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
1 Einleitung
1.1 Lebensmittelverschwendung in Deutschland
1.2 Künstliche Intelligenz auf dem Vormarsch
1.3 Ziele & Aufbau der Arbeit
2 Theorie
2.1 Maschinelles Lernen
2.2 Künstliche neuronale Netze
2.3 Tiefe Feed-Forward-Netze
2.3.1 Definition und Topologie
2.3.2 Feature Engineering
2.3.3 Aktivierungsfunktionen in Feed-Forward-Netzen
2.4 Optimierung eines Feed-Forward-Netzes
2.4.1 Gängige Fehlerfunktionen
2.4.2 Initialisierung der Gewichte
2.4.3 Gradientenverfahren
2.4.4 Der Backpropagation-Algorithmus
3 Datensatz und Methodik
3.1 Plausibilität der ausgewählten Features
3.2 Vorgehensweise
4 Ergebnisse
4.1 Subset 1, Tagesmengen in t=-1y und t=-1d
4.2 Subset 2, Tagesmengen in t=-2y und t=-1y
4.3 Subset 3, ohne die Tagesmenge in t=-14d
4.4 Subset 4, ohne die Tagesmengen der vergangenen Jahre
4.5 Subset 5, ohne die Tagesmenge in t=-2y (I)
4.6 Subset 6, ohne die Tagesmenge in t=-2y (II)
5 Diskussion
5.1 Anwendbarkeit der Ergebnisse
5.2 Kritische Würdigung des Ergebnisses
6 Zusammenfassung und Ausblick
Zielsetzung & Themen
Die Arbeit untersucht, ob künstliche neuronale Netze zur präzisen Bedarfsplanung in Großgastronomien eingesetzt werden können, um durch Überproduktion bedingte Lebensmittelverschwendung effektiv zu reduzieren.
- Einsatz von tiefen Feed-Forward-Netzen zur Absatzprognose.
- Empirische Analyse am Beispiel der Mensa der Universität Ulm.
- Methodik des Feature Engineerings zur Datenaufbereitung.
- Optimierung von Netzarchitekturen mittels Gradientenverfahren.
- Vergleich der Modellvorhersagen mit herkömmlichen Sollmengenplanungen.
Auszug aus dem Buch
2.4.2 Initialisierung der Gewichte
Um dieses Problem zu lösen, ist es sinnvoll, die Ableitung der Sigmoid-Funktion und des Tangens hyperbolicus zu betrachten:
In x = 0 sind die Funktionswerte der Ableitungen maximal, wodurch das Lernen direkt zu Beginn der Optimierung stark beschleunigt werden könnte. Jedoch ist eine Initialisierung aller Gewichte mit dem Wert 0 nicht wünschenswert, da sonst die Ausgabe konstant 0 wäre. Unter Betrachtung der im nächsten Kapitel präsentierten Änderungsregel 2.13, wird dies auch sehr gut ersichtlich. Daher könnten die Gewichte bspw. als standardnormalverteilte Zufallsvariable X ~ N(0, 1) initialisiert werden. Betrachtet man nun die Aktivierungsfunktionen, so sind diese nahe der 0 fast linear. Die beschriebene Initialisierung hat also auch zur Folge, dass das künstliche neuronale Netz als lineares Modell startet und im Laufe des Trainingsprozesses nichtlineare Relationen einführen kann.
Zusammenfassung der Kapitel
1 Einleitung: Die Arbeit beleuchtet das Ausmaß der Lebensmittelverschwendung in Deutschland und die Notwendigkeit einer KI-gestützten Bedarfsplanung in der Außer-Haus-Verpflegung.
2 Theorie: Es werden die Grundlagen des maschinellen Lernens sowie die Architektur, Optimierung und das Training tiefer Feed-Forward-Netze mathematisch hergeleitet.
3 Datensatz und Methodik: Dieses Kapitel beschreibt die Aufbereitung historischer Verkaufsdaten der Mensa Ulm sowie die Auswahl relevanter Features für das Vorhersagemodell.
4 Ergebnisse: Die Performance verschiedener Modell-Subsets wird analysiert, wobei das Modell ohne das Feature "Tagesmenge in t=-2y" die besten Vorhersagewerte lieferte.
5 Diskussion: Die Modellergebnisse werden mit der aktuellen Planungspraxis verglichen, wobei Potenziale zur Optimierung der Sollmengenplanung aufgezeigt werden.
6 Zusammenfassung und Ausblick: Die Forschungsfrage wird bejaht und Möglichkeiten für zukünftige Arbeiten, etwa durch die Einbeziehung von Echtzeit-Personendaten, werden skizziert.
Schlüsselwörter
Künstliche Intelligenz, Maschinelles Lernen, Feed-Forward-Netze, Bedarfsplanung, Großgastronomie, Lebensmittelverschwendung, Feature Engineering, Backpropagation, Gradientenverfahren, neuronale Netze, Prognose, Optimierung, Mensa, Datensatzanalyse, Regression.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von künstlichen neuronalen Netzen zur Verbesserung der Absatzplanung in Großkantinen, um Lebensmittelabfälle durch Überproduktion zu minimieren.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen das maschinelle Lernen, spezifisch tiefe Feed-Forward-Netze, die mathematische Optimierung durch Backpropagation und die praktische Datenaufbereitung (Feature Engineering).
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist die Beantwortung der Forschungsfrage, ob künstliche neuronale Netze erfolgreich zur Reduktion von Lebensmittelabfällen in der Großgastronomie eingesetzt werden können.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine empirische Analyse auf Basis historischer Verkaufszahlen durchgeführt, wobei verschiedene Datensubsets mittels Keras-Implementierungen von Feed-Forward-Netzen getestet werden.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, die methodische Aufbereitung des Mensa-Datensatzes sowie die Auswertung und Diskussion der verschiedenen Vorhersagemodelle.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Begriffe sind Künstliche Intelligenz, Feed-Forward-Netze, Bedarfsplanung, Lebensmittelverschwendung und Feature Engineering.
Warum wurde die Mensa der Universität Ulm als Beispiel gewählt?
Die Mensa der Universität Ulm bot einen repräsentativen, historischen Datensatz, der eine fundierte empirische Analyse für die Forschungsfrage ermöglichte.
Wie beeinflusst die Wahl der Features das Endergebnis?
Die Analyse zeigt, dass das Weglassen irrelevanter oder schwach korrelierter Features (wie z.B. Tagesmengen von vor zwei Jahren) die Vorhersagegenauigkeit signifikant verbessern kann.
Welche Rolle spielt die Happy-Hour-Aktion in der Diskussion?
Sie dient als Instrument, um die durch das Modell noch verbleibenden Prognosefehler im operativen Betrieb durch Preisreduktion am Ende des Tages abzufedern.
Warum ist das Ergebnis trotz hoher Genauigkeit noch als vorläufig zu betrachten?
Aufgrund der Notwendigkeit zur Datenhomogenität war der Testzeitraum mit 26 Tagen relativ kurz; zukünftige Studien sollten das Modell über einen längeren Zeitraum validieren.
- Arbeit zitieren
- Lars Frindt (Autor:in), 2019, Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien, München, GRIN Verlag, https://www.grin.com/document/490229
