Zusammenfassung
Die digitale Transformation, die rasanten Entwicklungen verschiedener Methoden sowie die großen Datenmengen, ganz zu schweigen von den gestiegenen Anforderungen seitens der Kunden, stellen Entscheider in Unternehmen vor erhebliche Herausforderungen. Der Einsatz einer Künstlichen Intelligenz, häufig in den Medien synonym für neuronale Netzwerke verwendet, scheint selbstverständlich oder zukunftsweisend zu sein. Welche Netzwerktypen damit gemeint sind, bleibt überwiegend verborgen oder der Fantasie überlassen. In der Fachliteratur hingegen werden für die speziellen Netzwerkarchitekturen Mathematik- und Statistikkenntnisse vorausgesetzt, um die Funktionsweise zu verstehen.
In diesem Beitrag wird ein Mittelweg verfolgt, indem auf mathematische Erläuterungen verzichtet wird, nicht jedoch auf die Besonderheiten verschiedener Netzwerktypen und deren Anwendungsfelder. Im Fokus stehen die Begrifflichkeiten, die methodische Vorgehensweise, die Potentiale sowie Herausforderungen beim Einsatz von Neuronalen Netzwerken in der Praxis. Der Beitrag wendet sich demnach an Interessierte ohne Vorkenntnisse, die einen Eindruck über Möglichkeiten und Grenzen von NN gewinnen möchten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Die Weiterentwicklung des Projektes wird vom Bundesministerium für Digitales und Verkehr für drei Jahre gefördert.
- 2.
- 3.
Ursprünglich bezog sich der Begriff Rekurrenz auf den Informationsfluss innerhalb eines Netzwerkes.
- 4.
Die Hebbsche Lernregel ist für alle neuronale Netzwerke fundamental und findet sich in allen Lernregeln wieder.
- 5.
Die komplexen Berechnungen in vielen neuronalen Netze haben uns veranlasst, SEN zu konzipieren, da es unwahrscheinlich ist, dass das Gehirn zum Beispiel die Verknüpfungen per Zufall generiert oder komplizierte Berechnungen durchgeführt werden.
- 6.
Es ist z. B. erstaunlich wie viele Schreibweisen für die Stadt Köln in einer Datenbasis zu finden waren.
- 7.
Dies ist natürlich grundsätzlich mit verschiedenen Methoden möglich.
Literatur
Adate A, Tripathy BK (2022) A survey on deep learning methodologies of recent applications. In: Acharjya DP, Mitra A, Zaman N (Hrsg) Deep learning in data analytics. Studies in big data, Bd 91. Springer, Cham. https://doi.org/10.1007/978-3-030-75855-4_9
Aichele C, Herrmann J (Hrsg) (2021) Betriebswirtschaftliche KI-Anwendungen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33532-8
Axmann B, Harmoko H (2021) Herausforderungen bei der Einführung neuer digitaler Technologien bei KMU Teil 1: Am Beispiel der Künstlichen Intelligenz. Z Wirtsch Fabr 116(4):269–271
Bazarbaev M, Chuluunsaikhan T, Oh H, Ryu G-A, Nasridinov A, Yoo K-H (2022) Generation of time-series working patterns for manufacturing high-quality products through auxiliary classifier generative adversarial network. Sensors 22(1)
Botvinick M, Wang JX, Dabney W, Miller JM, Kurth-Nelson Z (2020) Deep reinforcement learning and its neuroscientific implications. Neuron 107(4):603–616. https://doi.org/10.1016/j.neuron.2020.06.014
Brito da Silva LE, Elnabarawy I, Wunsch DC (2019) A survey of adaptive resonance theory neural network models for engineering applications. Neural Netw 120:167–203
Cisek G (2021) Machtwechsel der Intelligenzen. Springer Wieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-31863-5
Deutscher Wetterdienst (2021) https://opendata.dwd.de/climate_environment/CDC/observations_germany/climate/subdaily/wind/. Zugegriffen: 10. Dez. 2021
Ertel W (2021) Neuronale Netze. In: Ertel W (Hrsg) Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Fachmedien Wiesbaden, Wiesbaden, S 285–349
Galke L, Scherp A (2021) Forget me not: A gentle reminder to mind the simple multi-layer perceptron baseline for text classification. arXiv preprint arXiv:2109.03777
Gauger I, Nagel T, Huber M (2022) Hybrides Maschinelles Lernen im Kontext der Produktion. In: Hartmann EA (Hrsg) Digitalisierung souverän gestalten II. Handlungsspielräume in digitalen Wertschöpfungsnetzwerken. Springer, Heidelberg, S 64–79
Ghojogh B, Ghodsi A, Karray F, Crowley M (2021) Restricted boltzmann machine and deep belief network: tutorial and survey. arXiv preprint arXiv:2107.12521
Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y (2020) Generative adversarial networks. Commun ACM 63(11):139–144. https://doi.org/10.1145/3422622
