Google’s New AI Solves Impossible Problems WITHOUT Instructions

OK, hier ist etwas Verrücktes. Es stellt sich heraus, dass die meisten Keys bei Entscheidungen im echten Leben schrecklich sind. Ich spreche von den Dingen, die wirklich wichtig Routen planen, Fristen einhalten, Lieferungen pünktlich liefern, ohne Kraftstoff zu verschwenden. Wir hören immer, dass KI die Welt verändert, nicht wahr? Schon bei 50 Fahrern oder einer Stadtbelieferung versagt sie wie ein billiges GPS bis jetzt. Denn was DeepMind gerade geschafft hat, könnte tatsächlich einen der größten blinden Flecken der KI beheben. Funktioniert es großflächig, verändert sich die Lebensmittellieferung, die OP Planung ihres Arztes und die Verkehrsvermeidung in Städten. Man gibt der KI echte Straßenkenntnis und Ja, das ist eine große Sache. Also reden wir darüber. Okay, hier ist der Lieferrouten planen, Mitarbeiter einteilen oder Lieferungen zu Geschäften zu bringen wahnsinnig schwer. Das sind sogenannte kombinatorische Probleme. Das bedeutet, dass es Unmengen an Möglichkeiten gibt und man die beste auswählen muss, ohne gegen die Regeln zu verstoßen. Lieferwagen brauchen Platz und Zeitfenster. Das muss man sicherstellen. Nehmen wir zum Beispiel an, ein Lieferfahrer muss 50 Häuser in einer Stadt anfahren, von denen jedes sein Paket zu einer bestimmten Zeit benötigt. Der LKW kann nur eine bestimmte Menge transportieren. Die perfekte Route zu finden ist wie ein Puzzle mit einer Milliarde Teilen zu lösen und das schnell viel Glück. In der Tech Welt nennt man solche Probleme NP schwer. Sie sind so komplex, dass selbst die schnellsten Computer ewig für die perfekte Lösung brauchen. Jetzt denken sie Hey, wir haben doch KI oder kann die das einfach herausfinden? Nun, hier wird es knifflig. KI, insbesondere neuronale Netze, sind hervorragend darin, Muster zu erkennen, z. B. Gesichter auf Fotos zu erkennen oder anhand ihres Verlaufs vorherzusagen, welcher Film ihnen gefallen könnte. Sie funktionieren am besten mit reibungslosen, kontinuierlichen Daten wie Bildern, Sprache oder Text. Bei der Planung von LKW Routen mit strengen Zeit und Kapazitätsvorgaben versagen starre binäre Entscheidungen. Solche Aufgaben erfordern eine klare Logik und den Umgang mit Einschränkungen, für die neuronale Netze einfach nicht gemacht sind. Andererseits sind herkömmliche Methoden, die solche Entscheidungen treffen können, wie etwa fortgeschrittene mathematische Löser, unglaublich langsam und erfordern perfekte Informationen, Was nicht realistisch ist, wenn man versucht, einen Berg von Paketen in Echtzeit zu bewegen. Um die KI bei schwierigen logistischen Rätseln zu verbessern, suchten die Forscher nach einem Weg. Sie entwickelten etwas Geniales KI, die wie ein menschlicher Planer denkt, nur viel schneller. Sie entwickelten einen Trick namens MCMMC Ebenen. Lass dich von dem Namen nicht abschrecken. Er ist nur eine andere Art zu sagen, dass sie der KI ein Werkzeug an die Hand gegeben haben, um verschiedene Optionen zu erkunden und die beste auszuwählen, ähnlich wie man verschiedene Routen auf Google Maps ausprobiert, um Staus zu vermeiden. MCMC steht übrigens für Marov Chain Monte Carlo, aber nennen wir es einfach einen intelligenten Entdecker. Es ist wie ein GPS, das keine perfekte Karte benötigt. Es prüft Optionen, etwa zwei Haltestellen tauschen oder einen LKW umleiten und entscheidet nach cleveren Regeln. So funktioniert es auf eine Weise, die wir alle verstehen können. Stellen Sie sich vor, Sie planen eine Lieferroute und haben einen guten Plan, der jedoch nicht perfekt ist. Der clevere Explorer optimiert mit kleinen Änderungen frühere Haltestelle, Hauswechsel auf Zeit und Benzin. Er verwendet eine Methode, die von etwas namens Simuliertes Abkühlen inspiriert ist, bei dem man ein heißes Stück Metall langsam abkühlt, um es fester zu machen. Es werden die KI Entscheidungen gekühlt, um langfristig die besten auszuwählen. Die Forscher verwandeln dies in eine Ebene, die genau in ein neuronales Netzwerk passt, sodass die KI aus ihren Fehlern lernen und bessere Routen auswählen kann, während sie gleichzeitig schnell und flexibel bleibt. Das Coole daran ist, dass dies keine perfekte Lösung benötigt, um zu funktionieren. Früher setzte man auf exakte Löser. Das gleicht dem Versuch, ein Milliardenpuzzle Teil für Teil zu überprüfen. Das dauert ewig, besonders bei großen Problemen. Dieser neue Ansatz verwendet sogenannte lokale Suchhuristiken. Schnelle intelligente Schätzungen führen schnell zu einer tollen Lösung ohne Perfektionsanspruch. Die Forscher haben sichergestellt, dass diese Vermutungen differenzierbar sind. Das bedeutet, dass die KI daraus lernen kann, so wie man durch Versuch und Irrtum lern, wenn man eine Party plant. Sie verwendeten auch etwas, das als Fenchel Young Verluste bezeichnet wird. OK, noch ein Fachbegriff, aber bleiben Sie dran. Es ist wie eine Scorecard, die der Key