1 Einleitung
1.1 Ausgangslage
1.2 Ziele und Fragestellungen
1.3 Methodik und Vorgehensweise
2 Theoretische Grundlagen
2.1 Definition
2.2 Merkmale Künstlicher Intelligenz
2.3 Machine Learning
3 Aufgaben, Prozesse und Organisation des Controllings
4 Künstliche Neuronale Netze
4.1 Grundlagen der KNN
4.2 Typische Aufgaben von KNN
4.3 Deep Learning
5 KI-Anwendungen und ihre Verwendungsmöglichkeiten für das Controlling
5.1 Maschine-zu-Maschine-Prozesse
5.2 Mensch-zu-Maschine-Prozesse
5.3 Big Data-Tools
5.4 Intelligente Automatisierung
5.5 Intelligente Entscheidungsunterstützung
5.5.1 Business Intelligence
5.5.2 Business Analytics
5.5.3 Planung / Forecasting
6 Künstliche Intelligenz im Controlling
6.1 Anwendung von KI auf die Prozesse des Controllings
6.1.1 Auswirkung auf Planung und Forecast
6.1.2 Ergebnisrechnung
6.1.3 Reporting
6.2 Auswirkungen auf die Controller
6.3 Chancen und Risiken von KI im Controlling
7 Schlussbetrachtung
7.1 Kritische Würdigung
7.2 Ausblick
8 Literaturverzeichnis
Privatwirtschaftlich tätige Unternehmen stehen aufgrund der Wettbewerbsintensität permanent unter Erfolgsdruck. Dieser Druck führt dazu, dass Unternehmen fortlaufend effizienter werden müssen. Eine Möglichkeit zur Stärkung der Wettbewerbsposition besteht darin, in Technologien zu investieren, die die Kostenstruktur des Unternehmens entlastet und die Qualität der Unternehmenssteuerung erhöht. Anwendungen der Künstliche Intelligenz (KI) können in diesem Zusammenhang das Management des jeweiligen Unternehmens in diversen Punkten unterstützen. Insbesondere im Zusammenhang mit der Versorgung von relevanten Informationen durch das Controlling kann das Management in seinen Entscheidungsalternativen unterstützt werden.
In der heutigen schnelllebigen Zeit stellt sich immer häufiger die Frage, was noch Bestand hat und welche Änderungen bevorstehen. Dabei treiben technische Veränderungen nicht nur die im wirtschaftlichen Kreislauf stehenden Unternehmen, sondern auch die Gesellschaft voran. Die immer wieder zu hörende digitale Transformation, ausgelöst durch technische Entwicklungen wir Rechnergeschwindigkeiten und –kapazitäten hat hierbei auch zu einem großen Bestand an Daten geführt. Es ist davon auszugehen, dass die vorhandene Datenmenge exponentiell steigen werden. Dabei werden die Datenmenge nicht ausschließlich durch Wirtschaftsunternehmen generiert; auch in privaten Haushalten finden sich immer mehr Geräte, wie Amazons Alexa oder Apples Siri, die mit der Außenwelt vernetzt sind. Daher ist es auch keine Überraschung, dass die großen Datenmengen, die viele smarte Geräte heute generieren, für die Unternehmen von Interesse sind und die Unternehmen mit den Datenmengen viel Nutzen schaffen können (z. B. im Controlling). In der Öffentlichkeit wird derzeit nicht nur darüber diskutiert, wie einzelne Produkte mit der Umwelt vernetzt sind (z. B. autonomes Fahren), sondern auch, wie sich der digitale Wandel auf die einzelnen Abteilungen und deren Arbeitsweisen in der Zukunft auswirken wird. In diesem Zusammenhang werden an dieser Stelle bereits die –später genauer erklärten- Begriffe wie Industrie 4.0 und Big Data erwähnt, welche aller Voraussicht nach einen großen Einfluss auf die Arbeitsprozesse im Wirtschaftsleben haben werden.
