Wenn heute von KI die Rede ist, denken die meisten Menschen an ChatGPT, an ein Programm also, das Texte schreibt und Fragen beantwortet. Das ist aber nur ein Ast eines viel größeren Baumes. Der andere, ältere und wirtschaftlich womöglich noch wichtigere Ast heißt maschinelles Lernen im engeren Sinn, und er beschäftigt sich nicht mit dem Produzieren von Wörtern, sondern mit dem Vorhersagen. Wer kauft, wer kündigt, welche Maschine fällt bald aus, wie viel Strom brauchen wir morgen um vierzehn Uhr. Und, passend zur laufenden Weltmeisterschaft, wer holt den Titel. Wer diese eine Kolumne zu Ende liest, versteht danach ein Verfahren, das in seinem Auto, in seiner Bank, in seinem Stromnetz und in seinem Krankenhaus tausendfach im Hintergrund läuft, ohne dass er es je bemerkt hat. Ich möchte es Ihnen anhand des Fußballs zeigen, weil sich daran wie an kaum einem zweiten Beispiel begreifen lässt, wie eine Maschine aus der Vergangenheit lernt, um über die Zukunft zu urteilen.

Der Aberglaube und sein seriöser Gegenspieler

Erinnern Sie sich an Paul, den Kraken? Bei der Weltmeisterschaft 2010 wählte ein Tintenfisch im Oberhausener Sea Life zwischen zwei Futterboxen mit Landesflaggen und lag mit seinen Tipps achtmal richtig. Die halbe Welt feierte ihn als Orakel. Paul war natürlich reiner Zufall, ein biologischer Münzwurf. Aber er ist der perfekte Gegenpol zu dem, worüber ich heute schreibe. Denn während Paul geraten hat, rechnet die moderne Datenwissenschaft. Und sie rät nicht ins Blaue, sondern arbeitet mit Wahrscheinlichkeiten, die aus Daten abgeleitet sind.

Der beste Beleg dafür sitzt in Innsbruck. Der Statistiker Achim Zeileis von der Universität Innsbruck berechnet gemeinsam mit Kollegen der TU Dortmund, der TU München und einer norwegischen Hochschule vor jedem großen Turnier die Titelchancen aller Mannschaften. Für die aktuelle Weltmeisterschaft ergab ihr Modell vor Turnierbeginn folgende Favoriten. Spanien mit 14,5 Prozent, dahinter England und Frankreich mit je 12,4 Prozent, dann Deutschland mit 11,2 Prozent. Argentinien lag mit 8,2 Prozent dahinter. Nun wissen wir, dass im Finale am Sonntag Spanien gegen Argentinien spielt. Der Favorit steht also im Endspiel, und mit Argentinien eine Mannschaft, die das Modell zwar hinter den Topfavoriten, aber klar unter den ersten sechs geführt hat. Genau das ist der Punkt, den ich Ihnen mitgeben möchte. Ein gutes Modell ist kein Wahrsager. Es ist ein ehrlicher Buchhalter der Möglichkeiten.

Woher die Zahlen kommen

Wie also kommt ein solches Modell zu seinen Prozenten? Der erste Schritt ist immer derselbe, egal ob es um Fußball, Stromverbrauch oder Kreditkartenbetrug geht. Man sammelt Daten. Im Fall des Innsbrucker Modells sind das vier große Zutaten. Erstens die Ergebnisse aller Länderspiele der vergangenen acht Jahre, gewichtet danach, wie lange sie zurückliegen. Zweitens die Quoten von zwei Dutzend internationalen Wettanbietern, die man um ihren Gewinnaufschlag bereinigt und dann zu einer Art Expertenkonsens verrechnet. Drittens Spielerbewertungen, die messen, wie sehr ein einzelner Kicker die Ergebnisse seiner Mannschaft verbessert. Und viertens der durchschnittliche Marktwert des Kaders. Diese vier Datenquellen sind das Rohmaterial. In der Fachsprache nennt man sie Merkmale, auf Englisch features.

Der Begriff Merkmal ist der Schlüssel zum Verständnis der ganzen Disziplin. Ein Merkmal ist eine messbare Eigenschaft, von der man vermutet, dass sie etwas mit dem Ergebnis zu tun hat. Beim Fußball ist es der Marktwert, beim Stromnetz die Außentemperatur, bei der Kreditkarte der Ort und die Uhrzeit einer Zahlung. Die Kunst des Datenwissenschaftlers besteht darin, aus rohen Zahlen jene Merkmale zu bauen, die wirklich Aussagekraft haben. Das nennt man Feature Engineering, und es ist oft der Unterschied zwischen einem brauchbaren und einem wertlosen Modell.

Wie die Maschine daraus lernt

Jetzt kommt der eigentliche Lernvorgang. Man zeigt dem Computer tausende vergangene Spiele, jeweils mit den Merkmalen der beiden Mannschaften und dem tatsächlichen Ausgang. Das Programm sucht darin nach Mustern. Es lernt zum Beispiel, dass eine Mannschaft mit deutlich höherem Marktwert und besseren jüngsten Ergebnissen öfter gewinnt, aber eben nicht immer. Dieses Lernen aus Beispielen mit bekanntem Ausgang nennt man überwachtes Lernen, auf Englisch supervised learning. Es ist die mit Abstand häufigste Form des maschinellen Lernens in der Wirtschaft.

