Skip to main content
SpringerLink
Log in

Chancen und Herausforderungen beim Einsatz neuronaler Netzwerke als Methoden der Künstlichen Intelligenz oder des Maschinellen Lernens in KMU

  • Chapter
  • First Online:
Digitalisierung und Nachhaltigkeit – Transformation von Geschäftsmodellen und Unternehmenspraxis

Part of the book series: Organisationskompetenz Zukunftsfähigkeit ((OZ))

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.

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 54.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 69.99
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

Notes

  1. 1.

    Die Weiterentwicklung des Projektes wird vom Bundesministerium für Digitales und Verkehr für drei Jahre gefördert.

  2. 2.

    https://opendata.dwd.de/climate_environment/CDC/observations_germany/climate/subdaily/wind/

  3. 3.

    Ursprünglich bezog sich der Begriff Rekurrenz auf den Informationsfluss innerhalb eines Netzwerkes.

  4. 4.

    Die Hebbsche Lernregel ist für alle neuronale Netzwerke fundamental und findet sich in allen Lernregeln wieder.

  5. 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. 6.

    Es ist z. B. erstaunlich wie viele Schreibweisen für die Stadt Köln in einer Datenbasis zu finden waren.

  7. 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

    Article  Google Scholar 

  • 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)

    Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Article  Google Scholar 

  • Haarmeier M (2021) Künstliche Intelligenz für den Mittelstand: Erfolgreiche Einführung und Nutzung von KI-Anwendungen in Unternehmen. Springer Fachmedien Wiesbaden, Wiesbaden

    Book  Google Scholar 

  • 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

    Google Scholar 

  • 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

    Google Scholar 

  • Klüver C, Klüver J (Hrsg) (2021b) Neue Algorithmen für praktische Probleme. Springer Vieweg, Wiesbaden

    Google Scholar 

  • Klüver C, Klüver J, Schmidt J (2021) Modellierung komplexer Prozesse durch naturanaloge Verfahren. Springer Vieweg, Wiesbaden

    Book  Google Scholar 

  • 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

    Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Google Scholar 

  • 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

    Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Book  Google Scholar 

  • 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

    Google Scholar 

  • Maronese M, Prati E (2021) A continuous rosenblatt quantum perceptron. Int J Quantum Inf 19(04):2140002

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Google Scholar 

  • 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

    Chapter  Google Scholar 

  • Roth S, Corsten H (Hrsg) (2022) Handbuch Digitalisierung. Vahlen, München

    Google Scholar 

  • Schneider T (2022) Digitalisierung und Künstliche Intelligenz. Springer Gabler, Wiesbaden

    Book  Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Article  Google Scholar 

  • 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

    Chapter  Google Scholar 

  • 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

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Essen, Deutschland

    Christina Klüver & Jürgen Klüver

Authors
  1. Christina Klüver
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Jürgen Klüver
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Christina Klüver .

Editor information

Editors and Affiliations

  1. Warburg, Nordrhein-Westfalen, Deutschland

    Markus Bodemann

  2. Darmstadt, Deutschland

    Wiebke Fellner

  3. Hamburg, Deutschland

    Vanessa Just

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

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)

Publish with us

Policies and ethics

Search

Navigation