In der Geschichte der Menschheit gab es viele einschneidende wirtschaftliche Fortentwicklungen. Die Erfindung der Dampfmaschine, welche eine industrielle Massenproduktion ermöglichte, war nur möglich durch den Rohstoff Öl. Im digitalen Zeitalter können die Rechnergeschwindigkeiten und –kapazitäten als die Dampfmaschine bezeichnet werden und die Daten entsprechen dem Öl. Viele Unternehmen haben dabei bereits erkannt, dass Daten eine der wesentlichsten Faktoren zu Steigerung der Wettbewerbsfähigkeit sein können.
Daten alleine bringen allerdings nur einen geringen Mehrwert. Erst wenn die Daten für die Entscheidungsträger im Unternehmen aufbereitet sind und diese (beispielsweise) anhand von nützlichen Reports sinnvolle Entscheidungen treffen können, bringen die Daten einen echten Mehrwert. Die Controlling-Abteilung der jeweiligen Unternehmen werden daher aller Voraussicht nach einen besonderen Nutzen für das Unternehmen generieren können, da das Controlling eine der wichtigsten Abteilungen in den Unternehmen darstellt, um das Management mit Informationen zu versorgen. Als eine der wesentlichen Grundsteine für die Nutzung von neuen Technologien gelten dabei bereits bestehende Business-Intelligence-Systeme, die den Unternehmen bzw. dem Controlling zusätzlich Nutzen generieren können. Aus wissenschaftlicher Perspektive stellen diese Entwicklungen selbstverständlich ein großes Interesse dar. Die Effekte der Anwendungen der Künstlichen Intelligenz auf die Prozesse in den Unternehmen sind für viel Interessierte insofern von Bedeutung, dass es große Veränderungen in verschiedenen Unternehmen geben könnte. Es ist davon auszugehen, dass die Anforderungen an die einzelnen Mitarbeiter der Unternehmen einer Veränderung unterliegen werden. Dies liegt unter anderem an der immer weiter um sich greifenden Vernetzung der Abteilungen, was dazu führt, dass großen Datenbestände vorhanden sind, die ausgewertet werden müssen. Wenn man sich die einzelne originäre Funktion des Controllings ansieht (siehe Kapitel 3), wird man zu dem Schluss kommen, dass auf die Controller neben neuen Herausforderungen auch neuen Chancen warten. Hieraus ergibt sich aber auf die Frage, inwiefern sich die Controller in der Zukunft an die Veränderungen anpassen müssen. Die Wahrscheinlichkeit ist dabei groß, dass die Künstliche Intelligenz das Controlling zukünftig maßgeblich beeinflussen wird.
Das Thema Künstliche Intelligenz ist ein sehr weitgefasstes Thema. Die vorliegende Arbeit fokussiert sich dabei darauf, ein aktuelles Bild des gegenwärtigen Wissenschaftsstands zur Künstlichen Intelligenz zu geben und diese Erkenntnisse auf die Auswirkung auf das Controlling zu übertragen. Dazu sollen auch als Transferleistung einige zentrale Fragestellungen beantwortet werden, die weiter unten aufgeführt werden.
Dabei stehen die Veränderungen, welche durch KI-Anwendungen voraussichtlich entstehen werden, auf die Controlling-Prozesse und die Anforderungen an die jeweilige Controlling-Abteilung bzw. an die Kompetenzprofile der Controller an vorderer Stelle der Betrachtung. Um im Laufe der Arbeit hier detaillierte die Effekte beschreiben zu können, wird eine Unterscheidung zwischen Big Data, Industrie 4.0, Business Intelligence und Business Analytics getroffen. Es folgt im weiteren Verlauf eine separate Darstellung der jeweiligen Auswirkung. Dabei wurde sich bereits bei der Konzeption dieser Arbeit zum Ziel gesetzt, die Auswirkungen in detaillierte Form zu skizzieren. Des Weiteren werden die Auswirkungen auf die neuen Anforderungen an die Controller ebenfalls dargestellt. Aus diesem Grund werden zusätzlich die Möglichkeiten der Controller gezeigt, auch in Zukunft einen positiven Einfluss auf die Wertschöpfung des Unternehmens auszuüben. Nach dieser Einführung in die Zielstellung der vorliegenden Arbeit ergeben sich einzelne Forschungsfragen:
Inwiefern kann KI das Controlling verändern und einen Mehrwert für Unternehmen schaffen?
