Erfahrung kann sich ins Unendliche erweitern. Theorie nicht eben in dem Sinne reinigen und vollkommener werden. Jener steht das Universum nach allen Richtungen offen, diese bleibt innerhalb der Grenze der menschlichen Fähigkeiten eingeschlossen. Johann Wolfgang von Goethe, Maximen und Reflexionen

II

Inhaltsverzeichnis

1.  Einführung.  1

2.  Funktionsweise Neuronaler Netze  3

2.1.  Grundlagen und Aufbau einzelner Neuronen.  3

2.2.  Lernen eines Neuronalen Netzes  8

2.2.1.  Entwicklung Neuronaler Netze.  8

2.2.2.  Ein einfaches Netzwerk  10

2.2.3.  Netzwerkklassen  15

2.2.4.  Anwendungsbeispiele künstlicher Neuronaler Netze.  16

2.2.5.  Schwierigkeiten in der Praxis  20

2.2.6.  Zusammenfassung  22

3.  Von künstlichen zu natürlichen Netzwerken.  25

3.1.  Individuenzentrierte Sicht  26

3.1.1.  Der Rückschluss auf menschliches Lernen  26

3.1.2.  Könnerschaft und implizites Wissen - nach Michael Polanyi  30

3.2.  Gruppenzentrierte Sicht  37

3.2.1.  Formale Parallelen  38

3.2.2.  Alogik  40

3.2.3.  Kooperative Informationsverarbeitung in Gruppen.  43

3.2.4.  Solitonen und spontane Selbstorganisation  46

4.  Implikationen für die Praxis  48

4.1.  (Weiter-) Bildung  49

4.2.  Entscheidungen  52

4.2.1.  Rationalität und Intuition.  52

4.2.2.  Kooperative Entscheidungsfindung in Japan.  54

4.3.  Gruppen und Teams.  56

4.3.1.  Gruppen in der Produktion  57

4.3.2.  Teams als Problemlöseinstanz  60

4.3.3.  Virtuelle Teams  65

4.4.  Jobpools - Mitarbeiterpools  67

5.  Zusammenfassung  71

III

1. Einführung

Wir Menschen sind in der Lage Verbindungen herzustellen, sind in der Lage assoziativ zu denken, können komplizierte Muster vervollständigen, können abstrahieren. Aus erlerntem Wissen, aus ungefähren Wahrnehmungen, aus Ideen, aus Inspirationen, aus Gedankenblitzen schaffen wir es Zusammenhänge zu erkennen, Probleme zu lösen, Gedankengebäude zu entwickeln. Künstliche Neuronale Netzwerke (NN) sind in Aufbau und Funktionsweise dem menschlichen Gehirn nachgebildet. Sie lernen auf eine spezifische Art und Weise und haben, beispielsweise gegenüber Computern, ihre eigenen Stärken und Schwächen. Es können konkrete Aussagen darüber getroffen werden, welche Arten von Wissen und Fähigkeiten leicht erlernt werden können und welche Lernbedingungen für sie besonders günstig sind. Künstliche neuronale Netze werden in der Wirtschaft überwiegend für komplexe oder sich häufig wiederholende Aufgaben eingesetzt, die klassifizierenden oder beurteilenden Charakter haben. Anhand von weitgehenden Parallelen im Lernverhalten von biologischen und künstlichen neuronalen Netzen soll gezeigt werden, dass der Rückschluss auf menschliches Lernen durchaus zulässig ist und weiter, wie die über künstliche NN erlangten Erkenntnisse, in der betrieblichen Praxis angewendet, Vorteile bringen könnten.

Es geht zum einen um das Individuum:. Die unbewusste Kognition, das implizite Lernen und die vielleicht unterschätzte Bedeutung für die betriebliche Praxis. Zum anderen wird das Modell der NN auf die Informationsverarbeitung in sozialen Systemen, vornehmlich Gruppen, angewendet werden. Es wird gezeigt, wie und unter welchen Bedingungen Gruppen effizient arbeiten und wo sich Synergieeffekte verstecken.

