Die Arbeit will herausfinden, ob künstliche neuronale Netze im Bereich der Bedarfsplanung von Großgastronomien erfolgreich eingesetzt werden können, um durch Überproduktion entstandene Lebensmittelabfälle zu reduzieren. Dabei liegt der Fokus auf künstlichen neuronalen Feed-Forward-Netzen, die zur Prognose der zukünftig verkauften Essensmengen verwendet werden. Dieses Vorhaben soll am Beispiel der Mensa der Universität Ulm umgesetzt werden, da hierfür ein repräsentativer Datensatz als Basis für die empirische Analyse zur Verfügung gestellt wurde.
Dazu wird die folgende Forschungsfrage beantwortet: Können tiefe Feed-Forward-Netze bei der Bedarfsplanung von Großgastronomien erfolgreich eingesetzt werden, um Lebensmittelabfälle zu reduzieren?
Die Arbeit gliedert sich in fünf Themenbereiche. In Kapitel 2 wird der theoretische Rahmen der Arbeit dargelegt. Dabei wird zunächst erklärt, wie maschinelles Lernen in künstlichen neuronalen Netzen funktioniert. Im weiteren Verlauf werden die mathematischen Grundlagen, mögliche Optimierungsverfahren und die verschiedenen Parameter eines künstlichen
neuronalen Netzes vorgestellt. Im dritten Kapitel wird dann erläutert, wie der Datensatz erstellt wurde und welche Eingabevariablen für die empirische Analyse verwendet wurden. Das Kapitel konzentriert sich außerdem auf die Architektur der verwendeten Netze und Datenaufbereitungsmethoden. In Kapitel 4 werden dann die erzielten Ergebnisse vorgestellt. Anschließend wird im fünften Kapitel eine Diskussion der erzielten Ergebnisse vorgenommen. Im letzten Kapitel wir dann die Forschungsfrage beantwortet. Zudem wird das Ergebnis zusammengefasst und ein Ausblick auf Erweiterungen der Arbeit gegeben.
Inhaltsverzeichnis
- Einleitung
- Lebensmittelverschwendung in Deutschland
- Künstliche Intelligenz auf dem Vormarsch
- Ziele & Aufbau der Arbeit
- Theorie
- Maschinelles Lernen
- Künstliche neuronale Netze
- Tiefe Feed-Forward-Netze
- Definition und Topologie
- Feature Engineering
- Aktivierungsfunktionen in Feed-Forward-Netzen
- Optimierung eines Feed-Forward-Netzes
- Gängige Fehlerfunktionen
- Initialisierung der Gewichte
- Gradientenverfahren
- Der Backpropagation-Algorithmus
- Datensatz und Methodik
- Plausibilität der ausgewählten Features
- Vorgehensweise
- Ergebnisse
- Subset 1, Tagesmengen in t=-1y und t=-1d
- Subset 2, Tagesmengen in t=-2y und t=-1y
- Subset 3, ohne die Tagesmenge in t=-14d
- Subset 4, ohne die Tagesmengen der vergangenen Jahre
- Subset 5, ohne die Tagesmenge in t=-2y (I)
- Subset 6, ohne die Tagesmenge in t=-2y (II)
- Diskussion
- Anwendbarkeit der Ergebnisse
- Kritische Würdigung des Ergebnisses
- Zusammenfassung und Ausblick
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelorarbeit untersucht die Anwendung von Künstlicher Intelligenz (KI) im Bereich der Bedarfsplanung in Großgastronomien. Das Hauptziel ist es, ein KI-basiertes System zu entwickeln, das die Vorhersage des Lebensmittelbedarfs verbessern und somit die Lebensmittelverschwendung reduzieren kann.
- Lebensmittelverschwendung in Großgastronomien
- Anwendungen von KI in der Bedarfsplanung
- Maschinelles Lernen und künstliche neuronale Netze
- Entwicklung und Evaluierung eines KI-Modells
- Potenzial und Herausforderungen der KI-basierten Bedarfsplanung
Zusammenfassung der Kapitel
Das erste Kapitel führt in die Thematik der Lebensmittelverschwendung in Deutschland und die steigende Bedeutung von KI ein. Es werden die Ziele und der Aufbau der Arbeit vorgestellt. Kapitel 2 bietet einen theoretischen Hintergrund zu den relevanten Konzepten, wie maschinelles Lernen, künstliche neuronale Netze und Feed-Forward-Netze. Kapitel 3 erläutert den Datensatz und die Methodik, die für die Entwicklung des KI-Modells verwendet wurden. Die Ergebnisse der Modellentwicklung und -evaluation werden in Kapitel 4 präsentiert. In Kapitel 5 erfolgt eine Diskussion der Anwendbarkeit der Ergebnisse und eine kritische Würdigung. Die Arbeit endet mit einer Zusammenfassung und einem Ausblick.
Schlüsselwörter
Künstliche Intelligenz, Bedarfsplanung, Großgastronomie, Lebensmittelverschwendung, maschinelles Lernen, künstliche neuronale Netze, Feed-Forward-Netze, Datensatz, Modellentwicklung, Evaluation.
- Quote paper
- Lars Frindt (Author), 2019, Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien, Munich, GRIN Verlag, https://www.grin.com/document/490229