Welche Instrumente und Methoden der KI sind für welche Controlling-Aufgaben sinnvoll anwendbar?
Zur Einarbeitung in die zugrundeliegende Thematik wurde eine ausgiebige Literaturanalyse durchgeführt. Dabei wurde in Datenbanken wie beispielsweise Emerald Insight, Springer Professional sowie in Suchmaschinen wie Google oder Google Scholar nach wissenschaftlichen Veröffentlichungen gesucht. In den erwähnten Informationsquellen wurden relativ viele Beiträge zum Thema Künstliche Intelligenz gefunden. Allerdings stellte sich heraus, dass häufig ein Bezug zum Thema Controlling nicht hergestellt werden konnte.
Daher wurde der Suchstring, der in den Datenbanken angewendet wurde präzisiert und lautet folgendermaßen:
(„Controlling“ OR “Management Accounting”) AND „Artificial Intelligence“ OR „Künstliche Intelligenz“ OR „Business Intelligence“ or „Business Analytics“) Basierend auf der in der Einleitung definierten Forschungsfrage würde sämtliche Überschriften der erhaltenen Suchergebnisse auf Relevanz überprüft. In einem weiteren Schritt wurde die Abstracts (sofern vorhanden) durchgelesen und für nicht relevant gehaltene Suchergebnisse aussortiert. In einem letzten Schritt wurden die verbliebenen Beiträge durchgelesen und wiederum auf Relevanz in Bezug auf die Forschungsfrage überprüft.
Nachfolgende wurden Kriterien definiert, die zur weiteren Begrenzung der Inhalte notwendig waren, da trotz aller vorherigen Filtermaßnahmen ein sehr großer Bestand an Literatur zur Verfügung stand. Aufgrund der Tatsache, dass es sich bei dem der Arbeit zugrundeliegenden Themengebiet um ein sehr aktuelles Thema handelt, wurde die Publizierungszeitpunkte –im Wesentlichen- auf die Jahre 2016-2020 begrenzt.
Für die Bereiche zu Management Accounting und Business Analytics ergaben sich sehr viele Suchergebnisse im anglo-amerikanischen Sprachraum. Um die Masse an Literatur weiter einzugrenzen, wurde für die englischsprachige Trefferliste auf die Jahre 2018-2020 eingegrenzt.
Jegliche Literatur war dabei im Volltext vorliegend und es wurde sich im Wesentlichen auf Journals, Studien und Bücher fokussiert, reine Onlinequellen sind nur relativ wenig in die Arbeit eingeflossen.
Zur nachfolgenden Behandlung der oben gestellten Fragestellungen hat sich für die vorliegende Arbeit folgender Aufbau ergeben. Zuerst werden im Kapitel 2 theoretische Grundlagen zur Künstlichen Intelligenz, den Merkmaler Künstlicher Intelligenz sowie zum Bereich Machine Learning eingeführt. In einem weiteren Schritt werden die Aufgaben, Prozesse und die Organisation des gegenwärtigen Controlling-Setups in Kapitel 3 dargestellt. Zusätzlich wird in Kapitel 4 noch tiefergehend auf die Grundlagen künstlicher neuronaler Netze (KNN), die typischen Aufgaben von KNN und den Sonderbereich Deep Learning eingegangen. Kapitel 5 befasst sich sodann mit den Anwendungsmöglichkeiten von KI und stellt hierbei auf die Prozesse von Maschine-zu Maschine und Mensch zu Maschine ab. Des Weiteren werden Big-Data-Tools, Intelligente Automatisierung und die Intelligente Entscheidungsunterstützung skizziert. In Kapitel 6 erfolgt sodann der tatsächliche Transfer dieser KI-Anwendungen auf die Aufgaben im Controlling sowie eine Darstellung von Chancen und Risiken im Zusammenhang mit KI. Die vorliegende Arbeit schließt mit Kapitel 7, welches eine kritische Würdigung, die Beantwortung der Fragestellungen sowie einen Ausblick enthält.
