Klausur 2023 Flashcards
Begriff “Mobile Digital Business”
Geschäftliche Transaktion, wo im Rahmen …
- Leistungsvereinbarung
- Leistungsanbahnung
- Leistungserbringung
… mobile elektronische Kommunikationstechniken eingesetzt werden.
Begriff “Digitalisierung”
Umwandlung analoger Infos in digitale Daten.
Begriff “Artificial Intelligence”
Einsatz von Techniken zur Erzeugung eines intelligenten Verhaltens.
Begriff “Digitale Transformation”
Erhebliche Veränderungen im Alltag, der Wirtschaft und Gesellschaft, durch die Verwendung digitaler Technologien und Techniken und deren Auswirkungen.
Begriff “Deep Learning Enterprises”
Digitale Abbildung einer Organisation unter Verwendung von KI, Deep-Learning Techniken, um KI-Verhalten in Organisation zu implementieren.
Digitale Transformation Interdependenzen / Wechselwirkungen
- Technik
- Mensch/Gesellschaft
- Wirtschaft
Technologiepyramide
(Top to bottom)
1. Datenbasierte Technologien
2. Intelligenter Verbund aus Software und Hardware
3. Grundlagen- und Kommunikationstechnologien
Ursachen-Wirkungsmodell (der digitalen Transformation)
Dimensions:
1. Customer interaction
2. Value Creation
3. Value proposition
Impact types:
1. Customer behavior, relations
2. Marketing
3. Business development
4. Product development
Causes:
1. Automated communication & networking
2. Advanced ML techniques
3. Enhanced human-computer interaction
Technologies:
1.Intelligent systems of hardware and software
2. Databased technologies
3. Information and communication technologies
Begriff “System (Modell)”
Ein Modell (System), welches durch eine zweckorientierte, abstrakte Abbildung eines anderen Systems (der Realität) entstanden ist. (Ein Modell, was eine Art von einem System ist.)
5 Merkmale eines Modells/Systems
- Mapping
- Truncation
- Pragmatic
- Extension
- Distortion
Explanations:
- Abbildungsmerkmal (MAPPING property)
- Verkürzungsmerkmal (TRUNCATION property) → nicht alle Eigenschaften abgebildet
- Pragmatisches Merkmal (PRAGMATIC property) → manche Sachen sind zu kompliziert um übernommen zu werden; erlaube, dass das Modell von der Realität abweicht (z. B. für Zweck der Produktgestaltung)
- Erweiterungsmerkmal (EXTENSION property) → im Modell tauchen Sachen auf, die gar nicht mehr in der Realität sind / zu finden ist; Erkenntnisse aus Modell ableiten, die wir nicht gar nicht kennen
- Verformungs-/Verfremdungsmerkmal (DISTORTION property) → Eigenschaft aus der Realität wird anders im Modell dargestellt
Klassifikation von Modellen
Categories:
1. Allgemeine Eigenschaften (bspw. Wesen, Entstehungsart, Beziehung zur Umwelt, Parameterabhängigkeit)
2. Darstellungsart (bspw. ikonisch, analog, symbolisch, sprachlich, gedanklich, gegenständig)
3. Modellzweck (bspw. Entscheidungs-, Analyse-, Gestaltungs-, Beschreibungsmodelle)
4 Main Classifications:
a. Progonosemodelle
b. Erklärungsmodelle
c. Erprobungsmodelle
d. Standardisierungsmodelle
Erklärung “Isomorphes “Modell” (Abbildung)”
- Inhaltlich wird alles übernommen, wie es in der Realität ist (Phenomena auch übertragen)
- Einander zugeordnete Relationen enthalten nur einander zugeordnete Elemente (die Zuordnung ist auch umgekehrt eindeutig)
Erklärung “Homomorphes “Modell” (Verkürzung)”
- Inhaltlich muss aufgepasst werden, ob Attribute/Phenomena aus der Realität so übertragen werden können
- Jeder Relation von Modell M ist eine Relation in System S eindeutig zugeordnet, aber nicht umgekehrt
6 Qualitätsmerkmale von Modellen
- Richtigkeit
- Relevanz
- Wirtschaftlichkeit
- Klarheit
- Vergleichbarkeit
- Systematischer Aufbau
Begriff “Syntax”
Was muss wie dargestellt werden?