Der Hauptteil dieser Arbeit ist in drei Kapitel unterteilt. Im ersten Kapitel erfolgt eine Einführung in Aufbau und Funktionsweise neuronaler Netze und es werden erste Analogien zwischen den Lernverhalten künstlicher und natürlicher neuronaler Netzwerke dargestellt.

1

Das zweite Kapitel stellt die Brücke zwischen der Theorie und der Praxis dar. Das Modell der Neuronalen Netze wird im ersten, dem individuenzentrierten und im zweiten, dem gruppenzentrierten Abschnitt auf das jeweilige Subjekt angewendet. Dadurch entstehen neue Sichtweisen mit weitreichenden Konsequenzen. Empirische Studien und Beispiele aus der Praxis stützen die Darstellung. Im dritten Kapitel soll dann exemplarisch das Human Ressource Management als Anwendungsfeld dienen. Anhand der Themengebiete Entscheidungen, Weiterbildung, Teams und Jobpools werden die neuen Betrachtungsweisen dargelegt und Möglichkeiten zur Umsetzung aufgezeigt. Aufgrund der großen Bandbreite des Themas besteht die vorliegende Arbeit eher aus kurzgefassten, denn langen und ergründenden Argumentationen. Allerdings ist der Stoff kein leichter, der rote Faden leicht zu verlieren und wäre, mangels Redundanz, auch schwerlich wiederzufinden. Auf die lerntheoretischen Aussagen eines der verwendeten Autoren rekurrierend, sei den Lesern deshalb ein ausgewogener Wechsel zwischen Rezeption und Reflexion empfohlen. Die Darstellung der einzelnen Sachverhalte und Schlüsse erfolgt, den Lerneigenschaften neuronaler Netze angepasst, bevorzugt anhand von Beispielen.

2

2. Funktionsweise Neuronaler Netze

Das Ziel dieses Kapitels ist es, ein Empfinden für das zu vermitteln, was künstliche neuronale Netzwerke sind, wie sie sich aus der Biologie ableiten, was sie leisten und was sie nicht leisten können. Mit Hilfe eines einfachen Netzwerkmodells werden zuerst Aufbau und Funktionsweise NN erklärt, um dann später auf dieser Basis anhand komplexerer Beispiele die kognitiven Fähigkeiten menschlicher Gehirne zu betrachten. Ein solches Vorhaben kann im Rahmen einer Diplomarbeit nur in stark komprimierter Form realisiert werden. Der Vermittlung der grundlegenden Ansätze und einiger sich daraus ergebender Konsequenzen, wird dies jedoch keinen Abbruch tun.

2.1. Grundlagen und Aufbau einzelner Neuronen

Die Grundbausteine des Nervensystems hatte der deutsche Anatom Waldeyer-Hartz (1836-1921) im Jahre 1891 erstmals als Neuronen bezeichnet. Einige Jahre später erst konnte der Spanier Santiago Ramón y Cajal, mit Hilfe der von Camillo Golgi entwickelten Silberfärbemethoden, Neuronen sichtbar machen und stellte die These auf, das Nervensystem bestehe aus einzelnen Neuronen. Eine These die sich durchsetzen sollte. Im Jahre 1906 erhielten Cajal und Golgi für ihre Leistungen gemeinsam den Nobelpreis (vgl. Spitzer 2000, S. 3; Brockhaus 19.Aufl., 23/535). Was Cajal bei seiner Entdeckung durch das Mikroskop sah und nachzeichnete, zeigt die folgende Abbildung.

3

Abbildung 1: Neuron nach Ramón y Cajal (aus Spitzer 2000)

Bevor auf der Neuronenebene deren Zusammenspiel näher betrachtet wird, ist es auch im Hinblick auf das bessere Verständnis der folgenden Argumentationen unerlässlich, kurz darzulegen, in welchen biologischen Strukturen des Menschen die geistigen Leistungen entstehen.

Wesentlich für die Informationsverarbeitung im menschlichen Gehirn ist das Nervensystem. Es kann in das periphere und das zentrale Nervensystem (ZNS) unterteilt werden.