Für den Fußball verwendet das Innsbrucker Team im Kern ein sogenanntes Poisson-Modell, ergänzt um moderne Verfahren wie den Random Forest, sinngemäß einen Zufallswald aus hunderten Entscheidungsbäumen. Das Poisson-Modell, benannt nach dem französischen Mathematiker Siméon Denis Poisson, ist ein alter Bekannter der Statistik. Es beschreibt, wie wahrscheinlich eine bestimmte Anzahl seltener Ereignisse in einem festen Zeitraum ist. Tore sind genau das, seltene Ereignisse in neunzig Minuten. Die berühmteste Verfeinerung dieses Ansatzes stammt aus dem Jahr 1997 von zwei britischen Statistikern namens Mark Dixon und Stuart Coles. Ihr Dixon-Coles-Modell korrigierte einen Schönheitsfehler des einfachen Poisson-Ansatzes, nämlich dass er torarme Spiele und Unentschieden systematisch unterschätzte. Dieses fast dreißig Jahre alte Modell schlägt bis heute in seiner Vorhersagekraft oft die modernsten und kompliziertesten Verfahren. Eine wichtige Lektion, auf die ich gleich zurückkomme.

Warum das Ergebnis eine Wahrscheinlichkeit ist

Sobald das Modell für jede mögliche Paarung ausrechnen kann, wie viele Tore jede Seite voraussichtlich erzielt, spielt der Computer das gesamte Turnier durch. Und zwar nicht einmal, sondern hunderttausend Mal. Spiel für Spiel, nach den echten Regeln, mit dem echten Turnierbaum. In manchen dieser hunderttausend Simulationen gewinnt Spanien, in anderen Frankreich, in wieder anderen ein krasser Außenseiter. Zählt man am Ende aus, in wie viel Prozent der Durchläufe eine bestimmte Mannschaft den Titel holt, erhält man exakt jene 14,5 Prozent für Spanien. Dieses Verfahren nennt man Monte-Carlo-Simulation, benannt nach dem Casino in Monaco, weil es mit dem Zufall arbeitet wie ein Croupier mit der Kugel.

Und hier liegt der wichtigste gedankliche Sprung dieser ganzen Kolumne. Das Ergebnis ist keine Vorhersage im Sinne von „Spanien wird gewinnen”. Es ist eine Wahrscheinlichkeitsverteilung. Der Innsbrucker Statistiker Andreas Groll bringt es schön auf den Punkt. Selbst der Topfavorit gewinnt ein solches Turnier meist mit höchstens zwanzig Prozent Wahrscheinlichkeit, was im Umkehrschluss heißt, dass zu achtzig Prozent irgendeine andere Mannschaft triumphiert. Ein Modell, das Spanien bei 14,5 Prozent sieht und dann ein anderes Team gewinnen sieht, hat sich nicht geirrt. Es hat völlig korrekt gearbeitet. Nur eben die wahrscheinlichere von mehreren offenen Möglichkeiten benannt. Wer das einmal verinnerlicht hat, liest Wettervorhersagen, Wahlprognosen und Börsenanalysen mit ganz anderen Augen.

Jetzt denken Sie sich vielleicht, das sei eine Binsenweisheit. Natürlich ist eine Prognose keine Tatsache, sondern nur eine Wahrscheinlichkeit, das weiß doch jedes Kind. Das ganze Geschäft der Sportwetten existiert überhaupt nur deshalb, weil eben niemand das Ergebnis sicher kennt. Aber genau hier liegt der entscheidende Punkt, den ich Ihnen näherbringen möchte. Diese scheinbar banale Idee, aus Daten Wahrscheinlichkeitsverteilungen zu lernen, ist das Fundament der gesamten modernen Künstlichen Intelligenz. Lernt eine Maschine die Wahrscheinlichkeitsverteilung von Sprache, also welches Wort mit welcher Wahrscheinlichkeit auf welches folgt, dann entsteht daraus etwas wie ChatGPT. Lernt sie die Wahrscheinlichkeitsverteilung von Maschinenausfällen, kann ein Betrieb seine Anlagen genau im richtigen Moment warten und spart sich ein Vermögen. Lernt sie die Verteilung von Zellmustern auf einem Röntgenbild, erkennt sie Tumore, die dem menschlichen Auge entgehen. Es ist immer dieselbe schlichte Grundidee, nur auf immer neue Daten angewandt. Die Fußball-WM ist bloß das anschaulichste Schaufenster für ein Prinzip, das dahinter die halbe Welt antreibt.

