Klausur 2023 Flashcards
1
Q
Begriff “Mobile Digital Business”
A
Geschäftliche Transaktion, wo im Rahmen …
- Leistungsvereinbarung
- Leistungsanbahnung
- Leistungserbringung
… mobile elektronische Kommunikationstechniken eingesetzt werden.
2
Q
Begriff “Digitalisierung”
A
Umwandlung analoger Infos in digitale Daten.
3
Q
Begriff “Artificial Intelligence”
A
Einsatz von Techniken zur Erzeugung eines intelligenten Verhaltens.
4
Q
Begriff “Digitale Transformation”
A
Erhebliche Veränderungen im Alltag, der Wirtschaft und Gesellschaft, durch die Verwendung digitaler Technologien und Techniken und deren Auswirkungen.
5
Q
Begriff “Deep Learning Enterprises”
A
Digitale Abbildung einer Organisation unter Verwendung von KI, Deep-Learning Techniken, um KI-Verhalten in Organisation zu implementieren.
6
Q
Digitale Transformation Interdependenzen / Wechselwirkungen
A
- Technik
- Mensch/Gesellschaft
- Wirtschaft
7
Q
Technologiepyramide
A
(Top to bottom)
1. Datenbasierte Technologien
2. Intelligenter Verbund aus Software und Hardware
3. Grundlagen- und Kommunikationstechnologien
8
Q
Ursachen-Wirkungsmodell (der digitalen Transformation)
A
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
9
Q
Begriff “System (Modell)”
A
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.)
10
Q
5 Merkmale eines Modells/Systems
A
- 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
11
Q
Klassifikation von Modellen
A
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
12
Q
Erklärung “Isomorphes “Modell” (Abbildung)”
A
- 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)
13
Q
Erklärung “Homomorphes “Modell” (Verkürzung)”
A
- 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
14
Q
6 Qualitätsmerkmale von Modellen
A
- Richtigkeit
- Relevanz
- Wirtschaftlichkeit
- Klarheit
- Vergleichbarkeit
- Systematischer Aufbau
15
Q
Begriff “Syntax”
A
Was muss wie dargestellt werden?
Unterelemente:
1. Form
2. Verknüpfung
3. Regel
16
Q
Begriff “Semantik”
A
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
17
Q
Begriff “Pragmatik”
A
Jeder von uns im Raum sollte das Modell verstehen und verwenden können.
Unterelemente:
1. Eindeutigkeit
2. Verständlichkeit
18
Q
Begriff “System”
A
Besteht aus einer Menge (mathematisch) von Elementen, die durch eine Menge von Relationen miteinander verbunden sind.
Systeminput -> Systemgrenze(Systemrelation + Systemelement) -> Systemoutput
19
Q
Berechnen Komplexität von Systemen
A
K = n_r / n_e
K = Komplexität
n_r = Anzahl Relationen (lines)
n_e = Anzahl Elemente (nodes)
20
Q
Begriff “Konstruktivistische Subsystembildung”
A
- Zusammenfassung von elementaren Elementen zu Subsystemen
- Ende, wenn Einheit höchster Ordnung erreicht ist
21
Q
Begriff “Dekonstruktivistische Subsystembildung”
A
- Identifikation von Einheiten höherer Ordnung
- Sukzessive Dekomposition
- Ende, wenn unterste Betrachtungsebene erreicht ist
22
Q
Begriff “Hybride Subsystembildung”
A
Kombination von Top-Down und Bottom-Up-Ansätzen
23
Q
Begriff “Ashby’s Law”
A
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.
24
Q
Begriff “Meta-Model”
A
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)
25
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
26
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.
