Grundlagen Der Wirtschaftsinformatik - Künstliche Intelligenz PDF

GRUNDLAGEN DER WIRTSCHAFTSINFORMATIK Künstliche Intelligenz Cologne Institute for IS | Prof. Dr. Stefan Seidel Wintersemester 1 2024/25 Themen...

GRUNDLAGEN DER WIRTSCHAFTSINFORMATIK Künstliche Intelligenz Cologne Institute for IS | Prof. Dr. Stefan Seidel Wintersemester 1 2024/25 Themen Informationssysteme Datenmanagement und Nachhaltigkeit Informationssysteme Internet der Dinge und Digitalisierung Geschäftsprozess- Künstliche Intelligenz management Informationssysteme Systementwicklung und Organisationen Enterprise Systems & Informationssysteme Business Intelligence und Ethik Digitale Infrastruktur Digitale und Plattformen Geschäftsmodelle Informations- Metaverse management Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 2 2024/25 Scheinbarer Schachroboter (1769) Bild: Joseph Racknitz, Public domain, via Wikimedia Commons Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 3 2024/25  https://pixabay.com/photos/echo-dot-amazon-language- assistant-2937627/ Pixabay License Free for Commercial Use No attribution required Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 4 2024/25  Bild Basierend auf Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I., & Fergus, R. (2013). Intriguing properties of neural networks. arXiv preprint arXiv:1312.6199. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 5 2024/25  In morning's soft and muted light, a Friday tale begins, Information systems lecture, where the dance of knowledge spins. Eyes weary yet wide, in the 8 am hush, In the glow of wisdom’s whispers, the world awakes in a rush. Data tales and binary dreams, through the ether, they flow, A symphony of thought unravels, as the dawn begins to glow. Sleepy students sipping coffee, on keyboards their fingers dance, A futuristic house by the sea in In the early hours of wisdom, they seize their chance. photorealistic style In the heart of a burgeoning day, a digital canvas comes alive, From the whispering dawn to the chime of nine, their understanding strives to thrive. ChatGPT 4.0 Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 6 2024/25 Heute Künstliche Intelligenz Maschinelles Lernen Management künstlicher Intelligenz Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 7 2024/25  Künstliche Intelligenz Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 8 2024/25 Was sagt künstliche Intelligenz über künstliche Intelligenz? „Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit von Maschinen oder Computersystemen, Aufgaben auszuführen, die normalerweise menschliches Denken und Verhalten erfordern. KI ermöglicht es Computern, Muster zu erkennen, Schlussfolgerungen zu ziehen, Probleme zu lösen, natürliche Sprache zu verstehen und sogar menschenähnliche Fähigkeiten wie Lernen und Anpassung zu entwickeln.“ ChatGPT 4.0, prompted 2023-06-14 („Was ist künstliche Intelligenz?“) Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 9 2024/25 Ein Schritt zurück: Was ist Intelligenz? „Die meisten Psychologen halten sich heute an die folgende Intelligenzdefinition: die Fähigkeit, aus Erfahrung zu lernen, Probleme zu lösen und sich an neue Situationen anzupassen.“ Myers D.G. (n.d.). Kapitel 11: Intelligenz. Lehrbuch Psychologie. https://lehrbuch-psychologie.springer.com/content/myers-kapitel-11-intelligenz (retrieved 2023-06-15) Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 10 2024/25 Ein Schritt zurück: Was ist Intelligenz? „in der Psychologie ein hypothetisches Konstrukt (d.h. eine Erklärung für ein nicht direkt beobachtbares Phänomen), das die erworbenen kognitiven Fähigkeiten und Wissensbestände einer Person bezeichnet, die ihr zu einem gegebenen Zeitpunkt zur Verfügung stehen.“ Maier, G. W. (n.d.). Intelligenz. https://wirtschaftslexikon.gabler.de/definition/intelligenz-37696/version-261129 (retrieved 2023-06-15) Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 11 2024/25 Künstliche Intelligenz “making a machine behave in ways that would be called intelligent if a human were so behaving” McCarthy, J. L., Minsky, M. L., Rochester, N., and Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf, p.11. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 12 2024/25 Künstliche Intelligenz Thinking Humanly Thinking Rationally “The exciting new effort to make computers think … “The study of mental faulties through the use of machines with minds, in the full and literal sense.” computational models.“ (Charniak and McDermott, 1985) (Haugeland, 1985) “The study of computations that make it possible to “ [The automation of] activities that we associate with perceive, reason, and act.“ (Winston, 1992) human thinking, activities such as decision-making, problem solving, learning …” (Bellman, 1978) Acting Humanly Acting Rationally “The art of creating machines that perform functions that “Computational Intelligence is the study of the design of require intelligence when performed by people“ (Kurzweil, intelligent agents.