Es gibt in der Literatur unterschiedliche Definitionen von KI.1 Die Problematik zur Festlegung einer einheitlichen Definition besteht darin, dass das Themengebiet der KI relativ breit aufgestellt ist und es verschiedene Interpretation des Begriffs Intelligenz gibt.2 Unbestritten ist, das KI zum Bereich der Informatik gehört und mit der Erforschung und Entwicklung von Methoden befasst ist, mit denen menschliche Intelligenz nachgebildet werden soll. Damit werden Computer in die Lage versetzt, einerseits Sachverhalte wahrzunehmen und zu verstehen. Hierunter fällt beispielsweise die Erkennung von Gegenständen auf Fotos. Des Weiteren können Computer aus Rückmeldungen lernen und damit ihre Fähigkeiten zur Wahrnehmung und zum Verständnis von Zusammenhängen verbessern. KI kann somit als eine Art Oberbegriff verstanden werden, bei denen Maschinen menschenähnliche Intelligenzlösungen erbringen. Zu diesen Leistungen können das Wahrnehmen, das Beurteilen und Lösen von Problemen gehören und sowie das Lernen von neuen Lösungsansätzen.3
Bei der KI wird grundsätzlich zwischen schwacher und starker KI unterschieden. Schwache KI unterstützt kognitive Prozesse des Menschen zur Lösung separater, konkreter Problemstellungen.4 Unter starker KI werden Ansätze verstanden, bei denen der Computer versucht, die Vorgänge des menschlichen Gehirns nachzubilden. Während schwache KI sich mit der Entwicklung von Algorithmen zur Problemlösung befasst, beinhaltet starke KI auch menschliche Eigenschaften wie Bewusstsein und Empathie. Starke KI besitzt somit menschenähnliche Fähigkeiten, die dazu eingesetzt werden, um eigenständig Lösungen zu entwickeln und Entscheidungen zu treffen.5 Der gegenwärtige Stand der Entwicklung beinhaltet im Wesentlichen die schwache KI, weshalb sich im weiteren Verlauf der Arbeit auf die Merkmale der schwachen KI konzentriert wird.
Die Künstliche Intelligenz beinhaltet im Wesentlichen vier Merkmale: Sense, Comprehend, Act, Learn. Sense beinhaltet das Erfassen von Daten – sowohl in strukturierter und unstrukturierter Form dar. Die Aufnahme dieser Daten erfolgt dabei über Wege, die der menschlichen Wahrnehmung entsprechen.6 Unter Comprehend fällt die Verarbeitung der erfassten Daten. Die Daten bzw. Informationen werden aufbereitet und in eine verwertbare Struktur gebracht. Die Sammlung, Aufbereitung und Strukturierung der Daten könnte mithilfe von Big Data-Tools erfolgen. Diese Tools können dabei unterstützen, in den Daten enthaltene Anomalien zu entdecken. Des Weiteren können Big Data-Tools große Datenmengen in Clustern einteilen, Korrelationen aufzeigen und Interdependenzen erkennen lassen.7 Im Anschluss an das Comprehend wird eine Handlung ausgeführt bzw. ein Ergebnis berechnet (Act). Unter Learn wird das selbständige Lernen mithilfe vorangegangener Daten und des dazugehörigen Trainings bzw. der Feedbacks verstanden.8
Machine Learning (ML) bzw. maschinelles Lernen bedeutet, dass ein bestimmtes System Wissen durch Erfahrung sammelt. Die Möglichkeit des maschinellen Lernens eröffnet einen sehr großen Spielraum für mögliche Anwendungen der Künstlichen Intelligenz, die in vielen Bereichen denkbar sind.9
Die Lernverfahren lassen sich grob in drei verschiedene Varianten unterteilen:
- überwachtes Lernen (supervised learning),
- unbewachtes Lernen (unsupervised learning) und
- bestärkendes Lernen (reinforcement learning).10
