Robuste Projektplanung mit maschinellem Lernen

Mit Lernverfahren Gesamtressourcenbedarf von Aktivitäten abschätzen

Produktionsprozesse gestalten oder umstrukturieren, die Organisationsstruktur ändern oder ein neues Produkt einführen – die Planung solcher Projekte ist sehr komplex. In dieser frühen Phase liegen noch nicht alle notwendigen Informationen vor: Wie viel Personal steht an welchen Tagen zur Verfügung, welche Maschinen oder Anlagen können genutzt werden? Wie lange dauert die Durchführung eines Arbeitspaketes? Wann stehen die Materialien zur Verfügung? Die Projektplanung teilt die verschiedenen Arbeitspakete in Aktivitäten ein und positioniert sie über einer Zeitachse. Viele Ressourcen wie Personal und Materialien stehen nur begrenzt zur Verfügung. Fehlt Personal, beeinträchtigt das die Dauer der Aktivitäten. Fehlt Material, nützt auch vorhandenes Personal nichts. Oft können Aktivitäten erst starten, wenn Vorgängeraktivitäten abgeschlossen sind. Dies wird durch sogenannte Vorrangbeziehungen modelliert.

Planung mit unsicheren Daten

„Für viele Unternehmen stellen die Unsicherheiten in der Projektplanung ein großes Problem dar“, erläutert Prof. Dr. Julia Rieck von der Universität Hildesheim. „Die konventionell erstellten Pläne sind häufig nicht robust genug gegenüber unvorhergesehenen Ereignissen.“ Dieser Problemstellung widmet sich die Wirtschaftsmathematikerin im Forschungsprojekt „Stochastische Projektplanungsprobleme mit flexiblen Ressourcenprofilen“, das von der Deutschen Forschungsgemeinschaft gefördert wird. „Die Ergebnisse sind von hoher praktischer Relevanz“, verdeutlicht sie, „insbesondere für Forschungs- und Entwicklungsprojekte, etwa in der pharmazeutischen Industrie oder Softwareentwicklung, oder für Consulting-Unternehmen, die ihr Personal mittelfristig den Beratungsaktivitäten zuordnen wollen.“

© Universität Hildesheim

Maschinelles Lernen für realisierbare Projektpläne

Ihr Forschungsteam betrachtet langfristige Projekte, zum Beispiel aus der pharmazeutischen Industrie mit Aktivitäten wie Wirkungstests von Substanzen oder Feinjustierung von Mischverhältnissen. Dabei wird der Gesamtressourcenbedarf jeder Aktivität – vorrangig die Anzahl der benötigten Personenstunden – als stochastische Zufallsvariable definiert. Der Einsatz des Personals kann flexibel über die Zeit variieren und jeweils zu einer anderen Aktivitätsdauer führen. Um das Problem zu lösen, verknüpfen die Forschenden Operations Research-Verfahren als gängige Planungswerkzeuge mit Techniken des maschinellen Lernens. „Hier helfen metaheuristische Verfahren in Kombination mit Meta-Learning-Techniken dabei, robuste und realisierbare Projektpläne zu erstellen“, skizziert Julia Rieck. Eine weitere Möglichkeit ist, Techniken für mehrstufige Entscheidungsprobleme zu verwenden. Insbesondere bestärkendes Lernen findet mit den eng verwandten Paradigmen Approximate Dynamic Programming und Reinforcement Learning im Projekt Anwendung.

Glossar: Lernstile

Es gibt verschiedene Lernstile für das maschinelle Lernen: Beim überwachten Lernen (Supervised Learning) wird ein Lernalgorithmus mit Datensätzen trainiert und validiert. Das unüberwachte Lernen (Unsupervised Learning) erfolgt ohne bekannte Zielwerte oder Belohnungen und versucht, in den Eingabedaten Muster zu erkennen. Beim bestärkenden Lernen (Reinforcement Learning) erlernt ein Software-Agent ohne Dateneingabe, also selbstständig, eine Strategie durch Versuch, Irrtum und Belohnungen.