Wie Machine Learning und MCDA gemeinsam entscheiden

Wie Machine Learning und MCDA gemeinsam entscheiden

Oft werden die mehrkriterielle Entscheidungsunterstützung (MCDA) und Machine Learning (ML) als konkurrierende Paradigmen betrachtet.

Die mehrkriterielle Entscheidungsunterstützung (MCDA, multi-criteria decision analysis) verfolgt als Teilgebiet des Operations Research (OR) das Ziel, aus einer endlichen Anzahl an Alternativen diejenige auszuwählen, die den Präferenzen eines Entscheidungsträgers oder Entscheidungsträgerin am ehesten entspricht. Die Alternativen werden hierbei meist unter mehreren Kriterien, z. B. Kapitalwert, Emissionen, Akzeptanz, bewertet. Die Präferenzen des Entscheidungsträgers oder der Entscheidungsträgerin werden über Kriteriengewichte, die entweder als Trade-Off oder als Wichtigkeit der Kriterien verstanden werden, sowie Präferenzfunktionen abgebildet.

Auf der anderen Seite verfolgt die Künstlich Intelligenz bzw. im speziellen Machine Learning (ML) einen anderen Ansatz. Hier wird eine Aussage über die Welt (bzw. die Zukunft) aus vorhandenen Daten gelernt, d. h. extrapoliert. Die Methode oder die zugrundeliegende mathematische Idee/ das mathematische Modell kann hierbei sehr verschieden sein. Von linearer Regression oder logistischer Regression über gradient boosting Modellen bis hin zu Large Language Modelle (LLMs) ist der konzeptionelle Ansatz immer der gleiche: Man verwendet einen vorhandenen Datensatz aus Eingangsgröße und evtl. eine Zielgröße und trainiert das Modell so, dass es von der Eingangsgröße auf das Ziel schließen kann. Das Modell kann nun bestenfalls auch unbekannte Eingangsgrößen richtig zuordnen.

Und hier liegt der Knackpunkt: den Modellen des ML wird implizit unterstellt, dass sie selber die eigentliche Entscheidung aus den Daten ableiten können. Dass man auch hier konsequent in deskriptive Prognose und normative Entscheidung trennen sollte, wird oft übergangen. Der Konflikt zwischen MCDA und ML ist daher nicht: KI/ML liefert eine objektive Entscheidung auf Basis von Trainingsdaten und MCDA ist nicht mehr als eine mathematisch verklausulierte Bachentscheidung, die nur einen passenden Entscheidungsträger benötigt. Der Unterschied ist tiefgreifender und liegt zwischen deskriptischer Schätzung und normativer Setzung. Bei einer korrekten Trennung der beiden können MCDA und ML jeweils ihre Stärken ausspielen.

Desktiptiv und normativ ist kein Datenproblem

Ein zentraler Konflikt entsteht, wenn ML-Modellen implizit unterstellt wird, sie könnten die eigentliche Entscheidung direkt aus den Daten ableiten. Das Problem manifestiert sich bereits in prominenten Implementierungen von ML-Algorithmen und kann damit sogar als Artefakt dieser Werkzeuge verstanden werden. Betrachtet man sklearn´s .predict() Methode, so gibt sie für ein trainiertes Modell die Ergebnisse als Klassen für die übergebene Inputgrößen aus. Die Entscheidung aus der Prognose des Modells wird damit direkt gefällt. Die dahinterliegenden Wahrscheinlichkeiten und die normative Entscheidung, wie man von den Wahrscheinlichkeiten auf die Klassen schließen möchte, existiert zwar in der .predict_proba() Methode - ist aber ein Extraschritt.

Dass der Cutoff zum Modell gehört ist keine konzeptionelle Wahrheit, sondern eine Designentscheidung bei der Implementierung der Methoden und Klassen. Die normative Entscheidung, d.h. das Setzen des Cutoffs, wird nicht aktiv durch die Architektur der Biobliothek eingefordert. Schlimmer noch: sie wird in der Praxis oft nach anscheinend objektiven Geschichtspunkten von denjenigen getroffen, die sie nicht verantworten müssen.

Der Cutoff als Wertentscheidung am Beispiel der Bonitätsprüfung

Betrachten wir ein ML-Modell, das Ausfallwahrscheinlichkeiten von Kreditnehmern einer Bank prognostiziert. Der Bayes-optimale Schwellenwert t^* = \frac{c_{FP}}{c_{FP} + c_{FN}} ist eine reine Funktion der Kosten. Der klassische Cutoff der predict()-Methode entspricht der Annahme, dass c_{FP} = c_{FN}, also Kostensymmetrie, herrscht. Ein Gutzahler ist also genauso teuer wie ein Schlechtzahler. Im gegebenen Beispiel ist das praktisch nie der Fall.

