desselben Suchbudgets bessere Ergebnisse liefert, wäre zu messen. Eine abgebrochene Suche dürfte weiterhin nur berichten, was sie tatsächlich geprüft hat. Die heutige Suche behandelt einen Zieltermin in einem festgelegten Zeitraster.

Persönliche Muster berücksichtigen. Später könnte untersucht werden, wie sich langfristige Vorlieben von einem Wunsch in der aktuellen Situation unterscheiden. Persönliche Rückmeldungen sollen nicht automatisch zu gemeinsamen Trainingsdaten werden. Der aktuelle Planer sammelt keine solchen Rückmeldungen.

Weitere Anwendungen unterstützen. Aufgaben, Räume oder Schichten sind mögliche spätere Einsatzfelder. Dafür wären jeweils passende Daten, Regeln und geprüfte Anbindungen nötig. Produktive Kalender- oder Anbieteranbindungen sind noch nicht vorhanden; ein Modell allein würde sie nicht ersetzen.

Was Lernen von Grund auf hier heißen soll

Der reservierte Lernpfad sieht vor, ein kleines neuronales Netz schrittweise selbst zu implementieren. Die Lektionen existieren noch nicht. Geplant ist, die Berechnung nachvollziehbar zu machen:

1. Eingaben durch das Netz rechnen und die Zwischenwerte ansehen.
2. Mit einer Fehlerfunktion messen, wie weit die Ausgabe vom gewünschten Ergebnis entfernt ist.
3. Mit Backpropagation berechnen, wie Änderungen der Parameter diesen Fehler beeinflussen.
4. Die Parameter anpassen und beobachten, wie sich die nächste Ausgabe verändert.
5. Die berechneten Ableitungen durch kleine numerische Änderungen und eine unabhängige Framework-Referenz überprüfen.

Damit würde der Lernpfad zur Ausgangsfrage zurückkehren: Wie wird aus einer Formel ein Verfahren, dessen einzelne Schritte ich erklären und prüfen kann? Diese Übungen wären vom produktiven Planer getrennt. Ein gelungenes Lernbeispiel wäre noch kein Nachweis, dass ein Modell echte Planungsaufgaben besser löst.

Was dafür heute schon vorbereitet ist

Die Ranking-Beobachtungen beschreiben bereits berechnete Vergleichswerte und ihre Herkunft. Sie verändern die feste Reihenfolge nicht und sind kein trainiertes Bewertungsmodell.

Die Evaluationsgrundlagen definieren Datentypen und prüfen das Übertragungsformat synthetischer Einträge. Phase A ist abgeschlossen. Der bisherige Teil von Phase B ergänzt einheitliche Darstellungen von Werten und Regeln, Fingerabdrücke für einzelne Kandidaten und Hypothesen sowie eine gemeinsame Berechnung der Aufwandsgrenzen einer Anfrage. Ein Fingerabdruck ist eine berechnete Kennung, mit der sich die dargestellten Inhalte vergleichen lassen.

Eine vollständige Aufzeichnung eines Planungslaufs entsteht dadurch noch nicht. Fingerabdrücke ganzer Szenarien und Entscheidungen, die vollständige semantische Prüfung, das automatische Sammeln von Planerbeobachtungen und die Wiederholung früherer Läufe sind noch nicht fertig. Der Phase-B-Zwischenstand beschreibt die genaue Grenze; Phase B wird damit nicht als abgeschlossen dargestellt.

cerebri-ml enthält Metadaten und Schnittstellen für Modelle und Datensätze. Ein Trainingslauf, ein einsatzfähiges Modell oder ein Anschluss an die aktuelle Planersuche entsteht dadurch noch nicht.

Woran ein Experiment gemessen werden soll

Ein Versuch braucht eine konkrete Frage, dokumentierte Daten und Einstellungen sowie einen nachvollziehbaren Vergleich mit dem bisherigen Verfahren. Beispiele, mit denen ein Modell lernt, müssen von denen getrennt bleiben, an denen seine Leistung geprüft wird. Auch Fehler, unklare Anfragen und ungünstige Fälle gehören in die Auswertung. Mehr Komplexität wäre nur sinnvoll, wenn sich ein Nutzen zeigen lässt.

Selbst bessere Vorschläge würden keine Ausführungsrechte erteilen. Fakten, verbindliche Regeln, Berechtigungen und die Prüfungen vor einer Änderung bleiben außerhalb der Zuständigkeit eines lernenden Modells.

Der aktuelle Fahrplan hält den Implementierungsstand fest. Der Entwicklungs- und Lernplan beschreibt spätere Etappen; seine Zeit- und Versionsziele sind keine Veröffentlichungstermine. Die Forschungsstandards beschreiben, wie Experimente und Vergleiche dokumentiert werden sollen.