Bayessche Priorisierung
Bayessche Priorisierung ist ein Verfahren, bei dem man eine Rangfolge von Aufgaben oder Optionen laufend an neue Beobachtungen anpasst. Grundlage ist die Regel von Bayes, die vorhandene Erwartungen mit frischen Daten zu einer aktualisierten Einschätzung verrechnet.
Wer viele Aufgaben und wenig Zeit hat, muss entscheiden, was zuerst drankommt. Bayessche Priorisierung ist eine Methode, diese Reihenfolge nicht einmalig festzulegen, sondern ständig zu überarbeiten. Man startet mit einer Schätzung, wie wertvoll oder erfolgversprechend jede Option ist. Diese Schätzung stützt sich auf Erfahrung aus der Vergangenheit. Sobald neue Beobachtungen eintreffen, rechnet man sie mit der alten Schätzung zusammen und erhält eine bessere. Die Rangfolge wird danach neu sortiert. Namensgeber ist Thomas Bayes, ein englischer Geistlicher des 18. Jahrhunderts, dessen Rechenregel genau diese Verrechnung von Vorwissen und neuen Daten beschreibt.
Warum starre Ranglisten meist versagen
Die übliche Alternative ist eine feste Liste. Ein Team setzt sich zu Beginn eines Quartals zusammen, sortiert alle Vorhaben nach Wichtigkeit und arbeitet die Liste ab. Das Problem: Die Sortierung beruht auf dem Wissen von Tag eins. Was man in Woche drei lernt, verändert die Liste nicht mehr. So werden Ressourcen in Projekte gesteckt, die sich längst als schwach erwiesen haben.
Bayessche Priorisierung macht aus der Rangfolge etwas Bewegliches. Jede Option trägt nicht nur einen Schätzwert, sondern auch eine Angabe zur Unsicherheit. Eine Option kann also mittelmäßig aussehen, aber sehr unsicher sein. Genau solche Kandidaten sind oft einen zweiten Blick wert, weil sie sich noch als sehr gut herausstellen könnten.
Daraus folgt ein wichtiger Unterschied zu naiver Optimierung. Wer immer nur die aktuell beste Option verfolgt, bleibt womöglich bei einer mittelmäßigen Wahl hängen. Fachleute nennen das den Konflikt zwischen Ausnutzen und Erkunden. Bayessche Verfahren geben dafür eine rechnerisch saubere Antwort, statt sich auf Bauchgefühl zu verlassen.
Vorwissen, Beobachtung, aktualisierte Rangfolge
Der Ablauf besteht aus drei Schritten, die sich wiederholen. Erstens formuliert man das Vorwissen als Wahrscheinlichkeitsverteilung. Sie sagt nicht nur, welcher Wert wahrscheinlich ist, sondern auch, wie breit die Streuung ausfällt. Zweitens sammelt man Daten: einen Testlauf, Klicks von Nutzern, das Ergebnis eines Experiments. Drittens rechnet die Bayes-Formel beides zusammen und liefert eine neue, engere Verteilung.
Ein Beispiel macht das greifbar. Ein Onlineshop testet fünf Varianten einer Startseite. Am Anfang traut man jeder Variante eine Kaufquote von etwa drei Prozent zu, mit großer Unsicherheit. Nach tausend Besuchern zeigt Variante B vier Prozent, Variante D nur ein Prozent. Die Verteilungen verschieben sich entsprechend, und der Verkehr wird stärker auf B gelenkt. Variante D bekommt weniger Besucher, wird aber nicht sofort abgeschaltet.
Ein verbreiteter Irrtum ist, das Vorwissen sei bloß Willkür. Tatsächlich verliert es mit jeder Beobachtung an Gewicht. Bei hundert Datenpunkten bestimmen die Daten das Ergebnis fast vollständig. Vorwissen hilft vor allem am Anfang, wenn kaum Messungen vorliegen und man trotzdem entscheiden muss.
Von A/B-Tests bis zur Modellauswahl
Am häufigsten trifft man das Verfahren in der Werbung und im E-Commerce. Systeme, die Anzeigen ausspielen, verteilen Budget laufend zwischen Varianten um. Der Fachbegriff dafür lautet Multi-Armed Bandit, benannt nach Spielautomaten mit mehreren Hebeln. Solche Systeme verkürzen Tests spürbar, weil schwache Varianten früh weniger Verkehr erhalten.
In der KI-Entwicklung dient dasselbe Prinzip der Suche nach guten Einstellungen für ein Modell. Jeder Trainingslauf kostet Rechenzeit und damit Geld. Statt alle Kombinationen durchzuprobieren, schlägt ein bayessches Verfahren die nächste vielversprechende Einstellung vor. Diese Methode heißt bayessche Optimierung und steckt in gängigen Werkzeugen für maschinelles Lernen.
Auch außerhalb der Technik taucht der Gedanke auf. Pharmafirmen verteilen Patienten in Studien nach diesem Muster auf Behandlungsarme. Investoren beschreiben ihre Portfoliostrategie manchmal mit denselben Begriffen. In Unternehmensmeldungen liest man das als Formulierung, man priorisiere Projekte datengetrieben und überprüfe die Reihenfolge fortlaufend.