Die Vorhersage der Zukunft eines chaotischen Systems, wie etwa des wirbelnden Pfades eines Sturms oder des schwankenden Niveaus der Luftverschmutzung, liefert selten eine einzige Zahl. Von einem Meteorologen wird meist eine ganze Menge an Möglichkeiten verlangt: wo sich das System in einer Stunde befinden wird, ob es eine gefährliche Schwelle überschreiten wird oder in welche breite Wetterkategorie es eingetreten ist. Jede dieser Fragen trägt ihre eigene Unsicherheit mit sich, und sie gemeinsam zu beantworten, ist eine klassische Herausforderung im maschinellen Lernen. Traditionell haben Forscher diese Fragen als separate Aufgaben behandelt, die gegeneinander abgewogen werden mussten, oft indem sie die Bedeutung jeder Frage manuell anpassten, bis der Computer ein zufriedenstellendes Ergebnis lieferte. Dieser Balanceakt ist schwierig, da die Fragen in unterschiedlichen Einheiten gemessen werden; ein kleiner Fehler bei einer Temperaturmessung ist nicht dasselbe wie ein kleiner Fehler bei einer Wahrscheinlichkeit. Wenn die Gewichtungen nicht perfekt eingestellt sind, könnte das System eine kritische Warnung ignorieren, um sich auf ein triviales Detail zu konzentrieren, oder es könnte Mühe verschwenden, indem es versucht, etwas präzise vorherzusagen, das von Natur aus unvorhersehbar ist.

Ein Forscher hat einen neuen Weg vorgeschlagen, um dieses Problem zu bewältigen, der die Notwendigkeit einer manuellen Abstimmung vollständig eliminiert. Anstatt den Computer zu zwingen, zwischen konkurrierenden Zielen zu wählen, entwarf er ein System, in dem jede Frage ihre eigene natürliche Skala und ihre eigene Art der Messung von Unsicherheit behält. Die Methode, die er SCROLL nennt, ermöglicht es dem Computer, die Bedeutung jeder Aufgabe automatisch zu erlernen, während er gleichzeitig die Muster in den Daten lernt. Er testete diesen Ansatz an mathematischen Modellen chaotischer Systeme und an realen Luftqualitätsdaten. Er fand heraus, dass die neue Methode nicht nur den zukünftigen Zustand des Systems vorhersagen konnte, sondern auch, wie unsicher diese Vorhersage war, mit einem Genauigkeitsniveau, das dem theoretisch bestmöglichen Ergebnis entsprach. Entscheidend war, dass dies geschah, ohne das teure Trial-and-Error-Tuning, das solche Systeme üblicherweise plagt, und dass sie selbst dann zuverlässig blieb, wenn sich die Daten drastisch in ihrer Skalierung änderten.

Der Kern des Problems liegt darin, wie Maschinen lernen zu prognostizieren. Wenn ein Computer versucht, ein stochastisches, oder zufällig fluktuierendes System vorherzusagen, baut er ein gemeinsames Verständnis der Daten auf – ein gemeinsames Rückgrat –, das er dann nutzt, um spezifische Fragen zu beantworten. Auf die alte Art der Vorgehensweise versuchte der Computer, die Fehler für jede Frage gleichzeitig zu minimieren, indem er sie zu einem einzigen Wert zusammenrechnete. Um dies zu ermöglichen, mussten Forscher entscheiden, wie viel Gewicht jeder Frage beigemessen werden sollte. Sollte der Fehler bei der Vorhersage einer Temperatur schwerer zählen als der Fehler bei einer Sturmwarnung? Meistens fanden sie die Antwort, indem sie den Computer tausende Male mit unterschiedlichen Einstellungen durchlaufen ließen, ein Prozess, der langsam und kostspielig ist. Darüber hinaus hatte diese Methode einen verborgenen Fehler: Wenn die Fragen in unterschiedlichen Einheiten gemessen wurden, konnte der Computer diese Differenz nicht ohne ständige menschliche Intervention ausgleichen.

Der neue Ansatz ändert die Spielregeln. Anstatt die Fehler zusammenzuzählen, ließ der Forscher jede Frage in ihrer eigenen Sprache sprechen. Er gab jeder Aufgabe ihr eigenes spezifisches Modell dafür, wie sie die Welt beobachtet, und ihr eigenes internes Maß an Vertrauen. Diese individuellen Modelle sind dann mit dem gemeinsamen Rückgrat verbunden, aber sie werden nicht gezwungen, Kompromisse einzugehen. Das System lernt, die Informationen frei zu leiten, wodurch sich die Unsicherheit jeder Aufgabe basierend auf den spezifischen Bedingungen der Daten selbst anpassen kann. Das bedeutet, der Computer kann lernen, dass eine bestimmte Art von Wetter von Natur aus unvorhersehbarer ist als eine andere, und er wird sein Konfidenzintervall entsprechend erweitern, ohne dass man es ihm sagen muss. Die Methode absorbiert die Unterschiede in der Skalierung effektiv in den Lernprozess selbst und verwandelt einen komplexen Balanceakt in eine einzige, glatte Berechnung.