Das periphere Nervensystem ist vorrangig mit der Weiterleitung von Signalen beschäftigt. Die über Rezeptorzellen aufgenommenen Reize (visueller, akustischer, olfaktorischer und taktiler Input) werden von den sensorischen Neuronen zum ZNS geleitet. Umgekehrt werden Befehle (Output) über Motoneuronen vom ZNS zu den Effektorzellen (Muskulatur, Drüsen) übermittelt. Die Verarbeitung der Reize erfolgt im ZNS, welches aus Gehirn und Rückenmark besteht. Hier findet ein komplexes Zusammenspiel verschiedenster Unterstrukturen statt, welche unterschiedlichste Funktionen und Aufgaben im Organismus repräsentieren. Einfache Reflexe, wie beispielsweise das Zurückziehen des Fingers bei Schmerz, werden schon direkt im Rückenmark ausgelöst. Kompliziertere Vorgänge wie die Regulation der Emotionen, koordinierter Bewegungen oder der inneren Zustände des Körpers finden im Gehirn statt. Der

4

Thalamus, ein zentral gelegener Teil des Gehirns, verteilt die Flut der eingehenden Informationen auf die zuständigen Hirnareale, wobei nur ein geringer Teil der eingehenden und verarbeiteten Reize dem Individuum bewusst wird. Auch das Großhirn, welches zwei Drittel der gesamten Gehirnmasse ausmacht und evolutionsgeschichtlich die jüngste Errungenschaft in der Hirnentwicklung des Menschen darstellt, bezieht den zu verarbeitenden Input ausschließlich vom Thalamus. Die äußere Schicht des Großhirns wird Kortex oder zerebraler Kortex (Großhirnrinde) genannt. Der Kortex ist die maßgebliche Institution für die Erbringung höherer geistiger Leistungen und das bewusste Denken. Zur Veranschaulichung dient Abbildung 2:

Abbildung 2: Hirnstrukturen (aus Zimbardo 1999)

Das menschliche Gehirn besteht, je nach Schätzung, aus 0,02 bis 1 Billion Neuronen. Insgesamt sind über 200 verschiedene Arten von Neuronen identifiziert worden. Allen Neuronen gemeinsam sind folgender Aufbau und Funktionsweise. Vom Zellkörper (Soma, griech. Körper) gehen sowohl Dendriten (dendron, griech. Baum) als auch ein langer Fortsatz (Axon) ab. Sowohl die Dendriten als auch das Axon sind vielfach verzweigt. An den Enden des Axons befinden sich die sogenannten Synapsen (synapsis, griech. Verknüpfung),

5

welche wiederum an Dendriten oder Soma anderer Neuronen anliegen und somit die Verbindung zwischen den Neuronen herstellen, was in Abbildung 3 veranschaulicht ist:

Abbildung 3: Neuron schematisch (aus Spitzer 2000)

Jedes Neuron ist über Synapsen mit bis zu 10.000 anderen Neuronen verbunden (Spitzer 2000, S. 1; Zimbardo 1999, S. 80). Die Signalübertragung zwischen ihnen erfolgt über elektrische Signale, sogenannte Aktionspotentiale, und auch auf chemischem Wege über Neurotransmitter. Die Weiterleitung der Reize erfolgt dabei ausschließlich in eine Richtung: Vom Axon durch die Synapsen zu den Dendriten bzw. Soma des anderen Neurons. Die Signale können sowohl erregende (exzitatorische) als auch hemmende (inhibitorische) Wirkung haben. Nur wenn die Summe der ankommenden Signale eine bestimmte Summe, eine Reizschwelle übersteigt, das Neuron gewissermaßen genügend gereizt wird, sendet es seinerseits ein Signal aus. Man sagt, es feuert. Das ist die entscheidende Funktion eines einzelnen Neurons im Netzwerk: aufgrund der ankommenden Signale zu entscheiden, ob es selbst feuert oder nicht.

