Visual Bayesic
Wir machen Bayes’sche Verfahren für alle nutzbar.
Welche gesellschaftliche Herausforderung adressiert euer Prototyp?
Gefühlte Wahrheiten sind oft weit von der Realität entfernt. Dies ist besonders bei der subjektiven Bewertung von Risiken und Wahrscheinlichkeiten zu beobachten. Die Ursachen hierfür sind vielfältig. Ein wichtiger Aspekt ist, dass Menschen oft nicht gut darin sind, ungewisse Daten korrekt zu interpretieren. Daraus resultierend werden Entscheidungen oft auf der Basis von Heuristiken, Vereinfachungen, und “Bauchgefühl” geschlossen. Alle empirischen Daten aus Bereichen des täglichen Lebens (Medizin, Klima, Wirtschaft etc.) sind mit Unsicherheit behaftet.
Hier kommen das probabilistische Programmieren und die Bayes’schen Verfahren ins Spiel. Das probabilistische Programmieren ermöglicht es, Ungewissheit systematisch in die Modellbildung und -interpretation einzubeziehen, indem es statistische Modelle in Software einbettet und so den Umgang und das Lernen aus Daten ermöglicht. Die Bayes’schen Verfahren hingegen ermöglichen es, bestehende Annahmen anhand neuer Daten kontinuierlich zu aktualisieren und so eine objektive Grundlage für Entscheidungen zu schaffen. Beide Techniken haben sich in der Wissenschaft bereits als wertvolles Werkzeug etabliert, um aus den mit Unsicherheit behafteten Daten valide und informierte Schlüsse zu ziehen.
Diese Methodik wird mit “Visual Bayesic” einer breiteren Öffentlichkeit zugänglich gemacht. Über ein “visual scripting interface” werden interessierte Anwender*innen mit einfachen Beispielen an die Methodik herangeführt. Darüber hinaus wird die Auswertung eigener und öffentlicher Daten aus verschiedensten Bereichen in komplexeren Szenarien ermöglicht. Die dadurch vereinfachte Nutzung dieser relevanten Methodik, trägt so zu einer informierten und engagierten Öffentlichkeit bei.
Wie geht ihr das Problem an?
Visual Bayesic wird in Python programmiert und baut auf existierenden visual scripting Lösung wie Ryven oder pyFlow auf. Als probabalistisches Framework wird pyMC3 genutzt, welches bereits eine Vielzahl von Verfahren wie Markov-Chain Monte Carlo oder variational inference in python implementiert hat. Zur Visualisierung von Daten und Kennzahlen wird neben einer Anzahl von eigens implementierten Methoden vor allem die Bibliothek ArviZ verwendet. Ein substantieller Anteil der technischen Arbeit bezieht sich auf die Umsetzung und Verknüpfung von Komponenten in einer grafische Nutzungsumgebung. Hierbei wird vor allem auf eine transparente und verständliche Nutzererfahrung hingearbeitet. Eine ausführliche Dokumentation wird Nutzer*innen zusätzlich dabei unterstützen, das Werkzeug effektiv einzusetzen.
An wen richtet sich euer Tool?
Das Projekt spricht alle Personen an, die kritisches und probabilistisches Denken üben und verbessern möchten. Hierzu gehören Wissenschaftler*innen und Studierende die von der Nutzung probabilistischer Programmierung profitieren würden aber nicht die technischen Kenntnisse besitzen diese einzusetzen. Eine wichtige Zielgruppe sind Vertreter*Innen aus dem Bereich der Wissenschaftskommunikation. Diesen kann Visual Bayesic dabei helfen, komplexe Sachverhalte und Zusammenhänge aufzubereiten und anschaulich zu kommunizieren.