Dasselbe Rezept für die ganze Welt

Jetzt kommt der eigentliche Grund, warum ich Ihnen das erzähle. Tauschen Sie das Wort Fußball gegen ein beliebiges anderes aus, und das Verfahren bleibt exakt dasselbe. Ich habe in meiner Arbeit als KI-Entwickler unter anderem selbst Modelle gebaut, die Anomalien vorhersagen, also Abweichungen vom Normalzustand. In einem Projekt ging es darum, aus den laufenden Sensordaten einer Industrieanlage zu erkennen, wann sich ein Defekt anbahnt, lange bevor die Maschine tatsächlich stehenbleibt. Man sammelt dafür Temperatur, Vibration, Stromaufnahme und Drehzahl, baut daraus Merkmale, trainiert ein Modell auf dem Normalbetrieb und lässt es dann Alarm schlagen, sobald das Muster kippt. Für einen Betrieb ist das bares Geld, denn ein ungeplanter Stillstand in der Produktion kostet oft mehr als ein ganzes Jahr Wartung. Genau hier, im Unspektakulären, entfaltet maschinelles Lernen seinen größten wirtschaftlichen Wert.

Dasselbe gilt für die Zeitreihenanalyse, also die Vorhersage von Werten über die Zeit. Ein Energieversorger, der wissen will, wie viel Strom das Land am kommenden Dienstag um achtzehn Uhr braucht, sammelt Daten, baut Merkmale wie Wochentag, Temperatur und Feiertag, trainiert ein Modell auf jahrelangen Verbrauchsdaten und erhält am Ende eine Vorhersage mit Wahrscheinlichkeitsband. Ein Onlinehändler, der seine Lagerbestände plant, macht mit seinen Verkaufszahlen dasselbe. Und Ihre Bank betreibt Anomalie-Erkennung jedes Mal, wenn Sie mit der Kreditkarte zahlen. Ein Modell hat aus Millionen Transaktionen gelernt, wie ein normaler Zahlungsvorgang aussieht, und schlägt Alarm, sobald eine Zahlung stark davon abweicht, etwa weil sie um drei Uhr früh von einem anderen Kontinent kommt. Immer nach demselben Rezept. Daten sammeln, Merkmale bauen, Modell trainieren, bewerten, mit Wahrscheinlichkeiten vorhersagen.

Was uns der alte Dixon-Coles lehrt

Ich habe vorhin versprochen, auf das fast dreißig Jahre alte Modell zurückzukommen, das die modernsten Verfahren bis heute oft schlägt. Darin liegt nämlich eine Lehre, die weit über den Fußball hinausreicht. In einer Zeit, in der alle nur noch von immer größeren, immer komplizierteren KI-Systemen sprechen, ist die Wahrheit in der Praxis oft eine andere. Ein einfaches, gut verstandenes Modell mit sauber gewählten Merkmalen ist einem gigantischen, undurchschaubaren Apparat häufig ebenbürtig oder sogar überlegen. Nicht die Größe entscheidet, sondern das Verständnis des Problems. Diese Bescheidenheit ist eines der wertvollsten Dinge, die man in dieser Disziplin lernt.

Und noch etwas lässt sich am Fußball begreifen. Künstliche Intelligenz ist keine fremde, magische Macht, die aus dem Nichts Antworten zaubert. Sie ist ein Handwerk. Ein sorgfältiger, nachvollziehbarer Prozess, der aus der Vergangenheit lernt, um über die Zukunft Wahrscheinlichkeitsaussagen zu treffen. Wer das einmal an einem greifbaren Beispiel gesehen hat, verliert die Ehrfurcht vor dem Schlagwort und gewinnt etwas viel Nützlicheres. Ein Gespür dafür, was diese Technologie kann, was nicht, und wo man ihr trauen darf.

Und wer gewinnt jetzt?

Am Sonntag steht das Finale zwischen Spanien und Argentinien, und für mich als Barcelona-Fan ist das natürlich ein Leckerbissen. Entweder holt die halbe Barcelona-Achse im spanischen Trikot den Titel, oder die größte Legende, die dieser Klub je gesehen hat, Lionel Messi, krönt sich mit Argentinien ein letztes Mal. Wer den Pokal am Ende hebt, weiß ich nicht, und ehrlich gesagt weiß es auch Achim Zeileis in Innsbruck nicht. Aber genau darin liegt die Schönheit der Sache. Ein Modell nimmt uns nicht das Fußballschauen ab, so wie es einem Arzt nicht die Diagnose und einem Unternehmer nicht die Entscheidung abnimmt. Es macht die Unsicherheit nur ehrlich, greifbar und benennbar. Es verwandelt das dumpfe Bauchgefühl in eine saubere Zahl.

Paul der Krake hatte am Ende eine Trefferquote, die kein seriöses Modell je verspricht, weil er einfach Glück hatte. Die moderne Datenwissenschaft verspricht das Gegenteil von Glück. Sie verspricht, dass wir mit der Unsicherheit erwachsen umgehen. Und wenn am Sonntagabend der Weltmeister feststeht, dann wird das Innsbrucker Modell weder recht noch unrecht gehabt haben. Es wird einfach eine von hunderttausend Geschichten gewesen sein, die es sich vorgestellt hat. Nur eben die, die diesmal wirklich passiert ist.