Modellierung in der Informatik einfach erklärt

Ein Modell ist eine Abbildung eines Objektes, eines Verhaltens oder eines Systems, das man verstehen möchte. Es bildet nicht alles ab, sondern vereinfacht.

Ein Beispiel ist der Auto-Crashtest. Er wird auch als Simulation bezeichnet, also als Nachstellung eines Unfalls. Dabei werden die Vorgeschichte des Unfalls, die Verkehrssituation und der Unfallgegner stark vereinfacht. Statt echter Menschen sitzen Crashtest-Dummys im Auto. Sie haben mit Menschen gewisse mechanische Eigenschaften gemeinsam.

Ein solches Modell hat also nur ganz bestimmte Aspekte mit einem echten Unfall gemeinsam. Welche Aspekte das sind, hängt maßgeblich von der Fragestellung ab, die man beantworten will. Der Zweck bestimmt also, was im Modell steckt. Auch beim Sammeln von Daten gilt das: Was wichtig ist, wird durch den Kontext und den Zweck bestimmt.

Ein Attribut ist eine Eigenschaft eines Objekts, zum Beispiel Farbe oder Preis. Eine Klasse (ein Bauplan für ähnliche Objekte, mehr dazu unten) legt fest, welche Attribute ihre Objekte haben.

Welche Attribute du wählst, hängt vom Ziel ab. Nehmen wir die Klasse „Auto“. Im Kontext eines Autobauers hat sie möglicherweise Attribute wie Räder und Farbe und kennt die Bauteile. Im Kontext eines Händlers hat sie Attribute wie Produktnummer, Preis, Verbrauch und Erstzulassungsdatum. Im Kontext einer Zulassungsstelle gibt es Attribute wie Kennzeichen, zulässiges Maximalgewicht und den Halter.

Es wird also niemals „die“ Klassifizierung geben. Sie ist immer abhängig vom Ziel. Deine Begründung lautet deshalb: „Dieses Attribut brauche ich, weil es für den Zweck wichtig ist.“ In der Datenmodellierung werden im Allgemeinen nur Daten einbezogen, die zum fachlich-inhaltlichen Zweck des Systems gehören.

Datenmodellierung: Hier bildet man die relevanten Objekte mit ihren Attributen und Beziehungen formal ab. Hauptziel ist, genau festzulegen, welche Objekte ein Informationssystem (ein System, das Daten verwaltet) verwalten soll. Ergebnis sind Datenmodelle, die letztlich zu einsatzfähigen Datenbanken führen. Ein Beispiel ist das Entity-Relationship-Modell (ERM). Dort heißt eine Art von Objekt, etwa „Kunde“ oder „Auftrag“, Entitätstyp. Entitätstypen besitzen Attribute, aber keine Methoden.

Objektorientierte Modellierung: Hier verbindet man Zustand (Daten) mit Verhalten (Funktionen auf diesen Daten). Der Programmablauf wird als Zusammenspiel von Objekten gesehen. Ein Objekttyp (Klasse) ist die programmtechnische Darstellung eines Entitätstyps, erweitert um Methoden. Als Standardnotation hat sich die UML (Unified Modeling Language) etabliert.

Simulation: Hier führt man Experimente oder Trainings an einem Modell durch, um Erkenntnisse über das reale System zu gewinnen. Das Modell wird dabei unterschiedlichen Einflüssen ausgesetzt. Ein Beispiel: Man schätzt am Computer ab, wie verschiedene Spoilerformen die Traktion eines Rennwagens beeinflussen, ohne dass das Auto gebaut wird. Simulation lohnt sich, wenn eine Untersuchung am realen System zu aufwendig, zu teuer, ethisch nicht vertretbar oder zu gefährlich wäre.

Eine Klasse (auch Objekttyp genannt) ist ein Bauplan für eine Reihe ähnlicher Objekte. Sie beschreibt Attribute (Eigenschaften) und Methoden (Verhaltensweisen). Ein Objekt ist ein konkretes Exemplar einer Klasse, auch Instanz genannt. Das Erstellen eines Objekts heißt Instanziierung.

Tipp zum Bestimmen: Frage nach dem Bauplan (Klasse), nach den Eigenschaften (Attribute), nach dem, was das Ding tun oder ändern kann (Methoden), und nach einem einzelnen, konkreten Stück (Objekt).

Jedes Objekt hat einen Zustand, ein Verhalten und eine Identität. Der Zustand setzt sich aus den Attributen und den Verbindungen zu anderen Objekten zusammen. Die Identität unterscheidet ein Objekt von anderen, auch wenn die den gleichen Zustand haben.

In der UML zeichnet man eine Klasse als Rechteck mit drei Teilen: Klassenname, Liste der Attribute und Liste der Operationen. Klassennamen beginnen mit einem Großbuchstaben und sind Substantive im Singular.

Die Ergebnisse einer Simulation sind nur so gut wie das Modell dahinter. Wer sie nutzt, muss die Annahmen und Beschränkungen des Modells verstehen. Nur dann lassen sich die Ergebnisse auf die reale Welt übertragen.

Ein Modell liefert nur in einem bestimmten Kontext Ergebnisse, die sich auf die Realität übertragen lassen. In anderen Parameterbereichen (das sind Bereiche, in denen die eingestellten Werte ganz anders sind) können die Resultate schlichtweg falsch sein. Deshalb prüft man das Modell für den jeweiligen Anwendungsfall. Diese Prüfung heißt Validierung. Bei mathematischen Modellen vergleicht man dazu die Ergebnisse mit empirischen Daten, also mit Daten aus der Wirklichkeit.

Typische Fehler sind: ein Modell ohne konkrete Zielsetzung bauen, einen falschen Detaillierungsgrad wählen oder den Gültigkeitsbereich (den Bereich, in dem das Modell passt) nicht abschätzen. Bei sehr vielen Ergebnisdaten besteht außerdem die Gefahr, dass man die Resultate überbewertet.

Eine Simulation liefert zudem keine neuen Informationen, die nicht schon in den Ausgangsdaten stecken. Ist die zugrunde liegende Theorie falsch, unvollständig oder für den Anwendungsfall nicht gültig, liefert auch die Simulation falsche Ergebnisse. Mit tatsächlichen Experimenten können Modelle aktualisiert und verbessert werden.