Wien, Starnberg, 06. Aug. 2019 - Künstliche Intelligenz ist ein heiß diskutierter Trend in der Energiebranche, aber ist KI dort wirklich notwendig? Das Unternehmen VisoTech meint ja...

Zum Hintergrund: Künstliche Intelligenz wird bislang in der Energiebranche bereits für unterschiedliche Anwendungen eingesetzt: Von der Optimierung der Netzleistung über die Steigerung der Energieeffizienz von Gebäuden bis hin zur präventiven Wartung, um Ausfälle zu vermeiden, noch bevor sie auftreten. Aber ist KI im Energiehandel wirklich notwendig? Bislang waren Energiehändler mit aus der Finanzwelt übernommenen Modellierungstechniken, wie etwa Monte-Carlo-Simulationen, durchaus erfolgreich. Der Intraday-Handel wird jedoch durch unzählige Faktoren, wie Wetter, grenzüberschreitende Kapazitäten und Kraftwerksausfälle beeinflusst, die sich auf Preise und Volatilität auswirken. Das Datenvolumen und die komplexen Zusammenhänge zwischen den einzelnen Faktoren machen eine Abschätzung der Preisbewegungen basierend auf historischen Daten deshalb schwierig. Wolfgang Eichberger, Co-Founder von VisoTech hat sich für uns im Folgenden deshalb intensiver mit dem Thema befasst.

"Eine der Hauptstärken der heutigen künstlichen Intelligenz liegt in der Fähigkeit, große Mengen komplexer Daten zu verarbeiten, um Muster zu finden und Vorhersagen über die Zukunft zu treffen. Maschinelle Lerntechniken wie Deep Learning haben daher das Potenzial, ein tiefes Verständnis des Marktverhaltens in all seiner Komplexität zu erlangen und daraus genaue Vorhersagen über das zukünftige Marktverhalten zu treffen – insbesondere, was wann zu welchem Preis gehandelt werden soll.

Die Voraussetzungen für tiefe neuronale Netze: Sind wir schon dort?

Seit Jahrzehnten wissen Experten, wie maschinelles Lernen funktioniert. Ein neuronales Netzwerk ahmt das Verhalten des menschlichen Gehirns nach: Informationen sind wie Neuronen in Schichten miteinander verbunden. Mit jeder Schicht lernt das Netzwerk mehr Details: Im Grunde genommen ist es in der Lage, mehr Beziehungen zu berücksichtigen und eine größere Anzahl von Verbindungen herzustellen.

Abb. 1

Bei jeder Lernwiederholung passt die Maschine die Gewichtung jeder Verbindung geringfügig an, so dass die Wahrscheinlichkeit der korrekten Lösung des angegebenen Problems zunimmt (Bildquelle: VisoTech).

Abb. 2

In jüngster Zeit haben technologische Fortschritte eine neue Generation des maschinellen Lernens ermöglicht (Bildquelle: VisoTech). Als Deep Neural Networks werden Netzwerke mit einer sehr großen Anzahl von Schichten bezeichnet. Das bedeutet, dass viel mehr Verbindungen hergestellt werden und komplexere Lernerfolge verzeichnet werden können.

Abb. 3

Deep Neural Networks Technologie ist bereits heute Realität und unterstützt eine Vielzahl von Anwendungen. Viele Aufgaben, z. B. die Bilderkennung, können von intelligenten Maschinen inzwischen präziser als von Menschen erledigt werden (Bildquelle: VisoTech).

Ein Kinderspiel: Wie Software lernt

Die Umstellung auf künstliche Intelligenz ist ein bedeutender Paradigmenwechsel: Von Systemen, die auf der Grundlage von erstellten Expertenregeln etwas wissen, bis hin zu Systemen, die anfangs nichts wissen, sondern nur basierend auf Daten lernen. Maschinen lernen dabei auf drei verschiedene Arten – wie es auch bei Kindern der Fall ist:

1. Durch Unterricht: Supervised Learning. Wenn Sie der Maschine kategorisierte Daten geben, (z. B. als Katzen oder Hunde markierte Fotos), werden Muster und Unterschiede identifiziert und die Regeln hinter den Daten ermittelt. Diese Methode eignet sich gut für einfache Aufgaben wie Regression oder Klassifizierung, erfordert jedoch viel mehr Aufwand bei der Datenaufbereitung. Im Energiehandel ist dies nützlich für Aufgaben wie die Vorhersage von Nachfrage, Produktion oder Marktpreisen.

2. Durch Beobachtung: Unsupervised Learning. Wenn Sie der Maschine unkategorisierte Daten geben, werden Struktur, Zusammenhänge, Muster und Unterschiede identifiziert und erkannt. Ein großer Vorteil dabei ist, dass unkategorisierte Daten unbegrenzt sind. Mit diesem Modell können Maschinen umfangreiche, nicht binäre Darstellungen der Welt erstellen. Diese Methode eignet sich gut für komplexere, kreative Aufgaben wie Clustering oder generative Modellierung. Zum Beispiel nutzen wir dies, um verschiedene Marktzustände zu erkennen oder um einen synthetischen Markt zu schaffen.