Unterelemente:
1. Form
2. Verknüpfung
3. Regel
Begriff “Semantik”
Muss erkennbar sein, dass die Abbildung der Realität entspricht und, dass die Fragestellungen anhand Modells beantwortet werden können.
Unterelemente:
1. Korrektheit
2. Relevanz
3. Vollständigkeit
4. Flexibilität
Begriff “Pragmatik”
Jeder von uns im Raum sollte das Modell verstehen und verwenden können.
Unterelemente:
1. Eindeutigkeit
2. Verständlichkeit
Begriff “System”
Besteht aus einer Menge (mathematisch) von Elementen, die durch eine Menge von Relationen miteinander verbunden sind.
Systeminput -> Systemgrenze(Systemrelation + Systemelement) -> Systemoutput
Berechnen Komplexität von Systemen
K = n_r / n_e
K = Komplexität
n_r = Anzahl Relationen (lines)
n_e = Anzahl Elemente (nodes)
Begriff “Konstruktivistische Subsystembildung”
- Zusammenfassung von elementaren Elementen zu Subsystemen
- Ende, wenn Einheit höchster Ordnung erreicht ist
Begriff “Dekonstruktivistische Subsystembildung”
- Identifikation von Einheiten höherer Ordnung
- Sukzessive Dekomposition
- Ende, wenn unterste Betrachtungsebene erreicht ist
Begriff “Hybride Subsystembildung”
Kombination von Top-Down und Bottom-Up-Ansätzen
Begriff “Ashby’s Law”
Störung -> Veränderung / Regler -> Ergebnis
Das Gesetz besagt, dass ein System, welches ein anderes steuert, umso mehr Störungen in dem Steuerungsprozess ausgleichen kann, je größer seineHandlungsvarietät ist.
Regulator: Wahrnehmung von der Welt mit gewissen Änderungen, und produziere daraus einen Ausgang (”Outcome”) → Ashby’s Law
Bei einer Störung muss Regulator 2 Stände kennen können: a) alles ist normal, b) Störung 1 (wie man mit der Störung umgehen kann).
Regulator → Muss eine Störung beherrschen können, sollte eine auftauchen.
Begriff “Meta-Model”
A m^n model is a meta-model of the nth level of abstraction representing existing/desired models of the (n-1)th level of abstraction and their interrelationships.
(Hinweis:
- Erstellen von Modellen von Modellen
- Sammeln von Designobjekten
- Implementierung von Axiomen
- Heben von Modellen auf eine abstrakte Ebene)
6 Einsatzbereiche von Meta-Modellen (d.h. Zweck, Bildungsvorschrift)
- Zur Definition von Syntax- und Semantikregeln von Modellen niedrigerer Meta-Modell-Ebenen
- Zur Beschreibung von Schemata (→ Zertifizierungen)
- Zur Beschreibung und Integration von Meta-Modellen
- Zum Requirement Engineering (→ Wie sollte die Modellierungssprache aussehen?)
- Zum Vergleich der Fähigkeit verschiedener Modelltypen
- Zur Qualitätssicherung von Modellen und Vorgehen
Begriff “Modellieren als Tätigkeit des Wahrnehmens und Anwendens” (Modellierungstätigkeit)
Startet mit der Wahrnehmung durch Modellersteller und endet mit der Modellerstellung (nach Schütte).
Abgleich mit internem Modell einer subjektiven Realität (nach Krallmann).
Hinweis: Modelle können subjektiver und objektiver Realität entsprechen.