27
Begriff "Modellieren als Konstruktionstätigkeit" (nach Thomann) (Modellierungstätigkeit)
1. Modellierungssprachenauswahl,
2. Modellkonstruktion,
3. Anwendung von Restriktionen,
4. Aushandeln von Entscheidungskonflikten,
5. Anwendung von Methoden,
6. Ermittlung zusätzlicher Informationen über das ursprüngliche und das verbesserte Modell,
7. Aufbereitung des Modells für seine Verwendung und seine Weiterentwicklung
28
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
29
Begriff "Modellieren als iterativer Prozess" (Modellierungstätigkeit)
- Wiederholende Tätigkeit additiver Tätigkeiten und kleiner Korrekturen (nach Krallman)
- Systematisch
- Prinzipienbasiert
30
Begriff "(Geschäfts-)Prozess-Modellieren" (Modellierungstätigkeit)
- Entspringt dem Software-Kontext
- Konstruktionsmechanismus zur vereinfachten oder idealen Darstellung eines Ablaufs in Software
- Fokussieren quantitative Analysen
31
3 Eigenschaften der "Modellierungstätigkeit"
1. Descriptive: fokussiert Beschreibung und das Verständnis von Modellen vor Ort sowie auf damit verbundene Aspekte
2. Prescriptive: impliziert dass Modelle auf eine Weise verwendet werden müssen
3. Proscriptive: fokussiert unerwünschtes Verhalten
32
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
33
Vorgehensprozess bei der Modellierung
1. Modellbildung
2. Experiment
3. Analogieschluss (Prognose aus Experimenten werden genommen, um eine Analogie zu bilden.)
4. Anwendung
#2-4 are loops.
Wird solange gemacht, bis das Modell eine gewisse Leistungsfähigkeit erreicht hat.
34
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.
35
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
36
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)
37
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)
38
Begriff "KI"
Künstliche Intelligenz
Automatisierung intelligenten Verhaltens; Versuch menschliches Verhalten zu imitieren
39
Begriff "ML"
Maschinelles Lernen
Fokussierung auf Maschinen durch Lernansätzen Intelligenz zu verleihen. (So erreicht man KI.)
40
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.)
41
4 methodenorientierte Arten von "KI"
1. Symbolische KI
Top-Down Ansatz; Intelligenz durch verständliche Begriffe nachbilden.
2. Neuronale KI
Bottom-Up Ansatz; Intelligenz datenbasiert nachbilden; möglichst genaue Nachbildung des menschlichen Gehirns führt zur Intransparenz.
3. Simulationsmethodenbasierte KI
Orientierung an kognitiven Prozessen des Menschen; Imitieren des menschlichen Problemlösungsverhaltens.
4. Phänomenologiemethodenbasierte KI
Orientierung an tatsächlichen Ereignissen; formale Beschreibung von Phänomenen
42
4 rollenorientierte Arten von "KI"
1. Schwache KI
(Mathematische Formulierungen, hohe Fokussierung und spezifische Anwendungsprobleme, Unterstützen menschl. Denken)
2. Starke KI
(Eigenständiges Denken; Arbeit auf Augenhöhe mit Menschen; Schaffung eines Bewusstsein)
3. Harte KI
(Menschlichen Denkleistungen als 100%ige Nachbildung auf Maschinen; z. B. durch ML)
4. Weiche KI
(Teilweise Übertragung kognitiver Leistungen auf Maschinen, z. B. durch Case-Based Reasoning)
5. Heuristikbasierte KI
(Arbeiten mit begrenztem Wissen und unvollständigen Informationen; Häufig auf Schätzungen basierend)
6. KI als Restterm
(Intelligenz als Konstrukt nicht erklärbaren Verhaltens)
43
ML: Unsupervised (Unüberwachtes) Learning, Supervised (Verstärkendes) Learning, Reinforced (Überwachtes) Learning
44
ML: Sequenzklassifierungsaufgabe, Segmentklassifizierungsaufgabe, Zeitklassifierungsaufgabe
45
Wann ist der Einsatz von KI sinnvoll?
46
Möglichkeiten nicht-KI-basierter Techniken ("Was sind einfachere Techniken einer KI zu bevorzugen?")
47
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.
48
Definition "Neuronale Aktivität"
Grundlegendste Ebene der Informationsverarbeitung, welche die Modellierung verschiedener Arten biologischer und chemischer Prozesse vereinfacht.
49
Bildung künstlicher Neurone (Abbildung)
50
Definition "Künstliche Neuron"
Eine künstlich erregbare Nervenzelle, welche eine elektrische und chemische Signalverarbeitung und Weiterleitung modelliert. Im Verbund simulieren sie Teile des Nervensystems (= Gehirn).