Beim überwachten Lernen (engl. Supervised Learning) lernt das System auf Grundlage von Input- und Outputdaten.11 Dabei gibt der Entwickler der KI die Eingabe, sowie die korrekte Ausgabe in Form von Trainingsdaten bereits vor. Das KI-System muss anschließend einen Algorithmus finden, mit dem die Ausgabe möglichst präzise aus den Eingangsdaten abgeleitet werden kann. Zum Trainieren solcher KI-System werden sog. „Labled Data“ verwendet, die den Datensatz bereits im Vorfeld klassifizieren. Bei der Bilderkennung wird ein Foto von der Unterschrift mit dem Label „Unterschrift“ versehen. Das Programm erkennt somit direkt, ob das generierte Ergebnis korrekt ist. Erst wenn das Programm Unterschriften auf Fotos identifizieren kann und die Fehlerquote sehr niedrig ist, gilt ist das Trainingsprogramm erfolgreich abgeschlossen. Somit lernen Algorithmen aus dem Bereich des überwachten Lernens ähnlich wie der Mensch. Nach der Übung erfolgt ein Abgleich mit einem Testdatensatz, um auf dieser Basis Aussagen über die Qualität des trainierten Modells zu erhalten. Der eigentliche Lernprozess basiert also auf dem Datensatz, während die Evaluierung des trainierten Modells mit den Testdaten erfolgt.12 Die Vorgehensweise beim Supervised Learning erfolgt somit durch eine Art Training des Algorithmus. Der Computer erhält eine Menge an Input- und Outputdaten, die bereits in Bezug zueinander gesetzt werden.13 Sollte die Rechner eines Versicherungsunternehmens zum Beispiel das Wort Auto als Inputwert erhalten, könnte die zugeordneten Outputwert beispielsweise Kfz-Versicherung oder Haftpflicht sein.
Beim unbewachten Lernen lernt das System lediglich auf Grundlage von Inputdaten. Dabei muss das System zur Lösung eine den Beispielen zugrundeliegende Logik identifizieren.14 Dabei erfolgt das Trainieren eines KI-Systems durchgehend automatisch und wird nicht überwacht. Das System versucht bei dieser Variante selbstständig Muster in den Eingabedaten zu erkennen, wodurch neues Wissen generiert wird. Für das Erkennen der Muster in bereits vorhandenen Datensätzen wird in der der Literatur häufig das Beispiel von Tierbildern gebracht.15 Allerdings kann dieses Beispiel analog für das Erkennen von Bildern angewendet werden, beispielsweise bei der Erkennung von Rechnungen oder Unterschriften. Beim unbewachten Lernen teilt der Programmierer dem Computer somit nicht mit, um wessen Unterschrift es sich handelt. Der Algorithmus muss dies selbst erkennen können. Anhand dieser Mustererkennung können die Eingabedaten sortiert und somit neue Zusammenhänge aufgedeckt werden. Diese Vorgehensweise wird z. B. auch beim Data-Mining verwendet.16 Beim Data-Mining sollen Verbindungen und Trends innerhalb großer Datenmengen erkannt werden. Dabei ist das Data Mining jedoch vom maschinellen Lernen auch eindeutig abgrenzbar. Beim Data Mining sollen neue Trends und Abhängigkeiten erkannt werden. Beim maschinellen Lernen sollen demgegenüber in erster Linie bereits bekannte Abhängigkeiten in neuen Daten erkannt werden.
Beim sog. Reinforcement Learning soll das System eine Problemstellung allein auf Grundlage von entsprechendem Feedback lösen.17 Im Gegensatz zum überwachten Lernen wird hier jedoch keine richtige Lösung vorgegeben, denn das Computerprogramm soll für eine bestehende Aufgabe selbst eine optimale Lösungsstrategie erlernen. Hierbei wird dem Programm keine Information gegeben, welche Aktion in welcher Situation die geeignetste ist. Die Lösung erfolgt hierbei in Teilschritten. Nach jedem Teilschritt enthält das Programm ein Feedback, ob die gewählte Aktion richtig oder falsch war.
