Besser entscheiden
Welche Information, Kapazität und Absicherung brauche ich?
Themenwelt
6 Themenbereiche, 23 Artikel und 20 interaktive Rechner. Erkunden Sie eine konkrete Frage oder folgen Sie einem Lernpfad – von der Grundidee bis zur Entscheidung in der Praxis.
Den eigenen Einstieg finden
Beginnen Sie mit einer Frage. Jeder Artikel steht für sich; die Reihenfolge ist eine Anregung, ohne Konto und ohne Pflichtschritte.
Welche Information, Kapazität und Absicherung brauche ich?
Ist der Unterschied belastbar – und was verursacht ihn?
Wie wird aus Beispielen und Rückmeldungen eine Strategie?
Wie hängen Aufmerksamkeit, Quellen und überprüfbare Regeln zusammen?
23 Artikel
Keine Treffer. Versuchen Sie einen allgemeineren Begriff oder wählen Sie alle Themenbereiche.
5 Artikel
Aus Daten lernen, ohne Unsicherheit zu verstecken: Prior, Likelihood, Posterior – und was das für Experimente bedeutet.
Interaktiv: Bayes-Update-Visualisierer, Bayes A/B-Test-Rechner, Bootstrap: Unsicherheit durch Wiederholungsstichproben, Kalibrierung: Stimmen vorhergesagte Wahrscheinlichkeiten?, Kausale Inferenz: Wirkung von Zusammenhang unterscheiden
Wie belastbar ist eine Erfolgsquote bei wenigen Daten? Prior, Likelihood und Posterior am Geschäftsbeispiel verstehen und im Bayes-Rechner ausprobieren.
Wie wahrscheinlich ist B besser – und was kostet ein Irrtum? Beta-Posteriors, erwarteter Verlust, Uplift-Intervall und ehrliche Regeln fürs Stoppen.
Bootstrap verständlich erklärt: Mittelwert und Median vergleichen, Stichproben mit Zurücklegen ziehen und ein Konfidenzintervall interaktiv untersuchen.
Kalibrierung von Prognosen verstehen: Reliability-Diagramm, Brier-Score und Temperaturkorrektur mit synthetischen Vorhersagen interaktiv untersuchen.
Kausale Inferenz am Beispiel verstehen: Confounding, Simpsons Paradox und Standardisierung mit einem interaktiven Vergleich von Training und Erfolg.
6 Artikel
Erwartungswert, Nutzen, Entscheidungsbäume und mathematische Optimierung: vom Abwägen zur besten zulässigen Handlung.
Interaktiv: Wert der Information: Wann lohnt sich ein Test?, Bayessche Optimierung: Welchen Versuch als Nächstes?, Lineare Optimierung, Robuste Entscheidungen
Von der Ergebnismatrix über Erwartungswert und Erwartungsnutzen bis zum Entscheidungsbaum: wie man Optionen unter Unsicherheit vergleicht – und was zusätzliche Information wert ist.
Entscheidungsvariablen, Zielfunktion, Nebenbedingungen: wie lineare Programme funktionieren, was Schattenpreise verraten, warum Runden scheitert und wie Scheduling-Regeln wirken.
Bayessche Optimierung erklärt: Gaußprozess, Unsicherheit und Expected Improvement in einer echten interaktiven Suche nach einer guten Parametereinstellung.
Wie verteilen Sie knappe Arbeitszeit und Material auf zwei Produkte? Ein kleines Produktionsmodell zeigt, wie Nebenbedingungen den machbaren Bereich formen und warum ganze Stückzahlen eine andere Lösung ergeben können.
EVPI und EVSI verständlich erklärt: einen Markttest bewerten, den Entscheidungsbaum durchrechnen und Testgüte, Unsicherheit sowie Kosten interaktiv vergleichen.
Wie viel sollen Sie bestellen, wenn die Nachfrage unsicher ist? Dasselbe Zahlenbeispiel führt je nach Entscheidungsregel zu verschiedenen Mengen. Der Rechner macht sichtbar, welche Art von Unsicherheit und Verlust jede Regel berücksichtigt.