51
Definition "Cluster Problems" , "Classification Problems", "Prediction Problems"
52
Unterteilung NN nach Architektur
53
Definition "Encoding", "Transformation", "Decoding"
54
Modifikationen des Backpropagation-Algorithmuses (Backpropagation mit Momentum, Resilient Propagation, QuickProp, Backpercolation)
55
Welche Größe müssen NN erhalten?
56
Definition "Zeitunabhängige NN", "Zeitabhängige NN"
57
Abbildung "Standard Rekurrente NN", "RNN mit LSTM-Blöcken"
58
Die "LSTM-Architektur"
59
Definition "Radial Basis Networks"
60
Definition "Partially Recurrent Networks" ("Jordan Networks", "Elman Networks")
61
Definition "Convolutional Networks" -> "Convolutional Layer Architektur"
62
Convolutional NN Architecture: "Detection", "Identification"
63
Definition "Auto-Associative Networks" -> Hopfield Networks vs. Boltzmann Machines & Simulated Annuealing Machines
64
Definition "Topological Networks" -> "Kohonen Feature Maps and Self-Organizing Maps", "Neuronal Gas"
65
Projektorientierte KI-Toolauswahl
1. Problemidentifikation
2. Datenanalyse
3. Evaluation technischer Ansätze
4. Spezifizierung der technischen Ausgestaltung
5. Analyse vorhandener Tools
6. Integrative Implementierung
7. Projektspezifische Implementierung
8. Analyse/Evaluation/Interpretation
9. Ergebnisverwendung
66
Methodischer Einsatz der ML Frameworks
Phase 1: Anpassung an die unternehmensspezifischen Anforderungen
Phase 2: Toolergänzung und individuelle Toolüberprüfung
Phase 3: Analyse und Vergleich ausgewählter Tools
Phase 4: Erstellung eines Rankings
Phase 5: Auswahl des besten ML-Tool
67
(Abbildung) Unternehmensspezifik bei der KI-Tool-Auswahl
68
(Abbildung) Forschungscharakteristik bei der KI-Tool-Auswahl
69
Methode "Trainings- und Testzyklen" (Wie kann ich ein Training meines NN starten?)
Initialisierung
70
(Abbildung) Methode "Trainings- und Testzyklen
71
Methode "Trainings- und Testzyklen" (Wie kann ich mit dem Training aufhören?)
Stop-Kriterium
72
Definition "Generalisierungsfähigkeit" (Wie gewährleistet man, dass NN Daten nicht einfach auswendig lernen?) -> Overfitting, korrekte Generalisierung, Underfitting
73
(Abbildung) "Generalisierungsfähigkeit"
74
Methode "Intelligente Datenaufteilung" -> Batch Learning vs. Online Learning
75
(Abbildung) Methodischer Ansatz zur Übertragung auf mobile Anwendungen
76
(Abbildung) Methodischer Ansatz zur neuronalen Verankerung im Unternehmen
77
Definition "Rassistische KI"
78
Thema "Brain Machine Interfaces": Ausgewählte Experimente rund um Migue Nicolelis -> Experiment 1, 2, 3
79
Entwicklungstendenzen von "Brain-Machine-Interfaces"
80
Wissen und wie entsteht ein Gedanke (Ethische Fragestellungen)
81
Definition "Machine Morality" -> Isaac Asimov's fundamental Rules of Robots
82
Gesellschaftliche Veränderungen -> Bestrebungen zur Schaffung einer Gesetzeslage, Annahmen in der Öffentlichkeit
83
Versuch einer Anforderungssammlung
84
Organisation als Maschine (Begründung durch Max Weber)
85
Anwendbarkeit der mechanistischen Organisation, Schwächen der mechanistischen Organisation
86
Organisation als Organismus (Basis Kontingenztheorie nach Burns und Stalker; Anpassungsfähige Organisationen)
87
Beurteilung der Anpassungsfähigkeit -> Fragestellungen
88
(Abbildung) Anpassungsfähigkeit und organisatorische Subsysteme
89
(List) Stärken und Schwächen der Organismusmetapher
90
Definition "Kultur", "Kultur und Subkultur" (Organisation als Kultur)
91
Organisation als politisches System -> Kennzeichnen, Machtinstrumente
92
Organisation als sich verändertes System -> Einführung des Systembegriffes, Der Weg zur Systemtheorie
93
(Abbildung) Lernzyklen -> Single-loop vs. Double-loop Lernen
94
(Abbildung) Ebenen einer ML-Auswahlmethodik
1. Datenebene
2. Anwenderebene
3. ML-Ebene
4. Entwicklungsebene
95
Definition "Enterprise Architecture"
An architecture defining and interrelating data, hardware, software, and communication resources as well as the supporting organization required to maintain the overall physical structure required by the architecture.
