Hochleistungsverfahren für überzeugende Ergebnisse in Echtzeit

Mit innovativen Verfahren der intelligenten Datenanalyse sind Sie für alle Herausforderungen gerüstet.

Die prudsys AG gilt als Technologieführer in den Bereichen Data-Mining und Realtime Analytics. Unsere eigene Forschungs- und Entwicklungsabteilung arbeitet seit jeher an innovativen Verfahren zur Analyse hochdimensionaler Daten. Aktuelle Forschungsschwerpunkte liegen auf den Themen Machine Learning, Dynamic Pricing und Echtzeit-Scoring.

Wir sind Inhaber zahlreicher Patente und bauen unsere technologische Spitzenposition durch die enge Zusammenarbeit mit renommierten wissenschaftlichen Institutionen kontinuierlich aus. Wir sind Mitglied der Standardisierungsgremien DMG und OMG und nehmen damit aktiv Einfluss auf die Leitlinien in der intelligenten Datenanalyse.

Reinforcement Learning

Maschinelles Lernen in Echtzeit.

Reinforcement Learning ist eine Variante des maschinellen Lernens und das zentrale Framework der prudsys Realtime Decisioning Engine (kurz: prudsys RDE). Herkömmliche Recommendation Engines – insbesondere auf Warenkorbanalyse und Collaborative Filtering basierende Systeme – beruhen zumeist auf der Annahme, dass Content, welcher am wahrscheinlichsten vom Nutzer ausgewählt wird, diesem auch empfohlen werden sollte. Obgleich sich diese Annahme empirisch bewährt hat, sollte sie dennoch kritisch hinterfragt werden: Warum einem Nutzer etwas empfehlen, was dieser wahrscheinlich ohnehin ausgewählt hätte? Die Herausforderung besteht darin, beim Thema Empfehlungen von einer statistischen zu einer kontrolltheoretischen Sichtweise zu wechseln und gewissermaßen „kybernetisch“ zu denken.

Ein zentrales Framework stellt das Reinforcement Learning dar, das wesentlich auf Methoden der dynamischen Programmierung beruht und vorrangig den Aspekt des Echtzeit-Lernens untersucht. Hierbei betrachtet Reinforcement Learning immer die Ketten aller Folgetransaktionen und arbeitet nicht nur zielorientiert, sondern auch langfristig und nachhaltig. Die Herausforderung bei der Nutzung des Reinforcement Learnings für Empfehlungen besteht darin, das Verfahren selbst bei extrem dünnbesetzen Transaktionsdaten zügig konvergieren zu lassen. Hierzu werden robuste Approximations-Architekturen genutzt, wobei hierarchische Verfahren eine Schlüsselrolle spielen. Die prudsys AG beschäftigt sich seit 2004 mit diesem Thema und erzielt herausragende Ergebnisse.

Vorteile des Reinforcement Learnings

Feedback fließt in das Lernen ein

Maximierung einer vorgegebenen Zielgröße

Optimierung über die gesamte Kette zukünftiger Nutzeraktionen

Wechselspiel aus Verwertung und Exploration

Konsistente Operator-basierte Theorie

Nahtlose Kombination aus Offline- und Online-Lernen

Echtzeit-Scoring

Sparse Grids für Klassifikation und Regression.

Der Fokus im Bereich Echtzeit-Scoring liegt auf der Entwicklung adaptiver Dünngitter-Techniken. Die Technik der „Sparse Grids“ für Klassifikations- und Regressionsprobleme gilt als erstes universelles multivariates Scoring-Verfahren, welches linear mit der Anzahl der Datensätze skaliert und somit auf riesigen Datenmengen eingesetzt werden kann. Die Grundidee besteht darin, Klassifikations- und Regressionsprobleme über deren Operatorgleichungen – zumeist Differentialgleichungen – zu lösen, indem der Merkmalsraum diskretisiert wird. Dieser Ansatz, der sich für physikalische Probleme – insbesondere in Form der Finite-Elemente-Methode – seit Jahrzehnten bewährt hat, scheiterte im Data-Mining-Bereich bislang an der Rechenkomplexität, die exponentiell mit der Dimensionszahl ansteigt.