anzeigt wie nah Ihr Plan am bestmöglichen Plan ist. Selbst wenn die KI nur einen schnellen Versuch unternimmt, hält diese Scorecard den Lernprozess auf Kurs, was enorm ist, da es schnelleres Training und weniger Rechenleistung bedeutet. Sie testeten verschiedene Startmethoden für die Key Vermutungen, einen bekannten guten Plan Ground Truth oder einen leicht verbesserten mittels Heuristik, quasi ein grober Routenentwurf als Vorsprung. Kommen wir nun zum Interessanten, den Ergebnissen. Sie testeten dies anhand eines extrem schwierigen Problems namens Dynamic Vehicle Routing Problem with Time Windows oder DVRPTW aus einem großen Technologiewettbewerb namens Euro meets nur IPS 2022. Stellen Sie sich eine Stadt vor, in der den ganzen Tag über Lieferaufträge eingehen und Sie den LKW Routen zuweisen müssen, wie während Sie gleichzeitig sicherstellen, dass die LKW jede Haltestelle pünktlich erreichen und nicht überladen werden. Es ist wie ein Echtzeit Strategiespiel. Ständige Herausforderungen. Sekunden für die Entscheidung. Die Forscher verwenden ein Setup, bei dem die Route jedes LKW in Wellen geplant wird, wobei neue Aufträge hinzugefügt und alte nach und nach bereinigt werden. Ihre auf diesen MCMC-Ebenen basierende KI war. Ein Knaller. Mit nur einer Millisekunde Entscheidungszeit lieferte die KI Routen, die nur 7,8 bis 8 Prozent schlechter waren als der perfekte, alle zukünftigen Anfragen berücksichtigende Plan antizipative Basislinie. Vergleichen wir das mit der alten Methode, die etwas namens Störung verwendete, also im Grunde zufälliges Rauschen hinzufügte, um die Dinge aufzurütteln, war sie satte 65,2 prozent schlechter eine Stunde gegen nächste Woche. So unterschiedlich ist's mit dem Paket. Selbst als sie ihr mehr Zeit Gaben, beispielsweise eintausend Millisekunden, erreichte ihre Methode 5,9 Prozent im Vergleich zu 5,5 Prozent für den alten Ansatz, was zeigt, dass sie Kopf an Kopf mit den besten liegt, aber für den Einsatz in der Praxis viel praktischer ist. Sie fanden auch heraus, dass die KI noch leistungsfähiger wurde, wenn sie mit einem guten Plan startete, beispielsweise den perfekten Routen aus der Basislinie der Konkurrenz oder einer leicht angepassten Version. Bei 100 Millisekunden beispielsweise erreichte der angepasste Start 5,9 Prozent relative Kosten. Das war sehr nah am Ideal. Sie testeten die Einstellung Temperatur, die steuert, wie stark die KI neue Ideen erkundet, statt bewährte zu nutzen. Eine Temperatur von 100°C war der Sweet Spot, wenn man mit einem guten Plan begann, aber niedrigere Temperaturen halfen, wenn man bei Null anfing. Zur Überprüfung testeten sie die Methode an einfacheren Problemen, etwa der besten Kombination von Elementen. Sie stellten fest, dass ihr intelligenter Explorer der perfekten Antwort schon nach wenigen Versuchen sehr nahe kam. Mehrere Explorer gleichzeitig auszuführen war wie die Zusammenarbeit eines ganzen Teams von Planern, was die Dinge beschleunigte, ohne an Genauigkeit zu verlieren. Sie bewiesen auch, dass ihre Methode mathematisch absolut solide ist, indem sie Begriffe wie Konvergenzgarantien verwendeten, um zu zeigen, dass sie im Laufe der Zeit zuverlässig die besten Lösungen lernt, selbst für extrem komplexe Probleme. Bei den Fahrzeugroutentests wurden Optimierungen wie der Tausch von Haltestellen, die Verlegung von Lieferungen oder das Umkehren von Routenabschnitten vorgenommen, wobei die Regeln zur Zuladung und den Zeitfenstern eingehalten wurden. Sie führten diese Tests auf einer einzelnen CPU mit 30 Problemstellungen für das Training und 25 für die Tests mit bis zu 100 Anfragen pro Welle durch. Die Ergebnisse wurden über 50 Durchläufe gemittelt, um sicherzustellen, dass sie nicht einfach nur Glück hatten. Ein Graph neuronales Netzwerk, quasi eine super organisierte Tabelle, verarbeitete die Daten. Warum sollte sie das interessieren? Diese Technik bringt schnellere, günstigere Lieferungen und senkt ihre Preise. Den Stress für Firmen Stellen Sie sich vor, ihr Essen kommt heiß an, Ihre Pakete kommen pünktlich an oder sogar Krankenhäuser planen Operationen effizienter. Es geht nicht nur um Lastwagen. Es könnte bei allem helfen, was eine intelligente Planung erfordert, wie zum Beispiel bei der Organisation von Veranstaltungen oder der Verkehrssteuerung Der Es ist noch nicht perfekt. Die Forscher mussten an den internen Abläufen der KI herumtüfteln, damit sie funktioniert, was nicht immer einfach ist. Sie überlegen bereits, wie sie es durch intelligentere Abkürzungen für größere Optionen verbessern können. OK, so fängt es also an. KI berechnet heute Lieferrouten und entscheidet morgen, wer die Gesundheitsversorgung erhält. Hm, ich möchte wissen, was ihr darüber denkt. Und hey, wenn euch diese Analyse gefallen hat, dann klickt auf den Gefällt mir Button, abonniert den Kanal für weitere Wildtech Geschichten und danke fürs Zuschauen. Wir sehen uns beim nächsten Mal.