Grätz A (2021) Schutz des Systems – Künstliche Neuronale Netze. In: Grätz A (Hrsg) Künstliche Intelligenz im Urheberrecht: Eine Analyse der Zurechnungskriterien und der Prinzipien der Verwandten Schutzrechte vor dem Hintergrund artifizieller Erzeugnisse. Springer Fachmedien Wiesbaden, Wiesbaden, S 45–72
Grossberg S (2021) A unified neural theory of conscious seeing, hearing, feeling, and knowing. Cogn Neurosci 12(2):69–73. https://doi.org/10.1080/17588928.2020.1839401
Haarmeier M (2021) Künstliche Intelligenz für den Mittelstand: Erfolgreiche Einführung und Nutzung von KI-Anwendungen in Unternehmen. Springer Fachmedien Wiesbaden, Wiesbaden
Hartmann EA (2022) Digitalisierung souverän gestalten II. Handlungsspielräume in digitalen Wertschöpfungsnetzwerken. Springer, Heidelberg. https://doi.org/10.1007/978-3-662-64408-9
Jing X, Bo W, Gihong M (2022) Research on human resource allocation model based on SOM neural network. Research Anthology on Human Resource Practices for the Modern Workforce. IGI Global, Hershey, S 513–525
Katal A, Singh N (2022) Artificial neural network: models, applications, and challenges. In: Tomar R, Hina MD, Zitouni R, Ramdane-Cherif A (Hrsg) Innovative trends in computational intelligence. Springer International Publishing, Cham, S 235–257. https://doi.org/10.1007/978-3-030-78284-9_11
Klüver C, Klüver J (2021a) Decision Support in Everyday Business Using Self-enforcing Networks. In: Dingli A, Haddod F, Klüver C (Hrsg) Artificial Intelligence in industry 4.0: a collection of innovative research case-studies that are reworking the way we look at industry 4.0 thanks to Artificial Intelligence. Springer International Publishing, Cham, S 31–44
Klüver C, Klüver J (Hrsg) (2021b) Neue Algorithmen für praktische Probleme. Springer Vieweg, Wiesbaden
Klüver C, Klüver J, Schmidt J (2021) Modellierung komplexer Prozesse durch naturanaloge Verfahren. Springer Vieweg, Wiesbaden
Klüver C, Klüver J (2022) Ewiges Leben durch künstliche Intelligenz und künstliche Gesellschaften. In: Willmann T, El Maleq A (Hrsg) Sterben 2.0: (Trans-)Humanistische Perspektiven zwischen Cyberspace, Mind Uploading und Kryonik. De Gruyter, 121–137
Krüger S (2021) Was ist KI und was nicht. In: Krüger S (Hrsg) Die KI-Entscheidung: Künstliche Intelligenz und was wir daraus machen. Springer Fachmedien Wiesbaden, Wiesbaden, S 71–212
Kruse R, Borgelt C, Braune C, Klawonn F, Moewes C, Steinbrecher M (2015) Computational Intelligence. Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer Vieweg, Wiesbaden
Landes M, Steiner E, Utz T (2022) Unternehmen im Wandel – Interdisziplinäre Wege zu Kreativität und Innovation. In: Landes M, Steiner E, Utz T (Hrsg) Kreativität und Innovation in Organisationen : Impulse aus Innovationsforschung, Management, Kunst und Psychologie. Springer, Berlin, S 1–8
Li F, Zhang X, Lu A, Xu L, Ren D, You T (2022) Estimation of metal elements content in soil using x-ray fluorescence based on multilayer perceptron. Environ Monit Assess 194(2):1–12. https://doi.org/10.1007/s10661-022-09750-x
Loscher G (2021) Potenziale in den Handlungsfeldern des Personalmanagements’, Quick Guide People Analytics: Wie Sie das Personalmanagement verändern können. Springer Fachmedien Wiesbaden, Wiesbaden, S 61–92
Mangelsdorf A, Wittenbrink N, Gabriel P (2022) Regulierung und Zertifizierung von KI in der Industrie: Ziele, Kriterien und Herausforderungen. Digitalisierung souverän gestalten II. Springer Vieweg, Berlin, S 110–119
Maronese M, Prati E (2021) A continuous rosenblatt quantum perceptron. Int J Quantum Inf 19(04):2140002
Mockenhaupt A (2021) Maschinelles Lernen. In: Mockenhaupt A (Hrsg) Digitalisierung und Künstliche Intelligenz in der Produktion: Grundlagen und Anwendung. Springer Fachmedien Wiesbaden, Wiesbaden, S 133–163
Mohammadi M, Al-Fuqaha A, Sorour S, Guizani M (2018) Deep learning for IoT Big Data and streaming analytics: a survey. IEEE Communications Surveys & Tutorials 20(4):2923–2960
Pohlink C, Fischer S (2021) Verantwortungsvolle und robuste KI in Unternehmen. In: Knappertsbusch I, Gondlach K (Hrsg) Arbeitswelt und KI 2030: Herausforderungen und Strategien für die Arbeit von morgen. Springer Fachmedien Wiesbaden, Wiesbaden, S 155–163