96
Definition "BSP Framework (Business Systems Planning)"
1. Preparation (obtain authorization for the study, study prep. and beginning)
2. Analytical (define business strategy, processes, define data classes, analyse current info support, discuss analysis results with management)
3. Final (define the information architecture, establish priorities, verify the impact of study to IS, managing, results presentation, next procedure (proposal))
97
Definition/Abbildung "The Zachman Framework"
98
Definition/Abbildung "The TOGAF Framework" (4 Domäne, 9 Phasen)
The Open Group Architecture Framework.
4 Domäne:
1. Geschäftsarchitektur
2. Datenarchitektur
3. Anwendungsarchitektur
4. Technologiearchitektur
9 Phasen zur Architekturentwicklung (Architecture Development Method/ ADM):
1. Architecture Vision
2. Business Architecture
3. Information Systems Architectures
4. Technology Architecture
5. Opportunities and Solutions
6. Migration Planning
7. Implementation Governance
8. Architecture Change Management
9. Requirements Management
99
Definition/Abbildung "The ARIS Framework)
Architecture of Integrated Informationsystems.
Information System Architecture-oriented EA.
Build-Time-Konfiguration
1. Prozessgestaltung
(Prozess- und Produktmodell, Referenzmodelle, Wissensmanagement, Bewertung, Benchmarking, Simulation, Qualitätssicherung, Process Warehouse)
2. Prozessplanung und -steuerung
(Monitoring, Zeit- und Kapazitätssteuerung, Executive Information System)
3. Workflowsteuerung
4. Anwendungssystem
(Standardsoftwaremodule, Komponenten, Business Objects, Objektbibliotheken, Internet-Applets, Datenbank)
100
Definition/Abbildung "The CIMOSA Framework"
Computer Integrated Manufacturing Open System Architecture.
Information System Architecture-oriented EA.
* Es gibt Anforderungen (menschliche, systemische), welche als Würfel dargestellt sind, die definiert wurden und in "Life Cycle", "Generic" und "View"-Dimensionen zugeordnet werden.
3 Life cycle dimensions:
1. Requirement definition
2. Design specification
3. Implementation description
3 Generic dimensions:
1. Generic
2. Partial
3. Particular
4 View dimensions:
1. Organization view
2. Resource view
3. Information view
4. Function view
101
Definition/Abbildung "Kognitive Software-Architektur"
AI Software Architecture-oriented EA.