“ (Poole et al., 1998) 1990) “AI… is concerned with intelligent behavior in artifacts.“ “The study of how to make computers do things at which, (Nilsson, 1998) at the moment, people are better.“ (Rich and Knight, 1991) Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 13 2024/25 KI als emergentes Phänomen KI ist die aktuelle Grenze des Fortschritts in der Computertechnologie, die – bezugnehmend auf menschliche Intelligenz – ermöglicht, immer komplexere Entscheidungsprobleme zu adressieren. AI is “the frontier of computational advancements that references human intelligence in addressing ever more complex decision-making problems.” Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artificial intelligence. MIS Quarterly, 45(3). Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 14 2024/25 Starke und schwache KI Starke KI Intelligenz, Bewusstsein, Willen, Emotionen Erzeugt unrealistische Ängste Schwache KI Fokus auf konkrete Anwendungsprobleme Signifikante Fortschritte in den vergangenen Jahren (Algorithmen, Daten, Hardware) Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 15 2024/25  Maschinelles Lernen Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 16 2024/25 Beispiel: Spam-Filter Herausforderung Spamfilter müssen unerwünschte und potenziell schädliche E-Mails (Spam) von legitimen Nachrichten unterscheiden. Spam-Nachrichten können vielfältig sein und ihre Urheber können versuchen, bestehende Filter zu umgehen. Ansatz 1: Regelbasierter Spam-Filter Kontinuierliche Anpassungen, um neue Typen von Spam-Nachrichten erkennen zu können Vorhersage von Varianten und Erstellung manueller Regeln Ansatz 2: ML-basierter Spam-Filter ML kann große Datenmengen verarbeiten. ML-Modell kann auf Beispielen (Trainingsdaten) trainiert werden, um Spam zu erkennen. ML-Modell kann so automatisch angepasst werden. Die Manuelle Aktualisierung von Regeln ist nicht nötigt. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 17 2024/25 Der traditionelle Ansatz: Regelbasierte Systeme Frühe KI-Systeme waren regelbasiert. 5. Starten Die Regeln mussten manuell kodiert werden. Probleme 1. Problem 2. Regeln 3. Evaluieren beschreiben schreiben Explikation impliziten Wissens Komplexität der Umwelt/Entscheidungssituation 4. Fehler Veränderung der Umwelt/Entscheidungssituation analysieren Géron, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (p. 26). O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 18 2024/25 Maschinelles Lernen (Machine Learning) Leistung eines Computerprogramms verbessert sich mit zunehmender Erfahrung in Bezug auf bestimmte Aufgabenklassen und Kennzahlen Algorithmen lernen iterativ aus problemspezifischen Trainingsdaten Computer können verborgene und komplexe Zusammenhänge identifizieren und Vorhersagen treffen, ohne explizit programmiert zu werden Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685-695. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 19 2024/25 Maschinelles Lernen Maschinelles Lernen ist das Forschungsgebiet, das Computern die Fähigkeit verleiht, zu lernen, ohne explizit programmiert zu werden. [Machine learning is the] “field of study that gives computers the ability to learn without being explicitly programmed.” Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of research and development, 3(3), 210-229. Cologne Institute for IS | Prof. Dr. Stefan Seidel Wintersemester 20 2024/25 Vereinfachter Prozess in KI- und Datenanalyse-Projekten Modell mit Problem Daten Daten Testen verstehen aufbereiten trainieren Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 21 2024/25 Trainieren von Modellen Trainieren von Modellen ist sehr rechenintensiv (Hardware matters!) Modelle werden oft hunderte Mail mit den gleichen Trainingsbeispielen konfrontiert Ziel: geeignete Muster und Entscheidungsregeln zu lernen Herausforderung: Ermittlung von Größe und Zusammensetzung des Modells Schneider, J., & Vlachos, M. (2020). Explaining Neural Networks by Decoding Layer Activations. Advances in Intelligent Data Analysis. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 22 2024/25 Der ML-Ansatz Daten 5. Starten 1. Problem 2. ML-Modell 3. Evaluieren beschreiben trainieren 4. Fehler analysieren Géron, A. (2023) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (p. 26). O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 23 2024/25 Automatische Anpassungen an Veränderungen 1. ML-Modell 2. Evaluieren trainieren Kann automatisiert Daten werden 1. Ge-Updatete 3. Starten Daten Géron, A. (2023) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (p. 26). O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 24 2024/25 Drei wichtige Arten maschinellen Lernens Überwachtes Unüberwachtes Bestärkendes Lernen Lernen Lernen (Supervised (Unsupervised Reinforcement Learning) Learning) Learning) Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 25 2024/25 Überwachtes Lernen Beim überwachten Lernen enthält der Trainingssatz die Ergebnisse (Labels) (es handelt sich also um bekannte Input-Output-Kombinationen). Entscheidungsmerkmale können so aus historischen Daten extrahiert werden. Typische Anwendungen Klassifikation Regression (Vorhersage von Zielwerten) Terminologie Ziel (Target), Label Prediktoren (Predictors), Features, Attribute Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 26 2024/25 Überwachtes Lernen: Klassifikation (Classification) Instanz Label Neue Instanz Trainingsdatensatz mit Labeln für Spam-Klassifikation Géron, A. (2023) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (p. 34). O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 27 2024/25 Überwachtes Lernen: Klassifikation Aus Schneider, J. Seidel, S. (2021), Verantwortungsvoller, nachhaltiger Umgang mit Daten und künstlicher Intelligenz. Forschungsmagazin 160, Ausgabe 2. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 28 2024/25 Überwachtes Lernen: Regression Vorhersage eines Wertes auf der Basis von Features Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 29 2024/25 Nicht-überwachtes Lernen (Unsupervised Learning) Trainings-Daten haben keine Labels Typische Anwendungen Anomalie-Erkennung in Cybersecurity (Erkennung ungewöhnlicher Muster) Kundensegmentierung (Identifikation von Kundengruppen, um Marketingstrategien zu entwickeln) … Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 30 2024/25 Nicht-überwachtes Lernen (Unsupervised Learning): Clustering Feature 2 Trainingsdatensatz Clustering Feature 1 Géron, A. (2023) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (p.634). O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 31 2024/25 Verstärkendes Lernen (Reinforcement Learning) Agent erlernt Strategie, um Belohnungen zu maximieren Agent beobachtet seine Umwelt, wählt Aktionen aus, führt diese durch und erhält Belohnungen bzw. negative Belohnungen Typische Anwendungen Autonome Fahrzeuge Robotik (Computer-)spiele (Bekanntes Beispiele: AlphaGo) …. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 32 2024/25  1. Situation erfassen 2. Aktion wählen 4. Strategie und durchführen anpassen 3. Belohnung/Bestraf ung erhalten Géron, A. (2023) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media. Kindle Edition. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 33 2024/25 Neuronale Netze Abbildung: Dake, Mysid, CC BY 1.0 , via Wikimedia Commons Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 34 2024/25  Management künstlicher Intelligenz Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 35 2024/25 Facetten Autonomie (Autonomy) Lernen (Learning) Undurchschaubarkeit (Inscrutability) Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artificial intelligence. MIS Quarterly, 45(3). Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 36 2024/25 Die Rolle von Managern Manager entscheiden über KI. Manager verwenden KI in der Entscheidungsfindung / KI unterstützt Entscheidungsfindung. Manager allokieren Ressourcen, managen Projekte. Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artificial intelligence. MIS Quarterly, 45(3). Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 37 2024/25 Arbeit verändert sich – Beispiel: Design Seidel, S., Berente, N., Lindberg, A., Lyytinen, K., & Nickerson, J. V. (2018). Autonomous tools and design: a triple-loop approach to human-machine learning. Communications of the ACM, 62(1), 50-57. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 38 2024/25 Beispiel: Design A futuristic house by the sea in photorealistic style Seidel, S., Berente, N., Martinez, B., Lindberg, A., Lyytinen, K., & Nickerson, J. V. (2018). Autonomous Tools in System Design: Reflective Practice in Ubisofts Ghost Recon Wildlands Project. Computer, 51(10), 16-23. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 39 2024/25 Mensch-Maschine Lernen Seidel, S., Berente, N., Lindberg, A., Lyytinen, K., & Nickerson, J. V. (2018). Autonomous tools and design: a triple-loop approach to human-machine learning. Communications of the ACM, 62(1), 50- 57. Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 40 2024/25 Zusammenfassung KI als emergenter Prozess, nicht Technologie Maschinelles Lernen als Kernbereich der KI Arbeit verändert sich durch neue Interaktionen zwischen Menschen und Maschinen Herausforderung für das Management – Design, Entscheidungsfindung, Projekte… Wintersemester Cologne Institute for IS | Prof. Dr. Stefan Seidel 41 2024/25 KONTAKT Cologne Institute for Information Systems (CIIS) Professorship for Information Systems (www.is4.uni-koeln.de) Prof. Dr. Stefan Seidel [email protected] Cologne Institute for IS | Prof. Dr. Stefan Seidel Wintersemester 42 2024/25