Begriff “Modellieren als Konstruktionstätigkeit” (nach Thomann) (Modellierungstätigkeit)
- Modellierungssprachenauswahl,
- Modellkonstruktion,
- Anwendung von Restriktionen,
- Aushandeln von Entscheidungskonflikten,
- Anwendung von Methoden,
- Ermittlung zusätzlicher Informationen über das ursprüngliche und das verbesserte Modell,
- Aufbereitung des Modells für seine Verwendung und seine Weiterentwicklung
Begriff “Modellieren als Wissensanwendung” (nach Thalheim) (Modellierungstätigkeit)
- Verstehen von Problemen
- Konzeptionalisieren von Lösungen
- Abstrahieren des Originals
- Definieren von Grenzen
- Planen des Modellierten
- Konstruieren / Machen des Modells
- Abwägen von Vereinfachungen und Designentscheidungen
- Verfeinern der Modelle
- Evaluieren von Zusammenhängen
Begriff “Modellieren als iterativer Prozess” (Modellierungstätigkeit)
- Wiederholende Tätigkeit additiver Tätigkeiten und kleiner Korrekturen (nach Krallman)
- Systematisch
- Prinzipienbasiert
Begriff “(Geschäfts-)Prozess-Modellieren” (Modellierungstätigkeit)
- Entspringt dem Software-Kontext
- Konstruktionsmechanismus zur vereinfachten oder idealen Darstellung eines Ablaufs in Software
- Fokussieren quantitative Analysen
3 Eigenschaften der “Modellierungstätigkeit”
- Descriptive: fokussiert Beschreibung und das Verständnis von Modellen vor Ort sowie auf damit verbundene Aspekte
- Prescriptive: impliziert dass Modelle auf eine Weise verwendet werden müssen
- Proscriptive: fokussiert unerwünschtes Verhalten
3 Eigenschaften des Modellierungsvorgehens
- Top-Down: Garantiert Integration, aber keine technische Machbarkeit
- Bottom-Up: Garantiert technische Machbarkeit, aber keine Integration
- Hybrid: Kompromiss aus technischer Machbarkeit und Integrationsfähigkeit
Vorgehensprozess bei der Modellierung
2-4 are loops.
- Modellbildung
- Experiment
- Analogieschluss (Prognose aus Experimenten werden genommen, um eine Analogie zu bilden.)
- Anwendung
Wird solange gemacht, bis das Modell eine gewisse Leistungsfähigkeit erreicht hat.
Begriff “Modeling”
Act of preception of the creator’s reality.
Use of creator’s knowledge for applying a modeling language, understanding the application domain, and realizing engineering activities in a repetitive, systematic, and principal-based manner.
Such as… model is constructived within a subjective or objective reality.
4 Methoden zur Prüfung der “Gültigkeit von Modellen”
- Verifikation: Überprüfung der benutzen Daten, Nachweis ihrer korrekten Umsetzung in ein Modell
- Sensitivitätsanalyse: Empfindlichkeit des Outputs in Abhängigkeit von bestimmten Parameterveränderungen, Bestimmung von für das Verhalten wesentlichen und unwesentlichen Einflussgrößen
- Kalibrierung: Angleichung des Gesamtverhaltens des Modells an die wahrgenommene Realität, Sukzessive Verhaltensprüfung und
-angleichung auf Basis von Outputvergleichen und Parameteränderungen - Validierung: Bewertung des verifizierten und kalibrierten Modells, Vergleich mit Alternativmodellen, Nachweis der Abbildung der Problemstellung durch das Modell
2 Phasen der “Modellauswahl”
- Exploration: Erkundung eines unbekannten Suchraums, Aufstellen neuer Modelle, Ausprobieren neuartiger Aktionen (wobei unbekannt ist, ob diese erstrebenswert sind)
- Exploitation: Eroberung des bekannten Suchraums, Verfeinerung bestehender Modelle, Ausnutzen bekannter Aktionen (wobei bekannt ist, dass diese erstrebenswert sind)
Notion wegen Gehirn und Realität
Das Gehirn kann nicht zwischen Realität und gedachter Realität unterscheiden.
Eine Einbildung wird irgendwann zur Wirklichkeit, da dieselben Gehirnregionen auf die gleiche Art und Weise aktiv sind wie bei echten Erinnerungen.
Bspw. Placebo-Effekt (Pakinson, Knieatrose), Blutzuckerspiegel folgt der gefühlten Zeit (Park)
Begriff “KI”
Künstliche Intelligenz
Automatisierung intelligenten Verhaltens; Versuch menschliches Verhalten zu imitieren
Begriff “ML”
Maschinelles Lernen
Fokussierung auf Maschinen durch Lernansätzen Intelligenz zu verleihen. (So erreicht man KI.)
Begriff “CC”
Cognitive Computing
Simulation menschlicher Gedanken; Plattform, welche diverse Ansätze der KI und ML eint und hardwareseitige Implementierung betrachtet. (Anlehnung an den Menschen. Gedanken über, welche Plattform wird gebraucht, um Algorithmen tragen zu können.)