Klassischer Weise werden die Cutoffs im Bereich ML getunt: Der Schwellenwert wird gegen maximales F1 oder Youdens J optimiert. Diese objektiv wirkenden Metriken implizieren aber eine gewählte Zielfunktion, d.h. einer expliziten Wertsetzung. Im Fall von F1 ist das die Gleichgewichtung von Precision und Recall - ein etwas seltsame, aber eben eine implizit getroffene Kostenannahme. Predict-then-optimize verschiebt also das Normative, es eliminiert es nicht.

Und nur um es einmal sauber aufzuschreiben: die Wahl des Cutoffs ist eigentlich ein Optimierungsproblem mit Zielfunktion und gehört damit in den Bereich des OR. Das Bündeln des Cutoffs in das Modell eliminiert das Normative nicht. Die Wertentscheidung fällt trotzdem; nur durch einen Bibliotheks-Default oder eine einmalige Engineering-Entscheidung und meist von jemandem, der nicht autorisiert ist, die Werte der Organisation zu setzen.

MCDA als Brücke zur Entscheidung

Verfolgt man die strikte Trennung von deskriptiver Prognose und normativer Entscheidung konsequent weiter, ist das Setzen des Cutoffs zunächst ein degeneriertes Ein-Kriterien-MCDA-Problem: Solange die Entscheidung auf ein Kriterium kollabiert, reicht ein einfacher Schwellwert (guter Kunde / schlechter Kunde).

Interessant wird es erst bei der Berücksichtigung mehrere Cutoffs. Bei der Auswahl von Epitopen für Impfstoffe beispielsweise können mehrere ML-Modelle eingesetzt werden, um verschiedene Eigenschaften der zu analysierenden Epitope zu prognostizieren.

Tools wie mhcflurry und mhcpan liefern dabei verschiedene Kennzahlen auf Basis der Trainingsdaten. Die Forscher müssen nun entscheiden, welche Epitope sie für die weitere Entwicklung auswählen möchten. Die Entscheidung kann nicht auf eine einzige Kennzahl reduziert werden, da verschiedene Kriterien wie Bindungsaffinität und Immogenität berücksichtigt werden müssen. Darüber hinaus gibt es keine bekannten Epitope, die als Trainigsdaten für das Setzen der Cutoffs verwendet werden können. Die Forscher müssen also eine Entscheidung treffen, die auf mehreren Kriterien basiert, ohne dass es eine klare Grundlage oder ein Verständnis zum Zusammenspiel der Merkmale gibt.

Mithilfe von MCDA-Methoden, z. B. PROMETHEE können die Ergebnisse der ML-Modelle aggregiert werden, wenn sich die Epitopauswahl nicht auf eine Bindungszahl reduzieren lässt. Die Präferenzfunktionen und die Schwellwerte können von den Forschern festgelegt werden und erlauben darüber hinaus eine Kontrolle der Kompensation zwischen den Kriterien. D.h. ein Epitop kann durch eine gute Ausprägung in einem Kriterien anteilig eine schlechte Ausprägung eines anderen Kriteriums kompensieren. Die Aggregation der Schwellwerte funktioniert auch ohne vorhandene Daten. Die Forschenden können hier ihr intuitives Verständnis des Problems in die Entscheidungsfindung einfließen lassen.

Die andere Seite der Medallie

So wie ML von der normativen Klarheit des MCDA profitiert, profitiert MCDA von der Datengetriebenheit des ML. Denn auch MCDA hat seine blinden Flecken:

• Garbage In: Die Subjektivität und Manipulierbarkeit der Gewichte und Präferenzinformationen.
• Mathematische Fallstricke: Phänomene wie Rank-Reversal; die Unterscheidung zwischen Wichtigkeit und Tradeoff der Kriteriengewichte.
• Decision Theater: Die Gefahr, komplexe Mathematik nur zu nutzen, um ohnehin feststehende Bauchentscheidungen zu legitimieren.

Genau an dieser durchlässigen Grenze hilft ML. Präferenzen sind teilweise aus historischen Daten lernbar. Ansätze wie Preference Disaggregation (UTA), Learning-to-Rank oder Inverse Reinforcement Learning versuchen, die Wertfunktion aus echten, vergangenen Entscheidungen zu rekonstruieren. Wo MCDA droht, in subjektiver Willkür abzudriften, liefert ML Konsistenzprüfungen und Gewichtungsvorschläge. Und bei extrem guter Datenlage und absolut sauber definiertem Ziel gewinnt ohnehin das reine ML.

Fazit: Die Verantwortung

Die Setzung des Sollens bleibt immer beim Menschen. Dass selbst eine päpstliche Sozialenzyklika im Jahr 2026 den Einsatz von KI primär als Verteilungs- und Verantwortungsfrage und nicht als technisches Problem rahmt, zeigt deutlich: Die normative Lücke ist längst aus der reinen ML-Domäne herausgewandert. Der ehrliche Umgang mit Algorithmen erfordert, dass wir ML für das nutzen, was es am besten kann: die Welt beschreiben und MCDA, um bewusst Verantwortung für die daraus resultierenden Entscheidungen zu übernehmen.