Der Einsatz von KI (Künstliche Intelligenz) und des maschinellen Lernens (ML) ist obligatorisch, wenn große mehrdimensionale Datenmengen gemeinsam verarbeitet, klassifiziert und deren Verhalten für die Zukunft vorher gesagt werden sollen. Oftmals ist es das Ziel, Abweichungen von der ermittelten statistischen Charakteristik der Daten, sogenannte Anomalien, festzustellen.

Es gibt mittlerweile eine unüberschaubare Fülle von Verfahren aus der KI, vornehmlich Neuronale Netze, die bereits in den Achziger und Neunziger Jahren intensiv analysiert wurden. Die Unterscheidung in überwachtes und unüberwachtes Lernen gilt immer noch, siehe Literatur hierzu Bishop und Kohonen unter Menüpunkt „Weiterführendes“ bei „Bücher & Papers“.

Prinzipiell besteht das Problem des „Überlernens“, wenn die Verhältnisse nicht zueinander passen, wie z.B. Netzstruktur, Netzgröße und Umfang der Mustermenge, die zu lernen ist. Das gilt sowohl für biologische neuronale Netze wie auch für künstliche Neuronale Netze. Der Artikel von H. Uzan & I. Kanter: „Biological learning curves outperform existing ones in artificial intelligence algorithms“ zeigt, dass das biologische Vorbild eine höhere Leistungsfähigkeit gegenüber Algorithmen der KI aufweist. Die strukturelle Komplexität realer neuronaler Netze ist hierfür der Grund.

Wir haben heute eine Vielzahl von Verfahren aus der KI und ML, auch zur Zeitreihen-Analyse, zur Verfügung. Wir verweisen vorerst auf die Homepage www.tokeya.de und auf den Menüpunkt „Weiterführendes“, ansonsten würde eine umfassendere Darstellung hier den Rahmen sprengen.

Im Erzählungs-Kontext zum letzten Punkt existiert hier der Vorteil, dass die aus der KI bekannten neuronalen Netze mittels einiger Änderungen des Berechnungskalküls für komplexe und hyperkomplexe Zahlen ohne weitere Umstände strukturell in der Lage sind, die betreffenden Daten schneller, einfacher und umfassender zu verarbeiten, als dies bei herkömmlichen NN der Fall ist, siehe das Buch „Complex-valued Neural Networks“ von A. Hirose: https://www.springer.com/de/book/9783642276316.