Reinhart F, Neumann K, Aswolinskiy W, Steil J, Hammer B (2018) Maschinelles Lernen in technischen Systemen. In: Trächtler A, Gausemeier J (Hrsg) Steigerung der Intelligenz mechatronischer Systeme. Springer, Berlin, S 73–118
Richter S (2019) Statistisches und maschinelles Lernen. Springer Spektrum, Berlin. https://doi.org/10.1007/978-3-662-59354-7_1
Roedenbeck M, Qari S, Herold M (2021) Künstliche Intelligenz im Recruiting: Performancevergleiche des (un-)supervised Learnings bei Bewerbungsdokumenten. In: Barton T, Müller C (Hrsg) Künstliche Intelligenz in der Anwendung: Rechtliche Aspekte, Anwendungspotenziale und Einsatzszenarien. Springer Fachmedien Wiesbaden, Wiesbaden, S 219–237
Roth S, Corsten H (Hrsg) (2022) Handbuch Digitalisierung. Vahlen, München
Schneider T (2022) Digitalisierung und Künstliche Intelligenz. Springer Gabler, Wiesbaden
Singh A (2022) Ogunfunmi T (2022) An overview of variational autoencoders for source separation, finance, and bio-signal applications. Entropy 24:55. https://doi.org/10.3390/e24010055
Thiemermann S, Braun G, Klüver C (2021) Homogenitätsprüfung von LED-Lichtleitern durch Neuronale Netzwerke. In: Klüver C, Klüver J (Hrsg) Neue Algorithmen für praktische Probleme: Variationen zu Künstlicher Intelligenz und Künstlichem Leben. Springer Fachmedien Wiesbaden, Wiesbaden, S 325–339
VDI-Statusreport (2019) Maschinelles Lernen. Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen. https://www.vdi.de/ueber-uns/presse/publikationen/details/kuenstliche-intelligenz-mit-neuronalen-netzen-in-optischen-mess-und-pruefsystemen
VDI-Statusreport (2020) Maschinelles Lernen in KMU – Künstliche Intelligenz im eigenen Unternehmen nutzen. https://www.vdi.de/ueber-uns/presse/publikationen/details/vdi-statusreport-maschinelles-lernen-in-kmu
von der Malsburg C (1986) Frank Rosenblatt: principles of neurodynamics: perceptrons and the theory of brain mechanisms. In: Palm G, Aertsen A (Hrsg) Brain theory. Springer, Berlin. https://doi.org/10.1007/978-3-642-70911-1_20
Welsch A, Eitle V, Buxmann P (2018) Maschinelles Lernen. HMD Praxis der Wirtschaftsinformatik 55(2):366–382
Werner M (2021) Künstliche Neuronen und Lernen. In: Werner M (Hrsg) Digitale Bildverarbeitung: Grundkurs mit neuronalen Netzen und MATLAB®-Praktikum. Springer Fachmedien Wiesbaden, Wiesbaden, S 319–347
Wijayaningrum VN, Saragih TH, Putriwijaya NN (2021) Optimal multi-layer perceptron parameters for early stage diabetes risk prediction’. IOP Conference Series: Materials Science and Engineering 1073(1):012070
Wittpahl V (2021) Künstliche Intelligenz. Technologie, Anwendung, Gesellschaft. Springer Vieweg, Berlin. https://doi.org/10.1007/978-3-662-58042-4
Yorek N, Ugulu I, Aydin H (2016) Using self-organizing neural network map combined with ward’s clustering algorithm for visualization of students’ cognitive structural models about aliveness concept. Comput Intell Neurosci (Article ID 2476256). https://doi.org/10.1155/2016/2476256
Zinkhan D (2021) Entscheidungsunterstützungssystem zur Interpretation probabilistischer Wettervorhersagen für den Flughafen Frankfurt. In: Klüver C, Klüver J (Hrsg) Neue Algorithmen für praktische Probleme: Variationen zu Künstlicher Intelligenz und Künstlichem Leben. Springer Fachmedien Wiesbaden, Wiesbaden, S 229–244
Zinkhan D, Eiermann S, Klüver C, Klüver J (2021) Decision support systems for air traffic control with self-enforcing networks based on weather forecast and reference types for the direction of operation. Advances in Computational Intelligence. Springer International Publishing, Cham, S 404–415
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature
About this chapter
Cite this chapter
Klüver, C., Klüver, J. (2022). Chancen und Herausforderungen beim Einsatz neuronaler Netzwerke als Methoden der Künstlichen Intelligenz oder des Maschinellen Lernens in KMU. In: Bodemann, M., Fellner, W., Just, V. (eds) Digitalisierung und Nachhaltigkeit – Transformation von Geschäftsmodellen und Unternehmenspraxis . Organisationskompetenz Zukunftsfähigkeit. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-65509-2_8
Download citation
DOI: https://doi.org/10.1007/978-3-662-65509-2_8
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-662-65508-5
Online ISBN: 978-3-662-65509-2
eBook Packages: Business and Economics (German Language)