Zusammenfassung
Der vorliegende Beitrag wagt auf der Basis vergangener und aktueller Entwicklungen von Künstlicher Intelligenz (KI) einen Ausblick auf zukünftige Leistungen von KI in spezifischen Gebieten. Es wird argumentiert, dass KI ein eigenständiger Megatrend mit zahlreichen Auswirkungen auf die Gesellschaft und v. a. auch auf die Wirtschaft in unterschiedlichen Bereichen und Ebenen mit zahlreichen Anknüpfungspunkten diverser Geschäftsbereiche und -modelle ist. Es wird gezeigt, dass die wesentliche Stärke von KI einerseits die exakte Analyse und das zur Erreichung von vordefinierten Zielen optimale Inbeziehungsetzen spezifischer Parameter ist. Andererseits vermag KI bestimmte Prognosen zu fundieren. Aus diesem Grund wird der Chatbot ChatGPT des Entwicklers OpenAI zur Zukunft von KI befragt – eine KI trifft also Vorhersagen über KI. Dieser vielversprechende Ansatz wird dennoch kritisch reflektiert und der Beitrag mit einer Beleuchtung von starker und schwacher KI im Unternehmenskontext sowie einer prüfenden Deskription der bevorstehenden KI-Evolution abgeschlossen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Notes
- 1.
Die Entwickler (OpenAI 2023) beschreiben ChatGPT wie folgt: “(…) a model (…) which interacts in a conversational way. The dialogue format makes it possible for ChatGPT to answer followup questions, admit its mistakes, challenge incorrect premises, and reject inappropriate requests.” Die Antworten wurden mit einem zum Zeitpunkt der Verfassung des Artikels für jeden zugänglichen Basic-Account generiert (Stand: 1.3.2023, GPT-3). Es wurde stets die erste ausgegebene Antwort ohne Veränderung der Ausgabe verwendet. Zur Drucklegung des Buches war GPT-4 bereits verfügbar, allerdings nur für zahlende Kunden, was die Replizierbarkeit der zitierten Ausgaben von ChatGPT erschwert hätte; von der Entwicklung von GPT-3 zum Release von GPT-4 sind knapp 3 Jahre vergangen.
- 2.
Beim Machine Learning entwickeln Computer auf Datenbasis und unter Bildung spezieller Modelle (durch das Erkennen von Mustern und Beziehungen in den Daten) spezifische Algorithmen, um Prognosen zu tätigen oder Entscheidungen zu treffen; sie müssen dafür nicht explizit programmiert werden (Buxmann & Schmidt 2021a; Gentsch 2018, S. 37 ff.; Wennker 2020, S. 9-37). Unterschieden werden z. B. das überwachte Lernen (supervised learning), bei dem das Modell mit von Menschen gelabelten Daten trainiert wird. Beim unüberwachten Lernen (unsupervised learning) erkennt das Modell selbstständig Muster ohne menschliches Zutun.
- 3.
Natural Language Processing (NLP) beschäftigt sich mit der Verarbeitung und Analyse natürlich-menschlicher Sprache und nutzt hierfür Technologien und Algorithmen (v. a. neuronale Netze; vgl. hierzu die nachfolgende Fußnote), um Sprachdaten automatisch zu verstehen, zu analysieren, zu generieren oder zu übersetzen (Kreutzer & Sirrenberg 2019, S. 28 ff., Buchkremer 2020).
- 4.
Deep Learning ist ein Teilbereich des maschinellen Lernens mit dem Ziel, komplexe Probleme mithilfe von mehrschichtigen, künstlichen neuronalen Netzen zu lösen (Shinde & Shah 2018; LeCun, Bengio & Hinton 2015). Ein künstliches neuronales Netzwerk ist ein mathematisches Modell, das nach dem Vorbild natürlicher neuronaler Netzwerke (z. B. in unserem Gehirn) durch das Zusammenwirken von vielen einzelnen künstlichen Neuronen (Einheiten) gebildet wird (speziell zum Einsatz in KMU vgl. Klüver & Klüver 2022). Deep Learning bezieht sich damit auf neuronale Netze, die viele Schichten von Neuronen enthalten und somit tiefer und komplexer sind als traditionelle neuronale Netze (Goodfellow, Bengio & Courville 2016; Hao, Zhang & Ma 2016). Deep Learning-Modelle sollten mit umfangreichen Trainingsdatensätzen (big data) angelernt werden, um die für die Zielerreichung notwendigen, komplexen Muster in den Daten zu erkennen und hieraus Schlussfolgerungen zu ziehen oder Prognose zu treffen (Rusk 2016). Das Training von Deep Learning-Modellen ist jedoch zeitaufwendig und erfordert für die Berechnungen i. d. R. leistungsstarke Computer mit GPUs (Graphics Processing Units).
