Revolutionierung der Reiseplanung: Wie MIT und IBM mithilfe von KI intelligentere Reiserouten erstellen

Jeder, der schon einmal eine große Reise geplant hat, kennt das Gefühl - ein Dutzend Tabs geöffnet, Flugpreise und Hoteloptionen notiert, sich den perfekten Tagesablauf ausgedacht ... und sich gefragt, ob es nicht einen einfacheren Weg gibt. Jahrelang waren Reisebüros die Experten, die all diese Details zusammenfügen und etwas Ordnung in das Chaos bringen konnten. Jetzt, wo künstliche Intelligenz immer intelligenter wird, stellt sich natürlich die Frage: Kann KI endlich den Code für eine nahtlose, personalisierte Reiseplanung knacken?

Große Sprachmodelle - man denke nur an GPT-4 oder Claude-3 - können sich in einfachem Englisch unterhalten, große Mengen an Informationen zusammenfassen und sogar mit mehreren Benutzereinstellungen gleichzeitig jonglieren. Es ist verlockend, sich vorzustellen, dass einer dieser digitalen Co-Piloten den perfekten Urlaub von Grund auf plant. Doch die Realität ist chaotischer. So flexibel diese Modelle auch sind, sie scheitern oft an den kleinen Zwängen - Zeit, Budget, Logistik -, die Traumreisen von realisierbaren Reiseplänen trennen. Jüngste Untersuchungen haben ergeben, dass diese KI-Systeme selbst mit Hilfe ausgeklügelter Tools und externer Daten nur in 4% der Fälle wirklich brauchbare Reisepläne erstellen können. Es gibt also noch Raum für Wachstum.

Eine andere Art von KI-Assistent

Ein Forscherteam des MIT und des MIT-IBM Watson AI Lab hat das Problem aus einem neuen Blickwinkel betrachtet. Warum sollte man die Reiseplanung nicht weniger wie eine kreative Schreibübung behandeln, sondern eher wie ein klassisches Puzzle, bei dem man Dutzende von Randbedingungen genau richtig zusammenfügen muss? Das ist der Kerngedanke der kombinatorischen Optimierung, die sich damit beschäftigt, die beste Lösung zu finden, wenn es unzählige mögliche “richtige” Antworten gibt, aber nur wenige, die alle Kriterien erfüllen.

Das Team hat ein System entwickelt, bei dem die KI die Rolle des Übersetzers und nicht die des Generalplaners übernimmt. Es hört sich Ihre Anfragen an und findet in einfacher Sprache heraus, was Sie wollen, und übergibt die Aufgabe dann an einen leistungsstarken mathematischen Löser namens SMT (satisfiability modulo theories) Solver. Dieser prüft, ob Ihre Wünsche - Hotel in der Nähe des Stadtzentrums, günstiges Abendessen, keine Flüge mit roten Augen - realistisch zusammenpassen. Wenn ja, sendet es seine Antwort zurück, und die KI übersetzt diese in eine Reiseroute, die Sie tatsächlich nutzen können. Der Prozess jongliert mit natürlichem Sprach-Parsing, API-Datenaufrufen und Solver-Logik und wiederholt sich, bis der Plan für Sie funktioniert.

Beeindruckende Ergebnisse

Das MIT-Team stellte nicht nur Hypothesen auf, sondern unterzog sein neues System ernsthaften Tests. Anhand von realen Daten und schwierigen Szenarien aus Reiseplanungs-Benchmarks verglichen sie ihren Ansatz nicht nur mit Sprachmodellen, die allein arbeiten, sondern auch mit Versionen, die von speziellen Suchwerkzeugen oder kostenoptimierenden Algorithmen unterstützt werden. Der Unterschied war eindeutig: Ihr hybrides System war in mehr als 90% der Fälle erfolgreich und übertraf damit alle anderen Methoden bei weitem. Durch eine Feinabstimmung der Formatierung der Anfragen - in diesem Fall durch die Strukturierung mit JSON - konnte die Erfolgsquote noch weiter verbessert werden.

Auch für ihre Software haben sie es sich nicht leicht gemacht. Einige Testdatensätze wurden speziell entwickelt, um selbst intelligente Algorithmen zu verwirren, mit absichtlich widersprüchlichen Anforderungen und Variablen, die die meisten Planer überfordern würden. Doch selbst dann erreichte das System Erfolgsquoten von über 85% und konnte sich oft mit kleinen Änderungen im Handumdrehen erholen. Ein weiterer Pluspunkt: Das System kam mit umformulierten oder neu geordneten Fragen gut zurecht und zeigte eine beeindruckende Flexibilität.

Viel mehr als nur Urlaubsplanung

So vielversprechend dies für Reisende auch ist, vermutet die MIT-Gruppe, dass die spannendsten Anwendungen noch vor uns liegen. Derselbe hybride Ansatz hat in der Lagerlogistik, bei der Zuweisung von Aufgaben an Roboterteams und sogar bei klassischen mathematischen Herausforderungen wie dem “Travelling-Salesman-Problem” echte Ergebnisse gezeigt. Letztendlich könnte die Kombination der Anpassungsfähigkeit von Sprachmodellen mit der Präzision mathematischer Lösungsverfahren jedem dabei helfen, komplexe Planungsaufgaben zu bewältigen - ohne tiefgreifende technische Kenntnisse. Dies ist ein Ausblick darauf, wie künftige digitale Werkzeuge dazu beitragen könnten, dass sich gewaltige Probleme in der realen Welt menschlicher anfühlen - und weit weniger überwältigend.

Lesen Sie die ganze Geschichte unter MIT-Nachrichten.