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.
Inhaltsverzeichnis
1. Einführung
2. Funktionsweise Neuronaler Netze
2.1. Grundlagen und Aufbau einzelner Neuronen
2.2. Lernen eines Neuronalen Netzes
2.2.1. Entwicklung Neuronaler Netze
2.2.2. Ein einfaches Netzwerk
2.2.3. Netzwerkklassen
2.2.4. Anwendungsbeispiele künstlicher Neuronaler Netze
2.2.5. Schwierigkeiten in der Praxis
2.2.6. Zusammenfassung
3. Von künstlichen zu natürlichen Netzwerken
3.1. Individuenzentrierte Sicht
3.1.1. Der Rückschluss auf menschliches Lernen
3.1.2. Könnerschaft und implizites Wissen – nach Michael Polanyi
3.2. Gruppenzentrierte Sicht
3.2.1. Formale Parallelen
3.2.2. Alogik
3.2.3. Kooperative Informationsverarbeitung in Gruppen
3.2.4. Solitonen und spontane Selbstorganisation
4. Implikationen für die Praxis
4.1. (Weiter-) Bildung
4.2. Entscheidungen
4.2.1. Rationalität und Intuition
4.2.2. Kooperative Entscheidungsfindung in Japan
4.3. Gruppen und Teams
4.3.1. Gruppen in der Produktion
4.3.2. Teams als Problemlöseinstanz
4.3.3. Virtuelle Teams
4.4. Jobpools - Mitarbeiterpools
5. Zusammenfassung
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist es, das Modell künstlicher neuronaler Netze auf die menschliche Informationsverarbeitung sowie auf soziale Systeme wie Gruppen und Teams zu übertragen, um daraus neue Erkenntnisse für das moderne Human Ressource Management abzuleiten.
- Grundlagen und Funktionsweise neuronaler Netzwerke
- Analogie zwischen künstlichem Lernen und menschlicher Kognition
- Implizites Wissen und intuition-basierte Entscheidungsfindung
- Kooperative Informationsverarbeitung in sozialen Gruppen
- Anwendung in der Personalentwicklung und Organisationsgestaltung
Auszug aus dem Buch
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.
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 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.
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 (exzitatorische) 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?
Zusammenfassung der Kapitel
1. Einführung: Diese Einleitung führt in die Analogie zwischen neuronalen Netzen und menschlichem Lernverhalten ein und definiert das Ziel, künstliche Modelle auf betriebliche Praxisbereiche anzuwenden.
2. Funktionsweise Neuronaler Netze: Dieses Kapitel erläutert die technischen und biologischen Grundlagen neuronaler Netze, ihre Lernprozesse, Netzwerkarchitekturen sowie praktische Anwendungsbeispiele und auftretende Schwierigkeiten.
3. Von künstlichen zu natürlichen Netzwerken: Hier wird die theoretische Brücke zwischen individuellen Lernprozessen, implizitem Wissen nach Michael Polanyi und der kooperativen Informationsverarbeitung in sozialen Gruppen geschlagen.
4. Implikationen für die Praxis: Dieser Hauptteil analysiert konkrete Anwendungsfelder im Human Ressource Management, darunter Weiterbildung, Entscheidungsfindung, Gruppenarbeit und innovative Personalpools.
5. Zusammenfassung: Die Arbeit schließt mit einer Resümee über die Übertragbarkeit der Modelle und betont die Notwendigkeit, flexible Organisationsformen zu fördern, die implizites Wissen und synergetische Potenziale nutzen.
Schlüsselwörter
Neuronale Netze, Human Ressource Management, künstliche Intelligenz, implizites Wissen, kooperative Informationsverarbeitung, Mustererkennung, Lernverfahren, Gruppenarbeit, Teamfähigkeit, Intuition, Organisationsstruktur, Selbstorganisation, Wissensmanagement, Entscheidungsprozesse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht das Potenzial künstlicher neuronaler Netze als Modell für menschliche Informationsverarbeitung und deren Anwendung auf soziale Systeme in Unternehmen.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die Funktionsweise neuronaler Netzwerke, die Psychologie des impliziten Lernens sowie die Übertragung dieser Konzepte auf Gruppenarbeit, Teammanagement und Personalauswahl.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es, aufzuzeigen, wie künstliche Lernmodelle als theoretische Basis dienen können, um die Effizienz von Gruppenarbeit und Entscheidungsfindung in Unternehmen besser zu verstehen und zu gestalten.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stützt sich auf eine theoretische Modellbildung, die durch die interdisziplinäre Verknüpfung von kognitionswissenschaftlichen Erkenntnissen, neurobiologischen Grundlagen und betriebswirtschaftlichen Fallstudien validiert wird.
Was wird im Hauptteil behandelt?
Der Hauptteil widmet sich der Praxisrelevanz, insbesondere der Förderung menschlichen Lernens, intuitiven Entscheidungsstrategien und der Implementierung von Gruppen- sowie "Shared-Team"-Modellen in kleinen und mittleren Unternehmen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Neuronale Netze, implizites Wissen, kooperative Informationsverarbeitung, Mustererkennung und modernes Human Ressource Management.
Inwiefern unterscheidet sich das Modell von der klassischen japanischen Konsensfindung (Ringi)?
Die Arbeit analysiert das Ringi-System als ein Beispiel für soziale Solitonen und kooperative Informationsverarbeitung, die internen Widerständen entgegenwirkt, indem sie einen breiten Konsens als Nährboden für effektive Entscheidungen nutzt.
Warum sind "virtuelle Teams" kritisch zu betrachten?
Der Autor argumentiert, dass virtuelle Teams oft die notwendige kooperative Komponente vermissen lassen, da der physische Kontakt und die nonverbale Kommunikation – essentielle Bestandteile neuronaler Informationsverarbeitung – durch rein technologische Interaktion nicht adäquat ersetzt werden können.
- Quote paper
- Michael Faustmann (Author), 2003, Neuronale Netze als Basis für fortgeschrittenes Human Ressource Management, Munich, GRIN Verlag, https://www.grin.com/document/18374