- 5.
Ein weiteres Beispiel ist die Verwendung von Blockchain und KI in der IT-Sicherheit. Hier wird KI verwendet, um Angriffe und Bedrohungen in Echtzeit zu erkennen (etwa Wennker 2020, S. 151 ff.), diese blockchai-nseitig zu dokumentieren und auf diese zu reagieren. Die Verbindung von KI und Blockchain kann somit innovative und automatisierte Lösungen schaffen und die Effizienz und Sicherheit von Datentransaktionen verbessern. Derzeit sind den Autoren jedoch keine entsprechenden, robusten Systeme in der Anwendung bekannt, weshalb diese Thematik vielmehr zukunftsorientiert ist.
- 6.
Beim Process Mining geht es darum, datenbasiert (z. B. auf der Grundlage von Ereignisprotokollen oder Logdaten aus Quellen von Businesssoftware wie SAP, Oracle, Salesforce o.ä.) Geschäftsprozesse entlang der Liefer- bzw. Wertschöpfungskette von IT-Systemen übergreifend zu analysieren (überblickshaft Reinkemeyer 2012). Damit können unternehmensinterne Einblicke in Prozesse erlangt werden, indem die reale Durchführung von Aktivitäten, die Einhaltung von Regeln und die Interaktion zwischen Systemen und Benutzern resp. Mitarbeitern unter Berücksichtigung von Abhängigkeiten und Zusammenhängen zunächst visualisiert und anschließend geprüft werden (van der Aalst 2012). Im Hinblick auf die Prüfung der Nachhaltigkeit können zur Effizienzoptimierung spezifische Kennzahlen und Datenschlüssel herangezogen werden, etwa Emissionsfaktoren.
- 7.
Beispiele für LC-Plattformen sind Teachable Machine (https://teachablemachine.withgoogle.com/), Outsystems (https://www.outsystems.com/), PyCaret (https://pycaret.org/) oder Pega Infinity (https://www.pega.com/de/infinity); Beispiele für NC-Plattformen sind Clarifai (https://www.clarifai.com/), Levity (https://levity.ai/), AutoML (https://cloud.google.com/automl) oder auch AI-UI (https://ai-ui.ai/; Stand aller Verlinkungen: 1.3.2023).
Literatur
Agarwal, P. K., Gurjar, J., Agarwal, A. K., & Birla, R. (2015). Application of artificial intelligence for development of intelligent transport system in smart cities. International Journal of Transportation Engineering and Traffic System, 1(1), 20–30.
Aithal, P. S., & Aithal, S. (2016). Opportunities & challenges for green technology in 21st century. International Journal of Current Research and Modern Education, 1(1), 818–828.
Altenburger, R. (2021). Künstliche Intelligenz im Spannungsfeld Innovation, Effizienz und gesellschaftliche Verantwortung. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 189–207). Springer Gabler.
Bach, N., & Lindig, S. (2021). KI in der Intralogistik. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 311–318). Springer Gabler.
Baierl, R., & Nitzsche, B. (2021). Künstliche Intelligenz im deutschen Mittelstand – Empfehlungen für eine erfolgreiche Implementierung. Geschäftsmodelle – Serviceinnovationen – ImplementierungIn. In M. Bruhn & K. Hadwich (Hrsg.), Künstliche Intelligenz im Dienstleistungsmanagement (Bd. 1, S. 314–329). Springer Gabler.
Balog, M., Gaunt, A. L., Brockschmidt, M., Nowozin, S., & Tarlow, D. (2017). DeepCoder: Learning to write programs. ICLR, 2017, 1–21.
Barton, T., & Müller, C. (2021). (Hrsg.). Künstliche Intelligenz in der Anwendung. Rechtliche Aspekte, Anwendungspotenziale und Einsatzszenarien. Springer Vieweg.
