Skip to main content
SpringerLink
Log in

Funktion und Einsatz von Künstlicher Intelligenz

  • Chapter
  • First Online:
Künstliche Intelligenz und Intuition

  • 3318 Accesses

Zusammenfassung

Dieses Kapitel gibt einen Überblick über die wichtigsten Technologien und Modelle, die gemeinhin unter dem Begriff der „Künstlichen Intelligenz“ zusammengefasst werden. Es geht darum, ein grundlegendes Verständnis der Funktions- und Arbeitsweise dieser Technologien zu entwickeln und Anwendungsfälle kennenzulernen. Wichtig hierbei ist auch, dass es sich trotz des Namens nicht um eine menschenähnliche Form der Intelligenz in Maschinen und Systemen handelt, sondern in erster Linie die Optimierung unterschiedlicher Prozesse das Ziel von KI-Anwendungen ist.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 34.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 44.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  • Agarwal, P. K.: Public Administration Challenges in the World of AI and Bots. Public Administration Review. Nov/Dec2018, Vol. 78 Issue 6, p917–921. 5p. 1 Black and White Photograph.

    Google Scholar 

  • Aggarwal, Charu C.: Machine Learning for Text, Cham 2018

    Google Scholar 

  • André, Elisabeth; Bauer, Wilhelm (Hrsg.): Kompetenzentwicklung für Künstliche Intelligenz – Veränderungen, Bedarfe und Handlungsoptionen. Whitepaper aus der Plattform Lernende Systeme, München 2021

    Google Scholar 

  • Azarian, B.: A neuroscientist explains why artificially intelligent robots will never have consciousness like humans. Raw Story – Celebrating 18 Years of Independent Journalism, 2020

    Google Scholar 

  • Becker, M.: Messung und Bewertung von Humanressourcen. Konzepte und Instrumente für die betriebliche Praxis, Stuttgart 2008

    Google Scholar 

  • Bieser, J. et al. (Bitkom Hrsg.): Klimaschutz durch digitale Technologien. Chancen und Risiken, Berlin 2020

    Google Scholar 

  • Boll, S.; Schnell, M. et al.: Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen. Nachhaltigkeit von, mit und durch KI, München 2022

    Google Scholar 

  • Bresnahan, T.F.; Brynjolfson, E.; Hitt, L.: Information Technology, Workplace Organization and the demand for skilled labour: Firm level Evidence, in: Quarterly Journal of Economics 117/2001, S. 339–376

    Article  Google Scholar 

  • Brynjolfson, E.; Hitt, L.; Yang, S.: Intangible Assets: Computer and organizational capital, Brookings Papers on economic activity, 2002, S.137–198

    Google Scholar 

  • Bundesverband Digitale Wirtschaft (Hrsg.): Mensch, Moral, Maschine. Digitale Ethik, Algorithmen und Künstliche Intelligenz, Berlin 2019

    Google Scholar 

  • Capgemini Research Institute (Hrsg.): Why addressing ethical question in ai will benefit organizations, o.O. 2020

    Google Scholar 

  • Christen, M.: Wie programmiert man ethische Intuition?, in: Die Volkswirtschaft 12/2019

    Google Scholar 

  • Cioffi, R; Travaglioni, Marta; Piscitelli, Giuseppina; Petrillo, Antonella; Felice, Fabio de: Artificial Intelligence and Machine Learning Applications in Smart Production: Progress, Trends and Directions, Sustainability 12(2) 2020

    Google Scholar 

  • Damacharla, P., Javaid, A. Y., Gallimore, J. J., & Devabhaktuni, V. K.: Common metrics to benchmark human-machine teams (HMT): A review. IEEE Access, 6, 38637–38655, 2018

    Article  Google Scholar 

  • Doherty, Conor; Camina, Steven; White, Kevin; Orenstein, Gary: The Path to Predictive Analytics and machine Learning, Boston 2016

    Google Scholar 

  • Ertel, Wolfgang: Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung, Wiesbaden 2018

    Google Scholar 

  • European Political Strategy Center (Hrsg.): The Age of Artificial Intelligence, Brussels 2018

    Google Scholar 

  • Fitoussi, D.; Hitt, L.; Brynjolfson, E.: The IT Iceberg: Measuring the tangible and intangible computing assets, Working Paper 2004

    Google Scholar 

  • Fraunhofer Allianz Big Data und Künstliche Intelligenz (Hrsg.): Quantum Machine Learning. Eine Analyse zu Kompetenz, Forschung und Anwendung, Sankt Augustin, 2020

    Google Scholar 

  • Galaz, Victor; Centeno, Miguel; Callahan, Peter; Causevic, Amar; Patterson, Thayer; Brass, Irina; Baum, Seth; Farber, Darell; Fischer, Joern; Garcia, David; McPhearson, Timon; Jimenez, Daniel; King, Brian; Larcey, Paul; Levy, Karen: Artificial intelligence, systemic risks, and sustainability, Technology and Society, 2021