Zusammenfassend kann festgehalten werden, dass es sich beim Maschine Learning um selbstlernende Algorithmen handelt, die Wissen aus einer großen Datenmenge generiert und auf diese Weise Zusammenhänge ableitet. Auf dieser Grundlage können Vorhersagen selbst für Sachverhalte bzw. Daten erbracht werden, die das System bisher noch nicht kennt.18 Für das Controlling kann dies eine große Bereicherung sein, da beispielsweise das Zahlungsverhalten von (Neu-)Kunden mithilfe des Maschine Learnings besser prognostiziert werden kann. Der Algorithmus kann dabei unterschiedliche Faktoren berücksichtigen und hieraus eine Prognose ableiten. Beispielsweise wird es statistisch nachweisbar sein, dass das Zahlungsverhalten von Kunden in wirtschaftlich soliden situierten Gegenden zuverlässiger sein wird als von Kunden, die in einer Wohngegend wohnen, in denen die Arbeitslosigkeit hoch und die Zahlungsfähigkeit niedrig ist. Des Weiteren kann der Algorithmus zusätzlich zu dieser geographischen Komponente auch das vergangene Zahlungsverhalten des einzelnen Kunden berücksichtigen. Hat der Kunde in der Vergangenheit beispielsweise bereits regelmäßig verspätet gezahlt, beispielsweise erst nach Versand der ersten Mahnung, ist aus statistischer Sicht die Wahrscheinlichkeit höher, dass der Kunde auch in Zukunft verspätet oder gar nicht zahlt, als bei Kunden, die immer regelmäßig ihre Schulden beglichen haben. Dabei erfahren diejenigen Einflussfaktoren im Laufe der Zeit eine höhere Gewichtung, welche den Zahlungsausfall am präzisesten prognostizieren können.19 Voraussetzung für eine akkurate Prognose ist dabei, dass der Datenbestand des Unternehmens fortlaufend gepflegt wird. Sollte ein Kunde seinen Wohnsitz wechseln, muss dies in den Datenbeständen aktualisiert werden. Auch an dieser Stelle kann KI das Unternehmen entlasten. Der Kunde könnte mit einem Chatbot kommunizieren und diesen mit der Adressänderung beauftragen.20 Dies spart wiederum Personalkosten.
In der Literatur gibt es zahlreiche Definitionen des Begriffs Controlling. Die Bandbreite der Definitionen ist dabei recht unterschiedlich. Die meisten Autoren definieren Controlling als die Steuerung und Kontrolle von Unternehmenszielen.21 Ausgangspunkt einer Unternehmensplanung stellt die Mission bzw. Vision des Unternehmens dar.22 In dieser spiegeln sich die Erwartungen der Eigentümer und des Managements wider, welche langfristigen, messbaren Ziele erreicht werden sollen. Dabei erfolgt die Definition, ob ein Ziel erreicht wurde bzw. voraussichtlich erreicht wird, bei marktwirtschaftlich orientierten Unternehmen in aller Regel durch die Messung von quantitativen Kennzahlen.23 Hierzu gehören in erster Linie absolute Kennzahlen, wie der erzielte Jahresüberschuss oder auch relative Kennzahlen, wie die Eigenkapitalquote oder die Gewinnmarge.24 Dabei ist es innerhalb des Unternehmens Aufgabe des Controllings, die gegenwärtige wirtschaftliche Situation zu messen (im Sinne von Kontrolle) und eine Steuerung des Unternehmens aus wirtschaftlicher Sicht zu unterstützen. Im Sinne der Kontrollfunktion des Controllings ist dabei einer der wesentlichen Bestandteile die Darstellung der monatlichen Ist-Ergebnisse sowie das Durchführen von Forecasts für das laufende Geschäftsjahr. Diese Ergebnisse werden sodann mit den ursprünglich für dieses Jahr geplanten Kennzahlen (z. B. Umsatzerlöse, Materialaufwand, Personalaufwand) verglichen und die Abweichungen analysiert. Die Aufgabe zur betriebswirtschaftlichen Steuerung des Unternehmens lässt sich hierbei in zwei Teilbereiche unterteilen. Einerseits stellt das Controlling eine Art Schnittstellenfunktion im Unternehmen dar.25 So werden im Rahmen des jährlichen Budgetierungsprozesses sämtliche Planzahlen der unterschiedlichen Ressorts (z.B. Vertriebsabteilung, Personalabteilung, Produktion) in einem Budget-Modell erfasst. Inkongruenzen bei der Planung sollten hierbei offensichtlich werden. So muss die Planung der Produktionsabteilung beispielsweise konsistent mit der Planung der Personalabteilung sein. Sollte etwa eine Erhöhung der Produktionskapazitäten geplant sein, sollte sich dies auch in einem erhöhten Personalbedarf in der Personalplanung widerspiegeln. Im weiteren Verlauf der Arbeit wird sich im Wesentlichen auf Prozesse des Controllings konzentriert, die durch KI beschleunigt bzw. verbessert werden können.