Bauer, W., Ganz, W., Hämmerle, M., & Renner, T. (Hrsg.). (2019). Künstliche Intelligenz in der Unternehmenspraxis. Studie zu Auswirkungen auf Dienstleistungen und Produktion. Fraunhofer.
Beck, S., Grundwald, A., Jacob, S. K., & Matzner, T. (2019). Künstliche Intelligenz und Diskriminierung. Herausforderungen und Lösungsansätze. Whitepaper. Plattform Lernende Systeme.
Boll, S., Schnell, M. et al. (2022). Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen – Nachhaltigkeit von, durch und mit KI. Whitepaper aus der Plattform Lernende Systeme.
Bosse, S., Berns, K., Bosch, J., Dörr, J., Eichhorn, F. C., & Eisert, P. et al. (2023). Nachhaltige Landwirtschaft mittels Künstlicher Intelligenz – ein plattformbasierter Ansatz für Forschung und Industrie. In C. Hoffmann, A. Stein, A. Ruckelshausen, H. Müller, T. Steckel, & H. Floto (Hrsg.), 43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme (S. 41–52). Gesellschaft für Informatik.
Brandstetter, N., Dobler, R.-M., & Ittstein, D. J. (2020). Künstliche Intelligenz: Interdisziplinär. UVK.
Buchkremer, R. (2020). Natural Language Processing in der KI. In R. Buchkremer, T. Heupel, & O. Koch (Hrsg.), Künstliche Intelligenz in Wirtschaft & Gesellschaft. Auswirkungen, Herausforderungen & Handlungsempfehlungen (S. 29–45). Springer Gabler.
Burgwinkel, D. (2016). Blockchaintechnologie und deren Funktionsweise verstehen. In D. Burgwinkel (Hrsg.), Blockchain Technology: Einführung für Business- und IT Manager (S. 3–50). De Gruyter.
Buchkremer, R., Heupel, T., & Koch, O. (2020). Künstliche Intelligenz in Wirtschaft & Gesellschaft. Auswirkungen, Herausforderungen & Handlungsempfehlungen. Springer Gabler.
Burchardt, A., & Aschenbrenner, D. (2021). Praxisleitfaden KI = Kollaborativ und Interdisziplinär. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 11–19). Springer Gabler.
Buxmann, P. & Schmidt, H. (2021a). Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens. In P. Buxmann, H. Schmidt (Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 3–25). Springer Gabler.
Buxmann, P., & Schmidt, H. (2021b). Ökonomische Effekte der Künstlichen Intelligenz. In P. Buxmann, H. Schmidt (Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 27–45). Springer Gabler.
Buxmann, P., & Schmidt, H. (2021c). Ethische Aspekte der Künstlichen Intelligenz. In P. Buxmann, & H. Schmidt (Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 215–229). Springer Gabler.
Carros, F., Eilers, H., Langendorf, J., Gözler, M., Wieching, R., & Lüssem, J. (2022). Roboter als intelligente Assistenten in Betreuung und Pflege – Grenzen und Perspektiven im Praxiseinsatz. In M. A. Pfannstiel (Hrsg.), Künstliche Intelligenz im Gesundheitswesen (S. 793–819). Springer Gabler.
DFKI. (Deutsches Forschungszentrum für Künstliche Intelligenz, 2023): Künstliche Intelligenz für Umwelt und Nachhaltigkeit. https://www.dfki.de/web/forschung/kompetenzzentren/ki-fuer-umwelt-und-nachhaltigkeit. Zugegriffen: 01. März 2023.
Dobrev, D. (2012). A definition of artificial intelligence. arXiv preprint arXiv:1210.1568.
Feldmann, A. (2021). Vorausschauende Wartung skalieren und dadurch die Kosten für Windenergie senken. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 105–124). Springer Gabler.
Fischer, H. (2019). Verkehrssituationen verstehen mit künstlicher Intelligenz. ATZextra, 24, 16–19.
Flessner, B. (2022). Im emotionalisierten Raum. Human Factors in Hardware- und Software-Design von Robotern und Künstlicher Intelligenz. In Schäfer, K., Steinmüller, K., Zweck, A. (Hrsg.), Gefühlte Zukunft. Zukunft und Forschung (S. 199–218). Springer VS.