    Google Scholar 

  • Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron: Deep Learning, Frechen 2019

    Google Scholar 

  • Graesser, Laura; Keng Wah Loon: Foundations of Deep Reinforcement Learning: Theory and Practice in Python, Boston 2019

    Google Scholar 

  • Haller, Klaus: Structuring and Delivering AI Projects, S. 23–60. In: Managing AI in the Enterprise: Apress, Berkeley, CA, 2022

    Google Scholar 

  • Heesen, J.; Grundwald, A.; Matzner, T.; Roßnagel, A.: Ethik Briefing, Leitfaden für eine verantwortungsvolle Entwicklung und Anwendung von KI-Systemen, München 2020

    Google Scholar 

  • Herweijer, C., Combes, B., Ramchandani, P., Sidhu, J.: Fourth Industrial Revolution for the Earth: Harnessing Artificial Intelligence for the Earth. o.O. 2018

    Google Scholar 

  • High Level Expert Group on Artificial Intelligence: Ethics Guidelines for trustworthy AI, Bruxelles 2019

    Google Scholar 

  • Hofmann, P. et al.: KI-Anwendungsfälle zielgerichtet identifizieren, Wirtschaftsinformatik und Management 5/2020

    Google Scholar 

  • Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of service research, 21(2), 155–172

    Article  Google Scholar 

  • Huchler, N. et al: Kriterien für die Mensch-Maschine-Interaktion bei KI. Ansätze für die menschengerechte Gestaltung in der Arbeitswelt, München 2020

    Google Scholar 

  • Jacobs, J. et al.: Dynamisches Kompetenzmanagement – Kompetenzbedarfe früh erkennen, passgenaue Angebote ableiten. Ein Praxis-Leitfaden des Human-Resources Kreises von acatech (acatech DISKUSSION), München 2021

    Google Scholar 

  • Kaplan, Jerry: Künstliche Intelligenz. Eine Einführung, Frechen 2017

    Google Scholar 

  • Kienbaum, F.; Mecke, M. et al: Leadership in the age of technologically assisted decision making, Köln 2022

    Google Scholar 

  • Kaack, Lynn; Donti, Priya; Strubell, Emma; Kamiya, George; Creutzig, Felix; Rolnick, David: Aligning artificial intelligence with climate change mitigation, hal-03368037, 2021

    Google Scholar 

  • Koch, D.; Lentes, J.; Schuseil, F.; Waltersmann, L.: Nachhaltigkeit durch KI. Potenziale und Handlungsleitfaden für produzierende Unternehmen, Stuttgart 2022

    Google Scholar 

  • Kramer, O.: Machine learning for evolution strategies. Studies in big data. Cham 2016

    Google Scholar 

  • Kraus, T. et al.: Erklärbare KI. Anforderungen, Anwendungsfälle und Lösungen, Berlin 2021

    Google Scholar 

  • Kreutzer, Ralf; Sirrenberg, Marie: Künstliche Intelligenz verstehen. Grundlagen – Use-Cases – unternehmenseigene KI-Journey, Wiesbaden 2019

    Google Scholar 

  • Lämmel, Uwe; Cleve, Jürgen: Künstliche Intelligenz. Wissensverarbeitung – Neuronale Netze, München 2020

    Google Scholar 

  • Lapan, Maximilian: Deep Reinforcement Learning, Frechen 2020

    Google Scholar 

  • Ligozat, Anne-Laure; Lefevre, Julien; Bugeau, Aurelie; Combaz, Jacques: Unraveling the hidden environmental impacts of AI solutions for environment, 2021

    Google Scholar 

  • Lottick, Kadan; Friedler, Sorelle; Wilson, Jonathan; Susat, Silvia: Energy usage reports. Environmental awareness as part of algorithmic accountability, Workshop on Tackling Climate Change with Machine Learning at the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada, 2019

    Google Scholar 

  • Lozo, Olena; Onishchenko, Oleksii: The Potential Role of the Artificial Intelligence in Combating Climate Change and Natural Resources Management: Political, Legal and Ethical Challenges, Journal of Natural Resources, 4(3), 2021

    Google Scholar 

  • Mock, M. et al.: Management System Support for trustworthy artificial intelligence, St. Augustin 2021

    Google Scholar 

  • Moring, A.: AI on the Job, Wiesbaden 2021

    Google Scholar 

  • Moring, A.; Just, V. et al: Systemdesign nachhaltiger Digitalisierung. KI-Methodenkoffer zur Messung von Umweltbelastungen im Einsatz von KI, sowie IoT und DLT, Wuppertal 2022

    Google Scholar 

  • Müller, H.: Deus ex machina? Überlegungen zu einer Ethik der Künstlichen Intelligenz, 2020

