Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
DE
EN
Books
Journals
Events
Topic Page
Marketing
Log in
Learn more about individual access
Request company access
Electric Powertrains and Energy Systems 2025 | 26 + 27 March 2025

19th International MTZ Congress on Future Powertrains

Take this opportunity to attend the conference. Experts from the automotive industry, energy providers, and grid operators will meet up with representatives from politics and science to discuss important topics for this sector.
EXTENDED SEARCH
Log in
Top
Published in:
Read chapter Read first chapter

2024 | OriginalPaper | Chapter

16. Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert – eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen

Authors : Reinhard Schütte, Mohamed Kari

Published in: Produktions- und Informationsmanagement

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

„Der Begriff ‚Künstliche Intelligenz‘ findet in der betriebswirtschaftlichen Diskussion zunehmende Beachtung […] Das Interesse an dieser Thematik spannt einen weiten Bogen: Er beginnt bei der technischen, insbesondere informatikorientierten Euphorie, der zufolge von der Schließung der Intelligenzlücke zwischen Menschen und Automaten ausgegangen wird. Er endet bei der […] Skepsis, ob das technisch Mögliche unreflektiert mit dem zivilisatorisch Wünschenswerten gleichgesetzt werden solle“. Mit diesen brandaktuellen Worten beginnt das erste Kapitel der 1986 vorgelegten Dissertation des Laureats dieses Liber Amicorums.

Dont have a licence yet? Then find out more about our products and how to get one now:

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!

inform now

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!

inform now
previous chapter Zum Erkenntnispotenzial kardiovaskulärer Messungen in der Wirtschaftsinformatik: Grundlagen und Ergebnisse empirischer Forschung
next chapter Das Leistungspotenzial Künstlicher Intelligenz für Unternehmen
Footnotes
3
so geschehen etwa beim 1928 von Dirac beschriebenen, aber erst 1932 von Anderson experimentell nachgewiesenen Positron (https://​timeline.​web.​cern.​ch/​carl-anderson-discovers-positron), und beim 1964 von Higgs beschriebenen aber erst 2012 vom CERN mit dem LHC experimentell nachgewiesenen Higgs-Boson (https://​home.​web.​cern.​ch/​science/​physics/​higgs-boson).
 
4
Die Vielfalt und Unterschiedlichkeit der regelmäßig unter KI subsumierten Anwendungen ist aber interessanterweise auch ein Spiegelbild der Vielfalt menschlicher Facetten der Intelligenz (siehe zu dieser Vielfalt menschlicher Intelligenzfacetten z. B. auch Zelewski 1986 S. 119) und die damit zunehmende Unschärfe könnte damit gerade auch als Argument der Annäherung dienen.
 
5
Die aktuellen LLMs umfassen insbesondere Transformer-basierte Single Learners und Ensembles in der Größenordnung von 10^11 Parametern (etwa proprietäre Produkte wie OpenAI ChatGPT on GPT-4, Google Gemini 1.5, und Anthropic Claude 2, sowie Open-Source-Projekten wie Meta LLaMA 2 und Mistral 8 × 7B).
 
8
Es sei vorab angemerkt, dass diese Problemklassen auf unterschiedlichen Abstraktionsniveaus angesiedelt sind. Während das Supervised-Learning einer formalen Definition unter Annahme eines Datensatzes folgt, wird das Unsupervised Learning als allein in seiner Negativabgrenzung zum Supervised Learning verstanden. Das Reinformcent Learning folgt einer Definition, die die Annahme eines Datensatz schlechtdingers verwirft, aber in diesem Rahmen klar formalisierbar ist.
 
9
In der Tat wirft die prompt-basierte Inzentivierung bereits Fragen auf. So kann ein LLM statistisch signifikant bessere Ergebnisse erzielen wenn im Prompt das Versprechen von Weltfrieden oder Tickets zu einem Taylor-Swift-Konzert zur positiven Inzentivierung inkludiert wird, oder ein negative Prompting mittels der Worte „YOU WILL DIE“ stattindet (https://​twitter.​com/​venturetwins/​status/​1761443272596291​920).
 
12
Die gesamte Konversation ist hier zu finden: https://​chat.​openai.​com/​share/​b323372b-2df5-4228-87a1-9e5e8e6d78a5 (erzeugt am 01.03.2024).
 