Formica-Schiller, N. (2021). Künstliche Intelligenz und Blockchain im Gesundheitswesen. Wie COVID-19 und zukunftsweisende Technologien den Status quo revolutionieren. Urban & Fischer.
Fritz, T. (2021). Analyse des Einsatzes von Künstlicher Intelligenz in der Energiewirtschaft. Geschäftsmodelle - Serviceinnovationen – ImplementierungIn. In M. Bruhn & K. Hadwich (Hrsg.), Künstliche Intelligenz im Dienstleistungsmanagement (Bd. 1, S. 449–470). Springer Gabler.
Gawron, S., & Gerth, S.(2022). Anwendbarkeit der Blockchain-Technologie für Unternehmen aus Perspektive der EU-DSGVO. In: Gerth, S., L. Heim (Hrsg.), Entrepreneurship der Zukunft. Digitale Technologien und der Wandel von Geschäftsmodellen (S. 183–219). Springer Gabler.
Gerth, S., & Heim, L. (2020). Trust through Digital Technologies: Blockchain in Online Consultancy Services. ICBCT’20: Proceedings of the 2020 The 2nd International Conference on Blockchain Technology, Hilo, HI, USA. S. 150–154.
Gerth, S., & Heim, L. (2021). Blockchain as an approach for secure data storage on digital consulting platforms. In M. Soltanifar, M. Hughes, & L. Göcke (Hrsg.), Digital Entrepreneurship. Impact on Business and Society (S. 103–120). Springer.
Gerth, S., & Heim, L. (2022). Zukunftsforschung und Megatrends als Treiber für Geschäftsmodellinnovationen: Chancen und Herausforderungen durch digitale Technologien für Entrepreneure der Zukunft. In S. Gerth & L. Heim (Hrsg.), Entrepreneurship der Zukunft: Digitale Technologien und der Wandel von Geschäftsmodellen (S. 3–26). Springer Gabler.
Gentsch, P. (2018). Künstliche Intelligenz für Sales, Marketing und Service. Springer Gabler.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Goudz, A., Kücük, Y., & Fuchs, V. (2021). Zusammenspiel der Blockchain und der Künstlichen Intelligenz in der Logistik – Zukunftsaussichten und Potenziale. In M. C. M. Work (Hrsg.), Proff, H (S. 757–774). Springer Gabler.
Hao, X., Zhang, G., & Ma, S. (2016). Deep learning. International Journal of Semantic Computing, 10(3), 417–439.
Hattrup, M. (2017). Künstliche Intelligenz wird zum Wachstumsmotor für deutsche Industrie, McKinsey https://www.mckinsey.com/de/news/presse/kunstliche-intelligenz-wird-zum-wachstumsmotor-fur-deutsche-industrie. Zugegriffen: 16. Jan. 2022.
Heim, L. (2021). Einfluss der Blockchain-Technologie auf Geschäftsmodelle. Entwicklung eines Vorgehensmodells am Beispiel von intermediären Akteuren. Cuvillier.
Heimbrecht, F. (2023). Künstliche Intelligenz: Hype vs. Realität. https://www.zukunftsinstitut.de/artikel/digitalisierung/kuenstliche-intelligenz-hype-vs-realitaet/. Zugegriffen: 01. März 2023.
Heinen, N., Heuer, A., & Schautschick, P. (2017). Künstliche Intelligenz und der Faktor Arbeit: Implikationen für Unternehmen und Wirtschaftspolitik. Wissenschaftsdienst, 97(10), 714–720.
Hilbert, M., Neukart, F., Ringlstetter, C., Seidel, C. & Sichler, B. (2019). KI-Innovation über das autonome Fahren hinaus. In: Buxmann, P., & Schmidt, H. (Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 173–185). Springer Gabler.
IIV. (Initiative Intelligente Vernetzung; 2019). Künstliche Intelligenz – Impulse zu einem Megatrend. Initiative Intelligente Vernetzung. Initiative Intelligente Vernetzung, Berlin (Gefördert durch das Bundesministerium für Wirtschaft und Energie (BMWi)).
Kaplan, J. (2017). Künstile Intelligenz. Eine Einführung. MITP.
Karim, M. M., Li, Y., & Qin, R. (2022). Toward explainable artificial intelligence for early anticipation of traffic accidents. Transportation Research Record, 2676(6), 743–755.