Um zu sehen, ob diese Idee in der Praxis funktionierte, testete der Forscher sie in drei verschiedenen Szenarien. Das erste war ein gut verstandenes mathematisches System, der Ornstein-Uhlenbeck-Prozess. In diesem Fall war das wahre Verhalten des Systems exakt bekannt, was es dem Forscher ermöglichte, seine Ergebnisse gegen eine perfekte Antwort zu prüfen. Er fand heraus, dass die neue Methode das exakte mathematische Muster der Unsicherheit wiederherstellte, was bewies, dass sie das korrekte Verhalten lernen kann, wenn die Antwort bekannt ist. Der zweite Test war ein chaotischeres System, eine Variation der berühmten Lorenz-Gleichungen, bei dem die Unsicherheit je nach aktuellem Zustand des Systems variiert. Hier gelang es der neuen Methode, zu verfolgen, wie die Unvorhersehbarkeit des Systems wuchs und schrumpfte, während ältere Methoden, die kein solch flexibles Routing verwendeten, diese Veränderungen nicht erfassen konnten. Der dritte Test beinhaltete reale Daten: stündliche Messungen von Feinstaub in Peking. Bei diesen realen Daten lieferte die neue Methode die genauesten Vorhersagen sowohl für die Staubwerte als auch für die Wahrscheinlichkeit, dass gefährliche Schwellenwerte überschritten werden, und übertraf damit andere Methoden, die eine umfangreiche manuelle Abstimmung erforderten.

Eines der auffälligsten Ergebnisse war, wie die Methode mit der Skalierung der Daten umging. In vielen Prognoseproblemen bricht die alte Methode zusammen oder erfordert eine Neustimmung der Gewichte von Grund auf, wenn man die Maßeinheiten ändert – zum Beispiel, wenn man die Temperatur in Fahrenheit statt in Celsius oder die Verschmutzung in anderen Einheiten misst. Die neue Methode hingegen blieb stabil. Sie passte ihre internen Parameter automatisch an die neue Skala an und behielt dabei dasselbe Genauigkeitsniveau ohne jegliches menschliches Eingreifen bei. Diese Eigenschaft, bekannt als Skalenäquivarianz, bedeutet, dass das System robust gegenüber den willkürlichen Entscheidungen darüber ist, wie Daten präsentiert werden. Der Forscher zeigte auch, dass die Methode das korrekte Maß an Unsicherheit lernen konnte, selbst wenn die Daten verrauscht waren, und dass sie keine falschen Muster der Unsicherheit erfand, wo keine existierten.

Die Studie untersuchte auch, was passiert, wenn die verschiedenen Aufgaben um die Aufmerksamkeit des Computers konkurrieren. In einigen Fällen waren die Aufgaben so eng miteinander verwandt, dass die Unterstützung der einen automatisch auch die anderen half. In anderen Fällen standen die Aufgaben in Konflikt, und das System musste einen Kompromiss finden. Der Forscher stellte fest, dass die neue Methode diese Konflikte elegant handhabte und oft eine Lösung fand, die so gut war wie der bestmögliche Kompromiss der alten, intensiv abgestimmten Methoden, jedoch in einem Bruchteil der Zeit. Er testete auch, ob das System unterschiedliche Vertrauensniveaus für verschiedene Aufgaben lernen konnte, und fand heraus, dass dies automatisch möglich war, ohne dass ein separater Abstimmungsprozess für jede einzelne Aufgabe nötig war.

Die Ergebnisse legen nahe, dass der Schlüssel zu besseren Vorhersagen nicht nur in mehr Daten oder leistungsfähigeren Computern liegt, sondern in einem besseren Weg, verschiedene Arten von Fragen zu kombinieren. Indem man jeder Frage ihre eigene natürliche Skala und ihr eigenes Maß an Unsicherheit lässt, kann das System ein vollständigeres Bild der Zukunft zeichnen. Der Forscher demonstrierte, dass dieser Ansatz nicht nur bei einfachen mathematischen Modellen funktioniert, bei denen die Antwort bekannt ist, sondern auch bei komplexen, realen Daten, bei denen die Antwort ungewiss ist. Er zeigte, dass die Methode schneller, genauer und zuverlässiger ist als die traditionellen Wege, mehrere Aufgaben abzuwägen. Während die Studie auf eine kleine Anzahl von Aufgaben und spezifische Datentypen beschränkt war, bieten die entdeckten Prinzipien einen vielversprechenden Weg nach vorn, um Vorhersagesysteme zu bauen, die sowohl präzise als auch ehrlich in Bezug auf ihre eigene Unsicherheit sind. Die Arbeit beweist, dass es möglich ist, einer Maschine beizubringen, ihr eigenes Zweifel richtig abzuwägen, ohne dass ein Mensch die Waagschale halten muss.