15
Die in der Arbeit vorgenommenen Abstraktionen sind im Zeitverlauf so beständig, dass sie die denkmöglichen und erwartbaren Wirkweisen intelligenter technischer Systeme in den sozialen, produktiven System der Betriebe mit mehr Gültigkeit beschreiben, als jede heute angefertigte Strategieberatungspräsentation zum KI-Einsatz je erahnen lassen würde. Auch der holistisch-umfassende Anspruch, dem die Arbeit gerecht zu werden vermag, ist in den heutigen wissenschaftlichen, hochspezialiseirten Papern natürlich aus mehr oder weniger legitimen Gründen vergeblich zu suchen.
 
18
ebd.
 
20
alle Preise vom 3. März 2024.
 
32
https://​www.​bbc.​com/​news/​technology-64538604. 'Google killer' ChatGPT sparks AI chatbot race.
 
36
Tatsächlich ist aber die resultierenden Qualitätsverbesserung in der Infrastruktur ebenso indirekt und intangibel wie es Brynjolfsson et al. (2019) als Kernproblematik zur Messung der KI-evozierten Produktivitätsveränderung herausarbeiten. So stellt der Wunsch der Quantifizierung von Qualitäten bei IT-Systemen fast immer ein Problem dar. Ungeachtet dieser Schwierigkeit kann die Relevanz mancher Qualitäten „als notwendige Bedingung“ aber nicht bestritten werden.
 
37
Der klassische Begriff der Maschinenlesbarkeit erscheint angesichts von KI verfehlt.
 
40
Das Informationssystem wird hier in Anlehnung an Zelewski (1986, S. 508) verstanden als die Gesamtheit aller Aufgaben, die die Realisierung von Geschäftsprozessen gedanklich vorwegnehmen, begleiten, oder auswerten.
 