6

Abbildung 4: Natürliches und künstliches Neuron (aus Stoica 2000)

In biologischen NN sind die Verbindungen zwischen den Neuronen unterschiedlich stark. Nicht alle ankommenden Signale haben also einen gleich großen Einfluss auf die Entscheidung des Neurons, zu feuern oder nicht zu feuern. In der Sprache der Mathematik, der Sprache, in der künstliche NN üblicherweise beschrieben werden, spricht man von gewichtetem Input. Dies lässt sich anhand der Abbildung 4 sehr gut nachvollziehen. Das dargestellte Neuron bekommt seinen Input von den Neuronen x 1 , x 2 und x 3 jeweils mit dem Wert 0 oder 1. Die unterschiedliche Stärke der synaptischen Verbindung spiegelt sich in der Wichtung der Eingangssignale w 1 , w 2 und w 3 (weight, engl. Gewicht) wieder. Die drei Eingangssignale haben also einen unterschiedlich starken Einfluss auf die Entscheidung des Neurons. Sie sind unterschiedlich wichtig. „Mathematisch betrachtet entspricht dieser Wert einem Vergleich der aus den Ausgangssignalen gebildeten Summe und einem festen Wert. Ist die Summe kleiner als der Wert, ist der Output des Neurons gleich 0. Ist die Summe größer, ist sein Output 1. In der Realität handelt es sich nicht um eine Schwelle, sondern um eine S-förmige Kurve (die Aktivierungsfunktion), welche die Wahrscheinlichkeit des Aussendens eines Aktionspotentials in Abhängigkeit von der Stärke des gewichteten Input beschreibt (Spitzer 2000, S. 22)“.

Damit ist die Funktionsweise einzelner Neuronen dargestellt. Das Zusammenwirken, im Sinne des Lernens eines NN, wird im folgenden Abschnitt näher betrachtet.

Anzumerken sei noch folgendes: Da es in dieser Arbeit vor allem um Informationsverarbeitung und Kognition geht, wird, der Einfachheit halber, im weiteren Verlauf der Arbeit der Begriff Gehirn zur Benennung der informationsverarbei-

7

tenden Teile des zentralen Nervensystems verwendet, welche für die höheren geistigen Leistungen zuständig sind.

2.2. Lernen eines Neuronalen Netzes

Innerhalb dieses Abschnitts wird auf dem Wege vom Einfachen zum Schwierigen die Entwicklungsgeschichte NN von den Anfängen bis zum aktuellen Stand der Forschung durchlaufen. Eingangs werden anhand eines einfachen zweischichtigen Modells die Grundprinzipien neuronalen Lernens gezeigt, um dann im weiteren Verlauf kompliziertere Modelle und deren Leistungsmerkmale und Fähigkeiten zu betrachten. Beispiele für Anwendungsmöglichkeiten künstlicher NN in der Wirtschaft beschließen diesen Abschnitt. Ziel ist es, trotz der ausgesprochen komprimierten Form der Darstellung, die besonderen Stärken NN, auch im Vergleich mit klassischen Computern, nachvollziehbar darzustellen.

2.2.1. Entwicklung Neuronaler Netze

Vorrangig um die Vorgänge im menschlichen Gehirn besser verstehen zu können, wurden ab der Mitte des vergangenen Jahrhunderts in einer interdisziplinären Zusammenarbeit erste Modelle einer neuronalen

Informationsverarbeitung entworfen und getestet. Federführend waren in der ersten Zeit vor allem Biologen, Neurophysiologen und

Kognitionswissenschaftler, deren Interesse Theorien über die Struktur des Gehirns galt. Doch auch Psychologen, Philosophen und Informatiker arbeiteten an der Entwicklung. Sie hofften, mit diesen Modellen Experimente zur Wissensrepräsentation und zu Abstraktionsmechanismen im Zusammenhang mit menschlichen Denkvorgängen durchführen zu können (Kratzer 1993, S. 14; Stoica 2000, S. 17). Die Simulation, also die praktische Umsetzung der theoretischen Modelle, erfolgt mit Hilfe von Softwaresystemen auf herkömmlichen Rechnern oder auf spezieller paralleler Hardware.

8

Nach einem Boom in der Anfangszeit stagnierte die Entwicklung NN von Beginn der siebziger bis Mitte der achtziger Jahre. Durch bahnbrechende Neuentwicklungen im Bereich der Netzarchitektur von Hopfield und Rumelhart, sowie die rasante Entwicklung der Computertechnik als Hardwarebasis NN kam es zu einem, wie Kratzer (1993) formuliert, neuen Frühling in der neuronalen Welt. Spitzer und Stoica sprechen sogar von einer Euphorie, die sich auch in Aussagen wie der folgenden niederschlugen:

„Herkömmliche Digitalcomputer sind schnell, logisch, präzise und - weil sie ein Programm brauchen - dumm. Neuronale Netze sind das Gegenteil: Nach den Prinzipien natürlicher Gehirne gebaut, sind sie auch sehr schnell, aber selbstorganisierend, flexibel, lernfähig, intuitiv“ (Stoica 2000, S. 17, nach Brunak/Lentrup).