Dünngitter-Verfahren stellen mehrdimensionale Wavelets dar, die durch die Eliminierung von Teilgittern erstmals in hohe Dimensionen vordringen können ohne die wesentlichen Vorteile von Wavelets (Approximation, spektrale Darstellung, Orthogonalität) zu verlieren. Die prudsys AG entwickelte die Dünngitter-Technologie für Scoring-Applikationen zusammen mit ihren Partnern von der Universität Bonn und dem Fraunhofer Institute for Algorithms and Scientific Computing. Aktuelle Forschungsschwerpunkte sind die weitere Erhöhung der Dimensionszahl, die Übertragung auf andere Operatorformulierungen sowie verschiedene Echtzeit-Aspekte.

Vorteile des Echtzeit-Scorings

Lösung von Klassifikations- und Regressions-Aufgaben unabhängig von der Anzahl der Datensätze

Inhärent inkrementeller Ansatz erlaubt direkte Nutzung für Echtzeit-Lernen

Interpretierbare Repräsentation der Regressionsfunktion

Direkte Analyse, Komprimierung und Glättung der Regressions-Funktion durch spektrale Repräsentation

Erweiterung auf unterschiedlichste Operator-Formulierungen, Integration von A-priori-Wissen

Kombination von Offline- und Online-Lernen

Dynamische Preisoptimierung

Vollautomatische Berechnung der Preiselastizität.

Verfahren der automatischen Preisoptimierung gewinnen dramatisch an Bedeutung. Sie zählen derzeit zu den innovativsten Analyseverfahren. Die prudsys AG ist Pionier im Bereich des Dynamic Pricing für den Handel und verfügt über ein umfassendes Baukastensystem dynamischer Preisoptimierungsverfahren. Diese Verfahren basieren wesentlich auf Regressionsverfahren zur Abschätzung der Preiselastizität (Echtzeit-Scoring) in Kombination mit Ansätzen der Kontrolltheorie. Verfahren zur dynamischen Preisoptimierung liefern in Echtzeit optimierte Preise. Hier setzt das Reinforcement-Learning-Framework auf. Derzeitige Algorithmen der automatischen Preisoptimierung leiden primär darunter, dass die Preise zu wenig variieren und so wichtiges empirisches Datenmaterial fehlt.

Die zielgerichtete und kontinuierliche Änderung der Preise schließt systematisch die Lücke im fehlenden Datenmaterial und ermöglicht eine genaue Schätzung der Preiselastizität. Die Einsatzszenarien von Dynamic Pricing sind außerordentlich vielseitig. Sie beinhalten den Umgang mit Wettbewerbspreisen, An- und Verkauf, Auktionen, Bundling, persönliche Rabatte und Couponing. Daher ist das Framework der dynamischen Preisoptimierung sehr umfangreich: Es erlaubt die Definition unterschiedlicher Optimierungsgrößen (Umsatz, Absatz und Ertrag). Es berücksichtigt verschiedene Strategien (Hoch-/ Niedrigpreis, Nachfrage-/ Wettbewerbs-orientiert und anonymisiert/ personalisiert). Es beachtet Constraints (Preisgrenzen, Änderungszeiträume, Varianz und Verderblichkeit). Daraus resultiert eine Vielzahl aktueller Forschungsthemen, die bis zu Aspekten der Spieltheorie reichen.

Vorteile der dynamischen Preisoptimierung

Optimierung unterschiedlicher Zielgrößen und Strategien sowie komplexer Constraints

Optimierung über fortlaufende Transaktionsketten

Sofortige Anpassung an Änderungen im Kaufverhalten der Kunden

Automatische Preiserkundung und Preistests

Möglichkeit der Simulation unterschiedlicher Preisstrategien

Kombination von Offline- und Online-Lernen

Ihr Ansprechpartner

prudsys AG, Forschung, Chemnitz

André Müller

Head of Data Science
Telefon: +49 371 27093-40
E-Mail: ed.sysdurp@relleuma