Literature
Andrew, B., & Richard, S. (1992). Reinforcement Learning: An Introduction.
Arık, S. Ö., Chrzanowski, M., Coates, A., Diamos, G., Gibiansky, A., Kang, Y., Li, X., Miller, J., Ng, A., Raiman, J. & Sengupta, S. (2017). Deep voice: Real-time neural text-to-speech. In International conference on machine learning (S. 195–204). PMLR.
Bengio, Y., & LeCun, Y. (2007). Scaling learning algorithms toward AI.
Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 1–127.
Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798–1828.
Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(2).
Bethge, D., Hallgarten, P., Grosse-Puppendahl, T., Kari, M., Chuang, L.L., Özdenizci, O., & Schmidt, A. (2022, October). EEG2Vec: Learning affective EEG representations via variational autoencoders. In 2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (S. 3150–3157). IEEE.
Bojarski, M., Del Testa, D., Dworakowski, D., Firner, B., Flepp, B., Goyal, P., Jackel, L.D., Monfort, M., Muller, U., Zhang, J., & Zhang, X. (2016). End to end learning for self-driving cars. arXiv preprint arXiv:​1604.​07316.
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992, July). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on Computational learning theory (S. 144–152).
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., & Agarwal, S. (2020). Language models are few-shot learners. In Advances in Neural Information Processing Systems, 33, 1877–1901.
Brynjolfsson, E., Rock, D., & Syverson, C. (2019). Artificial intelligence and the modern productivity paradox. In E. Brynjolfsson & J. Zittrain (Hrsg.), The Economics of Artificial Intelligence: An Agenda (S. 23–57).
Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., & Nori, H. (2023). Sparks of artificial general intelligence: Early experiments with gpt-4. arXiv preprint arXiv:​2303.​12712.
Brynjolfsson, E., Hitt, L. M., & Yang, S. (2002). Intangible assets: Computers and organizational capital. Brookings Papers on Economic Activity, 2002(1), 137–181.
Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (S. 785–794).
Cheng, T., Song, L., Ge, Y., Liu, W., Wang, X., & Shan, Y. (2024). YOLO-World: Real-Time Open-Vocabulary Object Detection. arXiv preprint arXiv:​2401.​17270.
Chorowski, J. K., Bahdanau, D., Serdyuk, D., Cho, K. & Bengio, Y. (2015). Attention-based models for speech recognition. In Advances in Neural Information Processing Systems, 28.
Chowdhery, A., Narang, S., Devlin, J., Bosma, M., Mishra, G., Roberts, A., Barham, P., Chung, H. W., Sutton, C., Gehrmann, S., & Schuh, P. (2023). Palm: Scaling language modeling with pathways. Journal of Machine Learning Research, 24(240), 1–113.
Corso, G., Stärk, H., Jing, B., Barzilay, R. & Jaakkola, T. (2023). DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking.. International Conference on Learning Representations (ICLR).
Dean, J., Corrado, G., Monga, R., Chen, K., Devin, M., Mao, M., Ranzato, M. A., Senior, A., Tucker, P., Yang, K. & Le, Q. (2012). Large scale distributed deep networks. In Advances in Neural Information Processing Systems, 25.
Devlin, J., Chang, M. W., Lee, K. & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:​1810.​04805.
Garcez, A. D. A., Bader, S., Bowman, H., Lamb, L. C., de Penning, L., Illuminoo, B. V., Poon, H., & Zaverucha, C. G. (2022). Neural-symbolic learning and reasoning: A survey and interpretation. Neuro-Symbolic Artificial Intelligence: The State of the Art, 342(1), 327.
Gittins, J. C. (1979). Bandit processes and dynamic allocation indices. Journal of the Royal Statistical Society Series B: Statistical Methodology, 41(2), 148–164.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. & Bengio, Y. (2014). Generative adversarial nets. In Advances in Neural Information Processing Systems, 27.
Graves, A. & Jaitly, N. (2014). Towards end-to-end speech recognition with recurrent neural networks. In International conference on machine learning (S. 1764–1772). PMLR.
Hansen, L. K. & Rieger, L. (2019). Interpretability in intelligent systems–a new concept? In Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (S. 41–49).
He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (S. 770–778).
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260.
Kari, M. (2019). KI zur Fahrzeugdatenverarbeitung unter Berücksichtigung von Connected Fleet Learning. Masterarbeit: Universität Duisburg-Essen.
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. In International Conference on Learning Representations (ICLR).
Kirschstein, T., Giebenhain, S., & Nießner, M. (2023). DiffusionAvatars: Deferred Diffusion for High-fidelity 3D Head Avatars. arXiv preprint arXiv:​2311.​18635.
Kneissler, M. (1983). Der Computer wird immer intelligenter. In: Quick, Ausgave vom 17.11.1983 (47), 57–59.
Kolesnikov, A., Zhai, X., & Beyer, L. (2019). Revisiting self-supervised visual representation learning. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (S. 1920–1929).
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems, 25.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Luong, M. T., Pham, H., & Manning, C. D. (2015). Effective approaches to attention-based neural machine translation. arXiv preprint arXiv:​1508.​04025.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5, 115–133.
Minsky, M. (1961). Steps toward artificial intelligence. Proceedings of the IRE, 49(1), 8–30.