Wie Stoica hierzu einschränkend bemerkt, „zeigte sich jedoch sehr schnell, dass NN nicht die Lösung für alle Probleme darstellen und noch vielen Begrenzungen unterliegen. Trotz dieser Tatsache bietet eine Vielfalt von Netzwerktypen einen sinnvollen Einsatz in verschiedenen Praxisfeldern.“ Parallel zur Entwicklung in der Prozessortechnik schritt die Entwicklung der NN während der vergangenen Jahre zwar auch rasant voran, NN wurden größer und leistungsfähiger, doch unvorhersehbare oder gravierende Sprünge waren nicht zu verzeichnen (u.a. Stoica 2000, S. 17ff.).

Unabhängig vom Fortgang der Entwicklung lässt sich das mögliche Einsatzfeld dieser Modelle jedoch recht konkret abgrenzen. Kratzer sieht „die spezielle Eignung NN“ vor allem in „Aufgabenstellungen, die assoziierenden, interpolativen, klassifizierenden oder beurteilenden Charakter haben.“

Aufgaben also, die auch von Menschen tagtäglich bewältigt werden und nicht nur in der betrieblichen Praxis zu wichtigen Entscheidungen führen.

9

2.2.2. Ein einfaches Netzwerk

Wie diese speziellen Fähigkeiten entstehen, soll an einem einfachen Beispiel erläutert werden, welches gleichzeitig die Abstraktion künstlicher NN aus dem biologischen Vorbild illustriert.

Abbildung 5: Optische Wahrnehmung schematisch (aus Spitzer 2000 )

Die Abbildung 5 demonstriert am einfachsten Beispiel die Anforderungen an das Gehirn bei der Verarbeitung visuellen Inputs. Für eines von drei möglichen auf der Netzhaut aufgenommenen dreiteiligen Inputmustern (A, B oder C) soll der entsprechend zugewiesene Output erzeugt werden. Im biologischen Sinne wird das Gesehene für eine Weiterverarbeitung, beispielsweise im visuellen Kortex, aufgearbeitet, um durch weitere Verarbeitungsschritte eine angemessene Reaktion hervorbringen zu können. Das Muster wird klassifiziert (Nahrung, Hindernis, Feind usw.).

In mathematischer Hinsicht können die Inputmuster als Vektoren betrachtet werden. Muster A ist mit A=(1,0,1) eindeutig beschrieben; die beiden anderen

10

als Vektoren B=(1,1,1) und C=(0,1,0). Ebenso können auch die Outputmuster vektoriell dargestellt werden.

Bei der Modellierung künstlicher NN wird der Unterschied zwischen chemischer und elektrischer Signalübertragung abstrahiert und nur eine Möglichkeit der Übertragung angenommen. Auch die Dendriten finden keine Beachtung. Sämtlicher Input kommt am „Zellkörper“ an (vgl. Abbildung 4 und Abbildung 6). Die gestellte Aufgabe, Erkennung des Inputs und Erzeugung des korrekten Outputs, könnte mit einem folgendermaßen konfigurierten Netzwerk erbracht werden.

Abbildung 6: Ein sehr einfaches neuronales Netzwerk (aus Spitzer 2000)

Jedes Inputneuron ist mit jedem Outputneuron verbunden und jeder dieser Verbindungen ist ein bestimmtes Gewicht zugeordnet. Dieses Gewicht gibt die Stärke der synaptischen Verbindung zwischen Input- und Outputschicht an. Ähnlich dem biologischen Vorbild können diese Werte positiv (exzitatorisch) oder negativ (inhibitorisch) sein. Als Aktivierungsfunktion wird in diesem Fall für jedes der Outputneuronen der gleiche Schwellenwert (0,8) angenommen. Die Summe der eingehenden Signale muss also größer oder gleich 0,8 sein, um das Neuron zu aktivieren; es zum feuern anzuregen. Was geschieht nun, wenn das Inputmuster A aus Abbildung 5 aktiviert wird?