Kett, H., Evcenko, D., Falkner, J., Frings, S., & Neuhüttler, J. (2021). Künstliche Intelligenz als Veränderungstreiber für Geschäftsmodelle. Geschäftsmodelle – Serviceinnovationen – ImplementierungIn. In M. Bruhn & K. Hadwich (Hrsg.), Künstliche Intelligenz im Dienstleistungsmanagement (Bd. 1, S. 51–75). Springer Gabler.
Klüver, C., & Klüver, J. (2022). Chancen und Herausforderungen beim Einsatz neuronaler Netzwerke als Methoden der Künstlichen Intelligenz oder des Maschinellen Lernens in KMU. In M. Bodemann, W. Fellner, & V. Just (Hrsg.), Digitalisierung und Nachhaltigkeit – Transformation von Geschäftsmodellen und Unternehmenspraxis (S. 121–148). Springer Gabler.
Knapp, P., & Wagner, C. (2019). Künstliche Intelligenz schafft neue Geschäftsmodelle im Mittelstand. In P. Buxmann, H. Schmidt (Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 161–172). Springer Gabler.
Kolekar, S., Gite, S., Pradhan, B., & Kotecha, K. (2021). Behavior prediction of traffic actors for intelligent vehicle using artificial intelligence techniques: A review. IEEE Access, 9, 135034–135058.
Kocagöz, O. (2020). Smart mobility – Beitrag der KI zur Nachhaltigkeit. In R. Buchkremer, T. Heupel, & O. Koch (Hrsg.), Künstliche Intelligenz in Wirtschaft & Gesellschaft. Auswirkungen, Herausforderungen & Handlungsempfehlungen (S. 311–325). Springer Gabler.
Koeszegi, S. T. (2021). Spannungsfeld automatisierte Entscheidungssysteme und Autonomie. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 61–76). Springer Gabler.
Kolmykova, A. (2020). KI in der Logistik – Multiagentenbasierte Planung und Steuerung in der Transportlogistik. In R. Buchkremer, T. Heupel, & O. Koch (Hrsg.), Künstliche Intelligenz in Wirtschaft & Gesellschaft. Auswirkungen, Herausforderungen & Handlungsempfehlungen (S. 299–310). Springer Gabler.
Koster, A.-K. (2022). Das Ende des Politischen? Demokratische Politik und Künstliche Intelligenz. Zeitschrift für Politikwissenschaft, 32, 573–294.
Krabbe, A., Niemann, H. M,. & von Woedtke, T. (2022). (Hrsg.). Künstliche Intelligenz. Macht der Maschinen und Algorithmen zwischen Utopie und Realität. Evangelische Verlagsanstalt.
Kreutzer, R. T., & Sirrenberg, M. (2019). Künstliche Intelligenz verstehen. Grundlagen – Use-Cases – unternehmenseigene KI-Journey. Springer Gabler.
Lau, C. G., & Haugh, B. A. (2018). Megatrend Issues in Artificial Intelligence and Autonomous Systems. https://www.jstor.org/stable/pdf/resrep22645.pdf. Zugegriffen: 01. März 2023.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444.
Lenzen, M. (2002). Natürliche und künstliche Intelligenz. Einführung in die Kognitionswissenschaft. Campus.
Lenzen, M. (2020). Künstliche Intelligenz: Fakten, Chancen, Risiken. Beck.
Lichtenthaler, U. (2021). Einleitung: Künstliche Intelligenz integriert und erfolgreich implementieren. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 1–11). Springer Gabler.
Lotze, N. (2020). Künstliche Intelligenz im Dialog – Ein methodologisches Konzept zur Analyse von Mensch-Maschine-Interaktion. In K. Marx, H. Lobin, A. Schmidt (Hrsg.), Deutsch in Sozialen Medien. Interaktiv – multimodal – vielfältig (S. 363–368). de Gruyter.
Lundborg, M., Schrade-Grytsenko, L., & Märkel, C. (2021). CSR und künstliche Intelligenz im Mittelstand – Chancen für innovativere und nachhaltigere kleine und mittlere Unternehmen? In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 251–260). Springer Gabler.
Mainzer, K. (2021). Künstliche Intelligenz und Nachhaltigkeit. In: Gesellschaft für Informatik e.V. (GI) (Hrsg.), INFORMATIK 2021 (S. 1153–1162). Bonn.