4 methodenorientierte Arten von “KI”
- Symbolische KI
Top-Down Ansatz; Intelligenz durch verständliche Begriffe nachbilden. - Neuronale KI
Bottom-Up Ansatz; Intelligenz datenbasiert nachbilden; möglichst genaue Nachbildung des menschlichen Gehirns führt zur Intransparenz. - Simulationsmethodenbasierte KI
Orientierung an kognitiven Prozessen des Menschen; Imitieren des menschlichen Problemlösungsverhaltens. - Phänomenologiemethodenbasierte KI
Orientierung an tatsächlichen Ereignissen; formale Beschreibung von Phänomenen
4 rollenorientierte Arten von “KI”
- Schwache KI
(Mathematische Formulierungen, hohe Fokussierung und spezifische Anwendungsprobleme, Unterstützen menschl. Denken) - Starke KI
(Eigenständiges Denken; Arbeit auf Augenhöhe mit Menschen; Schaffung eines Bewusstsein) - Harte KI
(Menschlichen Denkleistungen als 100%ige Nachbildung auf Maschinen; z. B. durch ML) - Weiche KI
(Teilweise Übertragung kognitiver Leistungen auf Maschinen, z. B. durch Case-Based Reasoning) - Heuristikbasierte KI
(Arbeiten mit begrenztem Wissen und unvollständigen Informationen; Häufig auf Schätzungen basierend) - KI als Restterm
(Intelligenz als Konstrukt nicht erklärbaren Verhaltens)
ML: Unsupervised (Unüberwachtes) Learning, Supervised (Verstärkendes) Learning, Reinforced (Überwachtes) Learning
ML: Sequenzklassifierungsaufgabe, Segmentklassifizierungsaufgabe, Zeitklassifierungsaufgabe
Wann ist der Einsatz von KI sinnvoll?
Möglichkeiten nicht-KI-basierter Techniken (“Was sind einfachere Techniken einer KI zu bevorzugen?”)
Definition “Neuron”
Eine elektrisch erregbare Nervenzelle, welche mittels elektrischer und chemischer Signale Informationen verarbeitet und weiterleitet. Im Verbund wirken Sie mit den Gliazellen als Nervensystem.
Definition “Neuronale Aktivität”
Grundlegendste Ebene der Informationsverarbeitung, welche die Modellierung verschiedener Arten biologischer und chemischer Prozesse vereinfacht.
Bildung künstlicher Neurone (Abbildung)
Definition “Künstliche Neuron”
Eine künstlich erregbare Nervenzelle, welche eine elektrische und chemische Signalverarbeitung und Weiterleitung modelliert. Im Verbund simulieren sie Teile des Nervensystems (= Gehirn).
Definition “Cluster Problems” , “Classification Problems”, “Prediction Problems”
Unterteilung NN nach Architektur
Definition “Encoding”, “Transformation”, “Decoding”
Modifikationen des Backpropagation-Algorithmuses (Backpropagation mit Momentum, Resilient Propagation, QuickProp, Backpercolation)
Welche Größe müssen NN erhalten?
Definition “Zeitunabhängige NN”, “Zeitabhängige NN”
Abbildung “Standard Rekurrente NN”, “RNN mit LSTM-Blöcken”
Die “LSTM-Architektur”
Definition “Radial Basis Networks”
Definition “Partially Recurrent Networks” (“Jordan Networks”, “Elman Networks”)
Definition “Convolutional Networks” -> “Convolutional Layer Architektur”
Convolutional NN Architecture: “Detection”, “Identification”
Definition “Auto-Associative Networks” -> Hopfield Networks vs. Boltzmann Machines & Simulated Annuealing Machines
Definition “Topological Networks” -> “Kohonen Feature Maps and Self-Organizing Maps”, “Neuronal Gas”
Projektorientierte KI-Toolauswahl
- Problemidentifikation
- Datenanalyse
- Evaluation technischer Ansätze
- Spezifizierung der technischen Ausgestaltung
- Analyse vorhandener Tools
- Integrative Implementierung
- Projektspezifische Implementierung
- Analyse/Evaluation/Interpretation
- Ergebnisverwendung