11

Das obere und das untere Inputneuron sind aktiv und beide senden, da mit allen verbunden, ihr Signal an alle drei Outputneuronen. Für das obere Outputneuron kann folgender Input berechnet werden: 1x0,5 + 0x (-0,5) + 1x0,5 = 1

Der kumulierte Input ist mit 1 größer als der Schwellenwert von 0,8. Das Neuron wird aktiv. Bleibt noch zu überprüfen, wie sich die beiden anderen Outputneuronen beim Muster A verhalten. Der Input des mittleren Outputneurons berechnet sich wie folgt: 1x0,3 + 0x0,3 + 1x0,3 = 0,6

Damit bleibt das mittlere Outputneuron inaktiv, da der Schwellenwert von 0,8 nicht erreicht wurde. Der entsprechend berechnete Input für das untere Neuron beträgt -0,6. Auch das untere Outputneuron bleibt somit inaktiv. Mit dieser Konstellation wurde die geforderte Reaktion (das obere Neuron soll aktiv werden) auf das Inputmuster A erzeugt.

Auf weitere Beispielrechnungen für die Inputmuster B und C (aus Abbildung 5) wird verzichtet. Dem Leser wird jedoch empfohlen, diese beiden Fälle für sich selbst nachzurechen, auch um eine, für das Verständnis der folgenden Argumentationen unerlässliche, Vertrautheit mit den Arbeitsweisen NN zu erlangen. Wie Spitzer (2000, S. 27) treffend bemerkt, reduziert dieses Beispielnetzwerk „die biologischen Verhältnisse auf ein Minimum, macht jedoch gerade dadurch die Prinzipien der Verarbeitung deutlich.“ Auch das Prinzip der parallelen Verarbeitung wird nachvollziehbar: Alle drei Outputneuronen arbeiten gleichzeitig, was zu einem sehr schnellen Ergebnis führt. Und eben hierin liegt ein großer Unterschied in der Vorgehensweise NN im Vergleich zu herkömmlichen, seriell arbeitenden Rechnern. Dessen Regel zur Erbringung der Zuordnungsleistung aus Abbildung 5 würde folgendermaßen aussehen: „Gehe zum mittleren Retina-Neuron und stelle fest, ob es feuert oder nicht; feuert es nicht, so handelt es sich um Muster 1; feuert es, so gehe zum oberen Retina-Neuron; feuert dies nicht, so handelt es sich um Muster 3; feuert es, liegt Muster 2 vor.“ Beispiele wie dieses aus Spitzer (2000, S. 25) finden sich u.a. auch in Kratzer. Sie zielen auf die Darstellung eben der parallelen Verarbeitung, eines der entscheidenden Vorteile

12

NN gegenüber der seriellen Verarbeitungsweise. Die für dieses einfache Beispiel noch sehr kurze Entscheidungsregel, würde für kompliziertere Muster, mit beispielsweise 20.000 oder mehr Bildpunkten und unter Hinzunahme verschiedener Farben, einen beachtlichen Umfang erreichen. Selbst Hochleistungsprozessoren würden bei dieser Art Mustererkennungsaufgaben (z.B. Gesichtererkennung) nicht annähernd die Leistungen normalbegabter Menschen erreichen: vom Programmierungsaufwand ganz abgesehen.

Was beim herkömmlichen Computer die Programmierung, also das Einspeisen der Regeln ist, entspricht bei NN dem Lernen an Beispielen durch Anpassung der Gewichte. Wie Theo Gehm (1996, S. 40) im Hinblick auf die noch zu zeigenden Analogien der Verarbeitungsprinzipien von NN und der kooperativen Informationsverarbeitung in sozialen Systemen formuliert, ziehen NN „ihre Effektivität einzig aus Veränderungen des Informationsflusses, also aus der Kommunikation zwischen den Units [Neuronen; M.F.]“ Folgende, auf die vorangegangenen Abbildungen aufbauende Darstellung verdeutlicht den angeleiteten Lernprozess in dem schon bekannten Netzwerk.

13