Mitchell, T. M. (2006). The discipline of machine learning (Bd. 9, S. 3). Pittsburgh: Carnegie Mellon University, School of Computer Science, Machine Learning Department.
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., & Riedmiller, M. (2013). Playing atari with deep reinforcement learning. arXiv preprint arXiv:​1312.​5602.
Monett, D., Lewis, C. W., Thórisson, K. R., Bach, J., Baldassarre, G., Granato, G., Berkeley, I. S., Chollet, F., Crosby, M., & Shevlin, H. (2020). Introduction to the JAGI special issue ‘On defining artificial intelligence’–commentaries and author’s response. Journal of Artificial General Intelligence, 11(2), 1–100.
Ng, A. Y. (1997, July). Preventing “overfitting” of cross-validation data. In ICML (Bd. 97, S. 245–253).
Ng, A., & Jordan, M. (2001). On discriminative vs. generative classifiers: A comparison of logistic regression and naive bayes. Advances in Neural Information Processing Systems, 14.
Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., & Schulman, J. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In O. Golland, N. Hata, C. Barillot, J. Hornegger, & R. Howe (Hrsg.), Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5–9, 2015, proceedings, part III (S. 234–241). Springer International Publishing.
Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386.
Roziere, B., Gehring, J., Gloeckle, F., Sootla, S., Gat, I., Tan, X. E., Adi, Y., Liu, J., Remez, T., Rapin, J., & Kozhevnikov, A. (2023). Code llama: Open foundation models for code. arXiv preprint arXiv:​2308.​12950.
Russell, S., & Norvig, P. (1995). Artificial intelligence – A modern approach. Prentice Hall, Englewood Cliffs, New Jersey.
Samek, W., Montavon, G., Vedaldi, A., Hansen, L. K., & Müller, K. R. (Hrsg.). (2019). Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (Bd. 11700). Springer Nature.
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.
Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal policy optimization algorithms. arXiv preprint arXiv:​1707.​06347.
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., & Dieleman, S. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484–489.
Srivastava, A., Rastogi, A., Rao, A., Shoeb, A. A. M., Abid, A., Fisch, A., Brown, A. R., et al. (2022). Beyond the imitation game: Quantifying and extrapolating the capabilities of language models. arXiv preprint arXiv:​2206.​04615.
Sutton, R. S., & Andrew, G. B. (2018). Reinforcement Learning: An Introduction.. Second Edition. MIT Press, Cambridge, MA.
Sutskever, I., Martens, J., Dahl, G., & Hinton, G. (2013, May). On the importance of initialization and momentum in deep learning. In International Conference on Machine Learning (S. 1139–1147). PMLR.
Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I., & Fergus, R. (2013). Intriguing properties of neural networks. arXiv preprint arXiv:​1312.​6199.
Takagi, Y., & Nishimoto, S. (2023). High-resolution image reconstruction with latent diffusion models from human brain activity. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (S. 14453–14463).
Touvron, H., Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., Bashlykov, N., Batra, S., Bhargava, P., Bhosale, S., & Bikel, D. (2023). Llama 2: Open foundation and fine-tuned chat models. arXiv preprint arXiv:​2307.​09288.
Vapnik, V. (1995). The nature of statistical learning theory. Springer.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30.
Wang, P. (2019). On defining artificial intelligence. Journal of Artificial General Intelligence, 11(2), 73–86.
Wang, P. (2020). On Defining Artificial Intelligence—Author’s Response to Commentaries. Journal of Artificial General Intelligence, 11(2).
Witte, T. (1979). Heuristisches Planen. Vorgehensweisen zur Strukturierung betrieblicher Planungsprobleme. Springer Fachmedien Wiesbaden 1979.
Yang, M., Cho, K., Merchant, A., Abbeel, P., Schuurmans, D., Mordatch, I., & Cubuk, E. D. (2023). Scalable diffusion for materials generation. arXiv preprint arXiv:​2311.​09235.
Zelewski, S. (1986). Das Leistungspotential der Künstlichen Intelligenz – Eine informationstechnisch-betriebswirtschaftliche Analyse. Bd. 1, 2 und 3 (1). Witterschlick / Bonn.
Zelewski, S. (1991). Searle’s Wiederbelebung der starken KI-These – Ein Beitrag zur Diskussion des Erkenntnisprogramms der Erforschung Künstlicher Intelligenz (KI). In R. Casati & G. White (Hrsg.), Philosophy and the Cognitive Sciences – Philosophie und die kognitiven Wissenschaften. Papers of the 16th International Wittgenstein Symposium – Beiträge des 16. Internationalen Wittgenstein Symposiums, 15.-22.08.1993 in Kirchberg (S. 611–616).
Zelewski, S. (2008). Grundlagen. In H. Corsten (Hrsg.). Betriebswirtschaftslehre Band 1: Grundlagen; Internes Rechnungswesen; Externes Rechnungswesen; Beschaffung; Produktion und Logistik; Marketing; Investition und Finanzierung (pp. 1–97, 4., vollständig überarbeitete und wesentlich erweiterte Auflage) München: Oldenbourg.
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. Cambridge University Press.
Metadata
Title
Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert – eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen
Authors
Reinhard Schütte
Mohamed Kari
Copyright Year
2024
Book
Produktions- und Informationsmanagement

Print ISBN: 978-3-658-46112-6

Electronic ISBN: 978-3-658-46113-3

Copyright Year: 2024

DOI
https://doi.org/10.1007/978-3-658-46113-3_16

Premium Partner

    Image Credits