Mandal, V., Mussah, A. R., Jin, P., & Adu-Gyamfi, Y. (2020). Artificial intelligence-enabled traffic monitoring system. sustainability, 12, 9177.
Matthiesen, A. (2017). Maschinelle Übersetzung im Wandel Die Auswirkungen von künstlicher Intelligenz auf maschinelle Übersetzungssysteme. epubli.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf. Zugegriffen: 01. März 2023.
Nolting, M. (2021). Künstliche Intelligenz in der Automobilindustrie. Mit KI und Daten vom Blechbieger zum Techgiganten. Springer Vieweg.
Noller, J. (2023). Interobjektivität. Über künstliche Intelligenz und Digitalität. In O. Friedrich, J. Seifert, & S. Schleidgen (Hrsg.), Mensch-Maschine-Interaktion. Konzeptionelle, soziale und ethische Implikationen neuer Mensch-Technik-Verhältnisse (S. 82–95). Brill mentis.
Oettinger, M. (2020). Data Science. Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data. tredition.
OpenAI. (2023). Introducing ChatGPT. https://openai.com/blog/chatgpt. Zugegriffen: 01. März 2023.
Pandian, A. P. (2019). Artificial intelligence application in smart warehousing environment for automated logistics. Journal of Artificial Intelligence and Capsule Networks, 1(2), 63–72.
Pehlken, A., Eschemann, P., Garmatter, H., Cyris, F., & Nieße, A., (2021). Einsatz von Künstlicher Intelligenz in der Digitalisierung von Abfallverbrennungskraftwerken. In Gesellschaft für Informatik e. V. (GI) (Hrsg.), INFORMATIK 2021 (S. 147–156). Bonn.
Pohlink, C., & Fischer, S. (2021). Verantwortungsvolle und robuste KI in Unternehmen. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 155–163). Springer Gabler.
Quezada, R. M., Bartl, M., & Garrecht, G. (2021). Emotion AI: Neue Formen der Emotionsmessung durch Künstliche Intelligenz. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 205–223). Springer Gabler.
Reinkemeyer, L. (2012). Process mining in action. Principles, use cases and outlook. Springer.
Regneri, M. (2021). Datenwert und Datenminimalismus: Wege zu nachhaltiger künstlicher Intelligenz. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 189–207). Springer Gabler.
Rohde, F., Wagner, J., Reinhard, P., Petschow, U., Meyer, A., Voß, M., & Mollen, A. (2021). Nachhaltigkeitskriterien für künstliche Intelligenz. Entwicklung eines Kriterien- und Indikatorensets für die Nachhaltigkeitsbewertung von KI-Systemen entlang des Lebenszyklus. Institut für ökologische Wirtschaftsforschung.
Röser, A. M. (2021). Charakterisierung von schwacher und starker Künstlicher Intelligenz (No. 79). Arbeitspapiere der FOM.
Rusk, N. (2016). Deep learning. Nature Methods, 13, 35.
Schael, C. (2018). Künstliche Intelligenz in der modernen Gesellschaft. Datenschutz und Datensicherheit, 42, 547–551.
Schepp, R. (2021). Künstliche Intelligenz im Flugverkehrsmanagement unbemannter Systeme und deren Anwendungen. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 225–237). Springer Gabler.
Scheuer, D. (2020). Akzeptanz von Künstlicher Intelligenz. Grundlagen intelligenter KI-Assistenzen und deren vertrauensvolle Nutzung. Springer Vieweg.
Schöbel, A., Stephani, H., & Burger, M. (2021). Potenziale im Bereich der Mobilität durch mathematische Methoden der KI. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 253–262). Springer Gabler.
Schreiber, M., & Gloor, P. A. (2020). Psychologie und künstliche Intelligenz (KI) – Parallelen, Chancen, Herausforderungen und ein Blick in die nahe Zukunft. In Negri, C., Eberhardt, D. (Hrsg.), Angewandte Psychologie in der Arbeitswelt. Der Mensch im Unternehmen: Impulse für Fach- und Führungskräfte (S. 161–180). Springer.
Schubert, M. (2021). Veränderungen von Begutachtung und Prüfung im Mobilitätswesen durch Künstliche Intelligenz. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 239–277). Springer Gabler.