Bei KNN handelt es sich um eine Nachbildung des menschlichen neuronalen Netzes. Hierbei werden Netze aus einfachen miteinander verbundenen Neuronen simuliert.26 KNN eignen sich für äußerst komplizierte Problemstellungen und setzen dabei eine große Datenmenge voraus (Big Data).
Diese Netzwerke besitzen einen großen Vorteil im Vergleich zu den Varianten des maschinellen Lernens. Durch Nutzung von vielschichtigen Netzwerken können sie Zusammenhänge erlernen, die den Algorithmen des normalen maschinellen Lernens verborgen bleiben. Dabei sind die Netzstrukturen der Arbeitsweise des menschlichen Gehirns nachempfunden. Dazu werden simulierte Neuronen eingesetzt.27 Vereinfacht gesagt ist ein Neuron eine Zelle, die mehrere Eingänge und einen Ausgang hat. Sobald die Eingangssignale eine gewissen Schwellwert erreichen, wird ein Ausgangssignal abgesendet, dass wiederum von mehreren Neuronen empfangen wird. Mehrere übereinanderliegende Neuronen bilden eine Schicht, welche auch als Layer bezeichnet werden. Es gibt jeweils eine Eingangsschicht (Input-Layer) und eine Ausgangsschicht (Output-Layer). Dazwischen können jedoch beliebig viele versteckte Schichten (sog. Hidden-Layer) liegen (s. Abbildung 1). Die Eingänge der Neuronen werden gewichtet. Die Gewichtungen der Eingangswerte beeinflussen den Ausgangswert. Ein Schwellwert bestimmt, ob das Neuron ausgelöst wird und somit eine Das KNN wird dabei solange Berechnungen durchführen, bis die Verbindungsgewichte richtig eingestellt sind. Dabei lernen KNN auch dann, wenn falsche Ergebnisse berechnet wurden. Aufgrund der unterschiedlichen Berechnungen werden Abweichungen zwischen berechnetem und gewünschten Ausgabewerten ermittelt und für die Anpassung der Verbindungsgewichte berücksichtigt. Die Lernphase ist eng mit dem Begriff Machine Learning verbunden. Das Ziel des Machine Learnings ist es, ein KNN so zu trainieren, dass es fehlerfrei Aufgabenstellungen lösen kann. Hierbei soll das KNN nicht nur die Aufgabenstellungen lösen kennen, die es bereits kennt, sondern auch Problemstellungen, die noch unbekannt sind.
[...]
1 vgl. Buxmann & Schmidt, 2019, S. 18.
2 vgl. Buxmann & Schmidt, 2019, S. 18.
3 vgl. Lubos, 2020, S.45.
4 vgl. Satzger, Enders & Reimer, 2017, S. 25.
5 vgl. Buxmann & Schmidt, 2019, S. 6
6 vgl. Nuhn & Schulze, 2019.
7 vgl. Lubos, 2020, S. 46.
8 vgl. Nuhn & Schulze, 2019.
9 vgl. Kollmann, 2020, S.51.
10 vgl. Scheuer, 2020, S. 20f.
11 vgl. Folkers, 2019, S.3.
12 vgl. Marsland, 2014.
13 vgl. Berry, 2018, S.4.
14 vgl. Folkers, 2019, S.3.
15 vgl. Berry, Mohamed & Yao, 2018, S.4.
16 vgl. Berry, 2018, S.4.
17 vgl. Buxmann & Schmidt, 2019, S. 10f.
18 Vgl. Langmann, 2019, S. 7.
19 Vgl. Langmann, 2019, S. 7.
20 Vgl. Lubos, 2020, S. 47.
21 Vgl. Buchholz, 2019, S. 9.
22 Vgl. Horvath, 2017, S. 12.
23 Vgl. Horvath, 2017, S. 12.
24 Vgl. Coenenberg & Haller & Schultze, 2012, S. 1013.
25 (vgl. Horvath, 2017, S. 13.
26 vgl. Mertens & Barbian, 2019, S. 11.
27 vgl. Berry, 2018, S.4
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!
Kommentare