3. Durch Erkundung: Reinforcement Learning. In einer simulierten Umgebung erforscht die Maschine die Regeln der Umgebung, erprobt verschiedene Strategien, erhält Feedback in Form einer Art von Belohnungssignal (z. B. einer Punktzahl) und versucht somit, ein definiertes Ziel zu erreichen. Diese Methode wird verwendet, wenn es sich bei der Maschine um eine Art Agent handelt, der mit einer Umgebung interagiert. In Verbindung mit dem zuvor erwähnten synthetischen Markt ermöglicht das Reinforcement Learning einem Trading-Bot, die optimalen Möglichkeiten zur Platzierung von Orders auf dem Markt vorherzusagen.

Der unschlagbare Trading-Bot

Im algorithmischen Energiehandel wurden bis heute immer komplexere regelbasierte Algorithmen eingesetzt. Der nächste Schritt beim Handel mit Algorithmen umfasst künstliche Intelligenz, insbesondere Deep Neural Networks. Die KI ist datenhungrig. Glücklicherweise produzieren die Energiemärkte riesige Mengen an Handelsdaten. Das Datenvolumen ist erstaunlich. In nur vier Lieferstunden im Intraday-Stromhandel existieren 40 Produkte. Ein einzelnes stündliches Produkt erzeugt während seiner Lebensdauer etwa 10.000 Ereignisse. Nehmen wir an, dass wir in jedem Beobachtungsschritt maximal 200 Orders und 20 Trades speichern müssen, so erhalten wir insgesamt über 100 Millionen Datenpunkte!

Wir müssen Wege finden, um mit dieser enormen Datenlast umzugehen. Die Daten müssen auf irgendeine Weise strukturiert und aggregiert werden. Wir müssen herausfinden, welche Daten für das Ergebnis wichtig und welche unwichtig sind. Beispielsweise ist die Aktivität kurz vor Gate-Closing deutlich wichtiger als die in der Zeit davor. Trades und die Entwicklung von Volumen und Preis sind wichtiger als Aktivität im Orderbuch. Energiehandel erfordert ein Verständnis von Wahrscheinlichkeiten, und auch der algorithmische Handel bildet da natürlich keine Ausnahme. Prognosen aus neuronalen Netzen – wie etwa Preise – sind ohne Wahrscheinlichkeitsinformationen unbrauchbar.

Eine wichtige Frage könnte zum Beispiel lauten: „Soll ich die Menge jetzt vermarkten oder noch fünf Minuten warten, um einen besseren Preis zu erzielen?“ Deep Neural Networks können Ergebnisse in Form einer Wahrscheinlichkeitsmatrix generieren. Dies gibt Einblick in den wahrscheinlichsten Preisverlauf und in die Volatilität. Wenn Sie wissen, ob der aktuelle Kurs nahe am oberen oder unteren Ende des wahrscheinlichen Bereichs liegt, können Sie entscheiden, ob Sie jetzt oder erst später handeln.

Wo befindet sich VisoTech derzeit in der KI-Forschung und was liegt noch vor uns?

VisoTech hat auf der KI-Reise bereits bedeutende Fortschritte gemacht. Alle aufwändigen Vorarbeiten, wie die Datenerfassung und -aufbereitung sind abgeschlossen und wir stehen kurz davor, unsere ersten auf KI basierenden Produkte zu veröffentlichen. Wie immer im Bereich der Forschung, ist es unmöglich, das Ergebnis vorherzusagen. Vielleicht erleben wir einen überraschend schnellen Durchbruch, vielleicht stoßen wir auf unvorhersehbare Hindernisse. Aber seien Sie versichert: Wir werden dem unschlagbaren Trading- Bot anschließend viel näher sein und unsere Reise erst beenden, wenn wir unser Ziel erreicht haben.

Was macht den Bot unschlagbar?

Menschen zeichnen sich durch bestimmte Fähigkeiten aus: Tanzen, Kunst, persönliche Beziehungen. Der Mensch hat jedoch Schwierigkeiten, so etwas wie komplexe Marktdaten zu verstehen. Unser Gehirn ist nicht für diese Art von Aufgaben ausgelegt. Maschinen hingegen können den Markt verstehen. „Superintelligenz“ jenseits der gegenwärtigen menschlichen Fähigkeiten wird in drei Klassen definiert:

Intelligenz durch Geschwindigkeit:

• Einfach schneller denken, um in der gleichen Zeit mehr Operationen zu bewältigen.
• Intelligenz durch Parallelisierung:
• Schwarmintelligenz von einzelnen Intelligenzen, die zusammenarbeiten.
• Intelligenz durch Qualität:
• Besser denken, z. B. mehr Verbindungen zwischen Informationen herstellen.

Fazit

Der unschlagbare Trading-Bot vereint damit Ansicht von Wolfgang Eichberger alle drei Klassen: Er ist unschlagbar, weil er alles auf einen Blick sieht: eine Handels-Superintelligenz."

Querverweis zum Thema (im Kontext Storagetechnologie):

Link > Storage Consortium Blogpost zu NVMeoF und FC SANs (part2) > Big Data Analytics und KI benötigen schnellen und skalierbaren Speicher mit niedrigen Latenzen.