102
Definition/Abbildung "NEA" (Neuronal Enterprise Architecture"
103
Definition "Datenmanagement"
104
Abbildung "Referenzarchitekturen für Datenmanagement"
105
List "Datenmanagementsysteme" (Dateninfrastruktur, Datenservices & APIs, Speichermöglichkeiten, Data Fabrics)
106
List "Relationen des Geschäftsprozesses"
107
Abbildung "Geschäftsprozessumwelt"
108
Definition "Business Process Model" (Geschäftsprozessmodell)
109
Vergleich von Prozess und Geschäftsprozess
110
Definition "Process model"
111
Definition "Neuronal Process Model"
112
Definition "Wissen"/"Lernen"
A. Everyday Understanding
B. Philosophical Definition
C. Educational Definition
D. Pedagogical and Cognitive-Psychological Definition
E. KM- and KL-oriented Definition
F. IS-oriented and AI-based Definition
G. Neuro-Science and Cognitive-Science Definition
113
Abbildung "Übersicht der philosophischen Ansätze zur Definition von Wissen"
114
Abbildung "Memory and Overload Theory"
115
Definition "Knowledge"
116
Definition "Knowledge Process Modeling Language"
117
Liste "Modellierungssprachen", "Zugehörige WM-Ansätze mit Prozessorientierung"
118
Definition "eEPK-Modellierung" (Ansatz, Modellierung)
119
Abbildung "ANN Process Domain"
120
Liste "Konzept des neuronalen Modellierens" (Concept of Neuronal Modeling (CoNM)
1. Simulation
2. Prozess-Netzwerk
3. Prozess
4. Aktivität
5. Aktivierung
6. Neurone
121
Definition "Neuronal Process Model"
122
Definition "Concept of Neuronal Modeling"
123
Abbildung "Bedeutung neuronaler Prozesse für das WM"
124
Definition "Simulation Modeling"
125
Definition "Simulation Model"
126
Definition "Methodik des Simulierens" (Sequentielle Modelle, Ebenen-basierte Modelle, Hiarchie-basierte Modelle, Cyclic Models, Prediction-based Models)
127
Definition "Space Markup Language"
128
Definition "Flussdiagramm"
129
Definition "System Dynamics"
130
Liste "Simulation Tools" (AnyLogic, SimPy, Matlab, ARIS-Plattform, Signavio-Plattform)
131
Liste "Leistungsmessung (KPI) für ConM"
132
Abbildung "Methodischer Ansatz zur neuronalen Verankerung im Unternehmen"
133
Definition "Manufacturing Analytics - Produktionsanalytics"
134
Definition "Business Intelligence"
135
Definition "Business Analytics"
136
Liste "Potenziale von Business Analytics für den Erhalt der Wettbewerbsfähigkeit"
137
Abbildung "Fähigkeiten, die für BI benötigt werden"
138
Abbildung "Techniken des BI im Überblick"
139
Definition "Organisation mit maschinellem Speicher" vs. "Organismus mit menschlichem Gedächtnis"
140
Abbildung "Rolle von Daten, Informationen bei BI und BA"
141
Liste "Häufige Entscheidungsfehler im Produktionsmanagement"
142
Liste "Perspektive im Manufacturing Analytics"
143
Liste "Möglichkeiten durch BA (nach Davenport)"
144
Abbildung "Reifegradstufen" (Unternehmenswert im Fokus)
145
Abbildung "Reifegradstufen" (Eingesetzte Technik im Fokus)
146
Definition "Big Data" inkl. Charakteristiken, "Big Data"-Umwelten, "Big Data"-Lösungen
147
Abbildung "Trade-off der Datenveredelung"
148
Liste "Auswahlkriterien für den Big Data Ansatz"
149
Liste/Definition "Parallelisierbare Verarbeitungen"
150
Liste/Definition "Distributed Memory"
151
Liste/Definition "MapReduce"
152
Abbildung "Erstellungsproess für Business Analytics"
153
Liste "Voraussetzungen für Business Analytics"
154
Liste "Herausforderung von Business Analytics" (Entwickler, Anwender)
155
Definition "Geschäftsmodell"
156
Definition "KI-basierte Geschäftsmodelle"
157
Abbildung "Business Model Canvas"
158
Beispiel (Business Model Canvas) "Dimensionen von Dienstleistungsinnovationen"
159
Beispiel (Business Model Canvas) "ERP-Systemen und neuen KI-ERP-Rollen"
160
Definition "Open-Source-Lizensierung" inkl. 4 Freiheiten von Software
161
Definition "Creative-Commons-Lizensierung"
162
Liste "Welche Determinanten einer nachhaltigen Umgangs mit KI sollten im Management berücksichtigt werden?"
1. Hardware components
2. Infrastructure characteristics
3. Task type requirements
4. Algorithmic aspects
5. Situational variations
6. Environmental changes
163
Definition "Ökosystem"
Die Ausgestaltung eines technisches Ökosystems ermöglicht das Zusammenwirken diverser Anwendertypen und Rollen mit individuellen Geschäftsmodellen.
