Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Einleitung Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

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

verfasst von : Christina Klüver, Jürgen Klüver

Erschienen in: Digitalisierung und Nachhaltigkeit – Transformation von Geschäftsmodellen und Unternehmenspraxis

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

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.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Entscheidungsunterstützung zur Auswahl einer geeigneten Blockchain-Technologie mit einem Self-Enforcing Network
Nächstes Kapitel KI im deutschen Mittelstand: Wo stehen wir? Wo geht die Reise hin?
Fußnoten
1
Die Weiterentwicklung des Projektes wird vom Bundesministerium für Digitales und Verkehr für drei Jahre gefördert.
 
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
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):269–271CrossRef
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)
Brito da Silva LE, Elnabarawy I, Wunsch DC (2019) A survey of adaptive resonance theory neural network models for engineering applications. Neural Netw 120:167–203CrossRef
Ertel W (2021) Neuronale Netze. In: Ertel W (Hrsg) Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Fachmedien Wiesbaden, Wiesbaden, S 285–349CrossRef
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
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 45–72CrossRef
Haarmeier M (2021) Künstliche Intelligenz für den Mittelstand: Erfolgreiche Einführung und Nutzung von KI-Anwendungen in Unternehmen. Springer Fachmedien Wiesbaden, WiesbadenCrossRef
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, WiesbadenCrossRef
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 71–212CrossRef
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
Loscher G (2021) Potenziale in den Handlungsfeldern des Personalmanagements’, Quick Guide People Analytics: Wie Sie das Personalmanagement verändern können. Springer Fachmedien Wiesbaden, Wiesbaden, S 61–92CrossRef
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):2140002CrossRef
Mockenhaupt A (2021) Maschinelles Lernen. In: Mockenhaupt A (Hrsg) Digitalisierung und Künstliche Intelligenz in der Produktion: Grundlagen und Anwendung. Springer Fachmedien Wiesbaden, Wiesbaden, S 133–163CrossRef
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):2923–2960CrossRef
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 155–163CrossRef
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
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 219–237CrossRef
Roth S, Corsten H (Hrsg) (2022) Handbuch Digitalisierung. Vahlen, München
Schneider T (2022) Digitalisierung und Künstliche Intelligenz. Springer Gabler, WiesbadenCrossRef
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 325–339CrossRef
Welsch A, Eitle V, Buxmann P (2018) Maschinelles Lernen. HMD Praxis der Wirtschaftsinformatik 55(2):366–382CrossRef
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 319–347CrossRef
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):012070CrossRef
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 229–244CrossRef
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
Metadaten
Titel
Chancen und Herausforderungen beim Einsatz neuronaler Netzwerke als Methoden der Künstlichen Intelligenz oder des Maschinellen Lernens in KMU
verfasst von
Christina Klüver
Jürgen Klüver
Copyright-Jahr
2022
Verlag
Springer Berlin Heidelberg
Buch
Digitalisierung und Nachhaltigkeit – Transformation von Geschäftsmodellen und Unternehmenspraxis

Print ISBN: 978-3-662-65508-5

Electronic ISBN: 978-3-662-65509-2

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-662-65509-2_8

Premium Partner

    Bildnachweise