    Google Scholar 

  • Nabavi, Ehsan; Daniell, Katherine; Bentley, Caitlin: AI for sustainability. A changing landscape, Artificial Intelligence for better or worse, 2019

    Google Scholar 

  • Poretschkin, M. et al: Leitfaden zur Gestaltung vertrauenswürdiger Künstlicher Intelligenz, St. Augustin 2021

    Google Scholar 

  • Raschka, Sebastian; Mirjalili, Vahid: Machine Learning mit Python und Scikit-learn und TensorFlow, Frechen 2018

    Google Scholar 

  • Rashid, Tariq: Neuronale Netze selbst programmieren, Heidelberg 2016

    Google Scholar 

  • Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J. F., Breazeal, C., Wellman, M.: Machine behaviour. Machine Learning and the City: Applications in Architecture and Urban Design, 143–166, 2022

    Google Scholar 

  • Russel, Stuart; Norvig, Peter: Artificial Intelligence: A Modern Approach, Essex 2016

    Google Scholar 

  • Schmid, Thomas; Hildesheim, Wolfgang; Holoyad, Taras; Schumacher, Kinga: The AI Methods, Capability and Criticality Grid. A three dimensional classification scheme for artificial intelligence applications; KI Künstliche Intelligenz 35(3), S.425–440, 2021

    Google Scholar 

  • Seeber, I., Bittner, E., Briggs, R. O., De Vreede, T., De Vreede, G. J., Elkins, A., Söllner, M.: Machines as teammates: A research agenda on AI in team collaboration. Information & management, 57(2), 2020

    Google Scholar 

  • Stowasser, Sascha; Suchy, Oliver et al. (Hrsg.): Einführung von KI-Systemen in Unternehmen. Gestaltungsansätze für das Change Management. Whitepaper aus der Plattform Lernende Systeme, München 2020

    Google Scholar 

  • Strubell, Emma; Ganesh, Ananya; McCallum, Andrew: Energy and policy considerations for deep learning in NLP, 2019

    Google Scholar 

  • Warden, T., Carayon, P., Roth, E. M., Chen, J., Clancey, W. J., Hoffman, R., & Steinberg, M. L.: The national academies board on human system integration (BOHSI) panel: Explainable AI, system transparency, and human machine teaming. In Proceedings of the Human Factors and Ergonomics Society Annual Meeting (Vol. 63, No. 1, pp. 631–635). Sage CA: Los Angeles, CA: SAGE Publications, 2019

    Google Scholar 

  • Wartala, Ramon: Praxiseinstieg Deep Learning, Heidelberg 2018

    Google Scholar 

  • WBGU – Wissenschaftlicher Beirat der Bundesregierung Globale Umweltveränderungen: Unsere gemeinsame digitale Zukunft. Zusammenfassung. Berlin: WBG, 2019

    Google Scholar 

  • Wu, Carole-Jean; Raghavendra, Ramya; Gupta, Udit; Acun, Bilge; Ardalani, Nishwe; Maeng, Kiwan; Chang, Gloria; Behram, Fiona Aga; Huang, James; Bai, Charles; Gschwind, Michael; Gupta, Anorag: Sustainable AI: Environmental Implications, Challenges and Opportunities, 2021

    Google Scholar 

  • Wynne, K. T., & Lyons, J. B.: An integrative model of autonomous agent teammatelikeness. Theoretical Issues in Ergonomics Science, 19(3), 353–37, 2018

    Article  Google Scholar 

  • Wynsberghe, Aimee van: Sustainable AI: AI for sustainability and the sustainability of AI, AI and Ethics, 2021

    Google Scholar 

  • Xiong, W., Fan, H., Ma, L., & Wang, C.: Challenges of human—machine collaboration in risky decision-making. Frontiers of Engineering Management, 1–15, 2022

    Google Scholar 

  • Xu, W.: Toward human-centered AI: a perspective from human-computer interaction. interactions, 26(4), 42–46, 2019

    Google Scholar 

  • Yao, Haipeng; Jiang, Chunxiao; Qian, Yi: Developing Networks using Artificial Intelligence, Cham 2019

    Google Scholar 

  • Zielinski, Oliver: Fachmagazin des August-Wilhelm Scheer Instituts. Heft 3, S. 14, 2020

    Google Scholar 

  • Zweig, K.A. et al.: Wo Maschinen irren können. Verantwortlichkeiten und Fehlerquellen in Prozessen algorithmischer Entscheidungsfindung. Gütersloh: Bertelsmann Stiftung, 2018

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Hamburg, Hamburg, Deutschland

    Andreas Moring

Authors
  1. Andreas Moring
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Andreas Moring .

Rights and permissions

Reprints and permissions

Copyright information

© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Moring, A. (2023). Funktion und Einsatz von Künstlicher Intelligenz. In: Künstliche Intelligenz und Intuition. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-42018-5_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-42018-5_2

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-42017-8

  • Online ISBN: 978-3-658-42018-5

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation