Algorithmen sind heute so alltäglich, dass wir dazu neigen, sie als selbstverständlich anzusehen – so sehr, dass wir verzeihen können, wenn wir denken, dass alle Algorithmen gleich sind oder die gleichen Aufgaben erfüllen.
Aber je nach dem Kontext, in dem sie eingesetzt werden, können Algorithmen völlig unterschiedliche Ergebnisse liefern. Hier werfen wir einen Blick auf drei der häufigsten Arten von Algorithmen, mit denen wir im Alltag interagieren.
Zusammenarbeitende Filtermaschinen
Die häufigsten Algorithmen, mit denen wir in sozialen Medien, Webshops und OTT-Medienplattformen interagieren, gehören in der Regel zu zwei Gruppen – zusammenarbeitende Filtermaschinen und inhaltsbasierte Filtermaschinen.
Obwohl sie wesentliche Gemeinsamkeiten haben und gelegentlich in hybriden Systemen überlappen, sind ihre Anwendungsfälle ganz unterschiedlich. Zusammenarbeitende Filteralgorithmen basieren zum Beispiel auf den Interaktionen und Rückmeldungen eines einzelnen Benutzers.
Indem sie das Verhalten eines Benutzers verfolgen, macht ein CF-Algorithmus Vorhersagen und gibt Empfehlungen auf der Grundlage der Aktivitäten von Benutzern, die dem Algorithmus als ähnlich erscheinen. Dies findet sich oft in sozialen Netzwerken wieder, wo die persönliche Timeline oder der Feed eines Benutzers nach und nach ihre Interessen widerspiegelt, während der Algorithmus ihre Vorlieben lernt und den Feed mit Inhalten bevölkert, die ähnliche Benutzer interessieren.
Zufallszahlengeneratoren
Während die anderen hier diskutierten Algorithmen jeweils mit einem spezifischen und gemeinsamen Ziel arbeiten – nämlich Benutzern dabei zu helfen, Informationen zu filtern – werden Algorithmen in bestimmten Situationen für einen völlig anderen Zweck eingesetzt.
Dies ist der Fall bei RNGs, Abkürzung für Zufallszahlengenerator, die algorithmisch gesteuerte Werkzeuge sind, die Zufälligkeit simulieren oder nachahmen sollen. Obwohl solche Zufallsgeneratoren auf Medienplattformen wie der Zufallsschaltfläche in Spotify-Playlisten vorkommen, sind RNGs speziell mit der Welt des Gamings verbunden.
Spiele, von RPGs bis hin zu solchen in einem Online-Casino, setzen RNGs ein, um zufällige Ergebnisse zu gewährleisten und ein fesselndes und unberechenbares Erlebnis zu schaffen. Nehmen wir zum Beispiel ein beliebtes Spiel, das dem RPG-Genre angehört. In diesen Spielen müssen die Spieler eine große Karte erkunden, gegen Monster kämpfen und Schätze entdecken. In einem Casino dagegen können die Spieler an einem Spielautomaten drehen und darauf vertrauen, dass der RNG jedes Mal ein faires und zufälliges Ergebnis liefert.
Einer der beliebtesten und langlebigsten Mechanismen in RPGs sind zufällig abfallende Beutegegenstände. Damit sind Gold, Gegenstände und sogar seltene Waffen und Rüstungen gemeint, die zurückbleiben, wenn man einen Feind besiegt.
Bestimmte Spiele verwenden zufällige Prozentsätze für bestimmte Gegenstände. Zum Beispiel bieten hochstufige Bosse in World of Warcraft oft nur mit einer Wahrscheinlichkeit von 3% die Chance, extrem seltene Gegenstände fallen zu lassen. Die Entscheidung, wann dieser Gegenstand fallen gelassen wird, liegt bei einem RNG.
Gleichzeitig wird auch die Wahrscheinlichkeit für einen kritischen Treffer beim Kampf gegen ein Monster ebenfalls von RNGs bestimmt. Ein solcher Algorithmus ist auch bei digitalen Varianten von Tischspielen und Slot-Titeln üblich, wo er die Zufälligkeit ihrer realen Gegenstücke simulieren muss.
Inhaltsbasierte Filtermaschinen
Während CF-Maschinen ihren Schwerpunkt auf die Aktivität des Benutzers legen, ziehen inhaltsbasierte Maschinen ihre Schlussfolgerungen aus ihren Artikeldatenbanken. Du wirst inhaltsbasierte Maschinen am häufigsten auf E-Commerce-Plattformen wie Amazon finden. Anders als CF-Maschinen müssen diese nicht auf Benutzeraktivitäten trainiert werden und können daher sofort Empfehlungen abgeben.
Inhaltsbasierte Maschinen verwenden Kontextinformationen, um Vorhersagen zu treffen. Wenn zum Beispiel ein solcher Algorithmus feststellt, dass du eine aufblasbare Matratze in deinen Einkaufswagen gelegt hast, würde er wahrscheinlich darauf schließen, dass du auch eine Luftpumpe kaufen möchtest.
Diese Schlussfolgerung wird aus all den verfügbaren Daten gezogen, welche Elemente thematisch oder konzeptuell miteinander überlappen.
Diese Methode hat jedoch ihre Grenzen, da es sich um einen ‘flacheren’ Algorithmus handelt, der sich nicht auf individuelle Benutzerpräferenzen trainiert. Um dies zu umgehen, integrieren die meisten inzwischen auch einige Funktionen des kollaborativen Filterns, um das Beste aus beiden Welten zu erhalten.
Optimierungsalgorithmen
Hast du dich jemals gefragt, wie einige Systeme scheinbar mühelos die beste Lösung aus einer Vielzahl von Optionen finden? Das ist die Magie von Optimierungsalgorithmen. Sie sind die unbesungenen Helden hinter vielen unserer täglichen Aktivitäten und komplexen Prozesse, sei es in Geschäftsabläufen oder im Bereich des maschinellen Lernens.
Stell dir zum Beispiel ein Lieferunternehmen vor, das versucht, die schnellste Route für seine Flotte zu planen, dabei Benzin zu sparen und mehr Lieferungen zu gewährleisten. Genau hier kommt ein Optimierungsalgorithmus ins Spiel, der durch unzählige mögliche Routen siftet, um die effizienteste zu finden. Ebenso, wenn maschinelle Lernwerkzeuge das Wetter oder Trends an der Börse vorhersagen, sind diese Algorithmen dabei, das System für das beste Ergebnis zu optimieren.
Suchalgorithmen
Dann gibt es Suchalgorithmen, die hinter den Kulissen unsere Helfer sind, um spezifische Daten in großen Datensätzen zu finden. Sie treiben alles an, von unseren Lieblingssuchmaschinen bis hin zu Datenbanken.
Denke daran, wie oft du etwas bei Google eingegeben hast. Was du vielleicht nicht siehst, ist der komplexe Suchalgorithmus, der tief in den Weiten des Internets nach den relevantesten Webseiten für dich sucht. In einem technischeren Sinne werden Suchalgorithmen wie die binäre Suche verwendet, um in organisierten Listen spezifische Werte schnell zu finden.
Und vergiss nicht E-Commerce-Websites. Suchst du nach dem perfekten Produkt? Ein Suchalgorithmus bringt die besten Optionen nach vorne und berücksichtigt dabei Faktoren wie deine bisherigen Vorlieben, Produktbewertungen und vieles mehr.
Datensortieralgorithmen
Ein weiterer Grundpfeiler im algorithmischen Bereich sind Datensortieralgorithmen. Mit der Ausdehnung des digitalen Universums wird die Organisation dieser großen Datenmenge nicht nur zu einem Luxus, sondern zu einer Notwendigkeit. Diese Algorithmen ordnen Daten effizient in einer bestimmten Reihenfolge an und machen die spätere Datenabrufung und -verarbeitung schneller und einfacher.
Denke an die Kontaktliste auf deinem Smartphone. Jedes Mal, wenn du einen neuen Kontakt hinzufügst, arbeitet ein Sortieralgorithmus leise im Hintergrund und platziert diesen Eintrag alphabetisch, um sicherzustellen, dass du ihn später leicht finden kannst. Ebenso organisieren Sortieralgorithmen in Online-Shops, wenn du Produkte nach Preis oder Kundenbewertungen anzeigen lässt, diese entsprechend deiner Präferenz.
Darüber hinaus helfen Sortieralgorithmen im Finanzsektor, wo Transaktionen im Sekundentakt stattfinden, bei der Organisation großer Datensätze chronologisch oder nach Transaktionsbeträgen. Indem sie die chaotische Welt der Daten strukturieren, fungieren diese Algorithmen als die unbesungenen Hüter, die unsere Interaktionen vereinfachen und Effizienz auf verschiedenen digitalen Plattformen sicherstellen.