2 Artikel
Wenn Formeln nicht reichen: Zufall gezielt einsetzen, Szenarien durchspielen und Risiken sichtbar machen.
Interaktiv: Monte-Carlo-Demo, Warteschlangen simulieren
Wie wahrscheinlich hält Ihr Projekt den Termin? Projektdauer simulieren, P80 verstehen und die wichtigsten Risiken erkennen – mit Beispiel und kostenlosem Rechner.
Ein Team kann im Durchschnitt genug Arbeit erledigen und trotzdem lange Warteschlangen erzeugen. Diese Simulation zeigt, wie Auslastung, schwankende Bearbeitungszeiten und eine zweite Bedienperson zusammenwirken.
6 Artikel
Von Regression und Clustering bis zu Bandits und Reinforcement Learning: Muster erkennen, Vorhersagen prüfen und aus Folgen lernen.
Interaktiv: Bandit-Simulation, Gridworld (Value Iteration & Q-Learning), Kontextuelle Bandits, Reward Design, Regression und Überanpassung, Clustering mit k-Means
Das Beste nutzen oder Neues ausprobieren? Regret, ε-greedy, UCB1 und Thompson Sampling – mit einem Schritt zum Nachrechnen und einer Simulation.
Wie ein Agent durch Handeln und Rückmeldung lernt: Belohnungen, Markov-Entscheidungsprozesse, Bellman-Gleichung, Value Iteration und Q-Learning – mit Rechenbeispiel.
Warum dieselbe Aktion für verschiedene Situationen unterschiedlich gut sein kann.
Ein optimaler Weg kann ein schlechtes Ergebnis sein, wenn die Belohnung wichtige Folgen ausblendet.
Eine Kurve kann bekannte Daten hervorragend treffen und neue Beobachtungen schlecht vorhersagen. Vergleichen Sie verschiedene Polynomgrade an denselben Trainings- und Prüfdaten und beobachten Sie, wann zusätzliche Flexibilität schadet.
Welche Kunden ähneln sich? Die Antwort hängt auch davon ab, wie Ähnlichkeit gemessen wird. Gruppieren Sie dieselben synthetischen Kunden nach Bestellungen und Monatsumsatz und untersuchen Sie den Einfluss der Skalierung.
2 Artikel
Verstehen, wie Attention Informationen verknüpft und Retrieval passende Quellen liefert – und wo ein Sprachmodell überprüfbare Regeln braucht.
Interaktiv: Transformer Attention, RAG und Quellen
Wie aus Ähnlichkeitswerten Gewichte und aus Gewichten eine neue Darstellung entstehen.
Eine passende Quelle zu finden ist ein eigener Rechenschritt – und noch keine geprüfte Antwort.
2 Artikel
Wie Statistik, Simulation, Optimierung und Lernen zu einem nachvollziehbaren Entscheidungssystem zusammenwachsen.
Interaktiv: Regeln und Optimierung
Wie aus Daten überprüfbare Entscheidungen werden: Definition, Abgrenzung zu BI und Predictive Analytics, die methodischen Bausteine und ein durchgerechnetes Beispiel.
Ein plausibler Plan muss Regeln erfüllen, bevor sein Nutzen optimiert werden kann.
smartlytics ist das Wissensangebot der NyxAI GmbH.
Wir erklären hier die Methoden, mit denen wir arbeiten – offen, mit Quellen und so, dass man sie nachrechnen kann.
NyxAI entwickelt einen Entscheidungskern (Decision Core) für Decision Intelligence, der Optimierung, Simulation, Statistik und Reinforcement Learning verbindet: Optionen vergleichen, Unsicherheit sichtbar machen, aus Ergebnissen lernen – unter menschlicher Verantwortung.
Erklärbare Schach-KI mit menschlichen Spielstilen: das Testfeld von NyxAI für nachvollziehbare Entscheidungen unter Zeitdruck.