Schuler, H. (2002). Emotionale Intelligenz - ein irreführender und unnötiger Begriff. Zeitschrift für Personalpsychologie, 1(3), 138–140.
Schüller, E. (2021). Beyond Dreamland: KI durch Effizienz – Effizienz durch KI. In U. Lichtenthaler (Hrsg.), Künstliche Intelligenz erfolgreich umsetzen (S. 71–87). Springer Gabler.
Shinde, P. P., & Shah, S. (2018). A review of machine learning and deep learning applications. Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), India. S. 1–6.
Soekadar, S. R., & Nann, M. (2020). Neural-gesteuerte Robotik für Assistenz und Rehabilitation im Alltag. In H.-J. Buxbaum (Hrsg.), Mensch-Roboter-Kollaboration (S. 117–131). Springer Gabler.
Spiekermann, S. (2021). Digitale Ethik und die Künstliche Intelligenz. In P. H. K. Intelligenz (Hrsg.), Mainzer, K (S. 1–24). Springer VS.
Strasser, K,. & Niedermayer, B. (2021). Unvoreingenommenheit von Künstliche-Intelligenz-Systemen. Die Rolle von Datenqualität und Bias für den verantwortungsvollen Einsatz von künstlicher Intelligenz. In R. Altenburger, R.Schmidpeter, R. (Hrsg.), CSR und Künstliche Intelligenz (S. 121–135). Springer Gabler.
Trapp, C. T. C., Kanbach, D. K. (2021). Green entrepreneurship and business models: Deriving green technology business model archetypes. Journal of Cleaner Production, 297.
van der Aalst, W. (2012). Process mining: Overview and opportunities. ACM Transactions on Management Information Systems, 3(2), 1–17.
von Richthofen, G., Gümüsay, A. A., & Send, H. (2021). Künstliche Intelligenz und die Zukunft von Arbeit. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 353–366). Springer Gabler.
Wagener, A., & Human, S. (2018). Wie KI und Blockchain zusammenwachsen. https://www.industry-of-things.de/wie-ki-und-blockchain-zusammenwachsen-a-782046/. Zugegriffen: 01. März 2023.
Walther, M. (2021) Ein KI-basiertes Framwork für Sprach- und Stimmanalyse zur automatischen Bewertung der Qualität von Servicegesprächen. In T. Barton, T, C. Müller (Hrsg.), Künstliche Intelligenz in der Anwendung. Rechtliche Aspekte, Anwendungspotenziale und Einsatzszenarien (S. 239–260). Springer Vieweg.
Weber, F. (2020). Künstliche Intelligenz für Business Analytics. Algorithmen, Plattformen und Anwendungsszenarien. Springer.Vieweg.
Wegner, S., & Uzun, D. (2021). KI als Chance für das zukünftige Airline-Geschäft. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 301–310). Springer Gabler.
Wennker, P. (2020). Künstliche Intelligenz in der Praxis. Anwendung in Unternehmen und Branchen: KI wettbewerbs- und zukunftsorientiert einsetzen. Springer Gabler.
Westkämper, E. (2013). Struktureller Wandel durch Megatrends. In E. Westkämper, D. Spath, C. Constantinescu & J. Lentes (Hrsg.), Digitale Produktion (S. 7–9). Springer.
Wildhaber, B. (2016). Kann man Blockchains vertrauen? In D. Burgwinkel (Hrsg.), Blockchain Technology: Einführung für Business- und IT Manager (S. 149–158). De Gruyter.
Wilts, H., Garcia, B. R., Garlito, R. G., Gómez, L. S., Prieto, E. G., Kwik, C., & Johannesen, K. (2020). Künstliche Intelligenz in der Siedlungsabfallsortierung als Wegbereiter der Kreislaufwirtschaft. Müll und Abfall, 2, 48–53.
Wittpfahl, V. (2019). Künstliche Intelligenz. Technologie, Anwendung, Gesellschaft. Springer Vieweg.
Wolff, J., Keck, A., König, A., Graf-Vlachy, L., & Menacher, J. (2019). Künstliche Intelligenz: Strategische Herausforderungen für etablierte Unternehmen. In Obermaier, R. (Hrsg.). Handbuch Industrie 4.0 und Digitale Transformation (S. 505–528). Springer Gabler.
Zielinski, O., Plociennik C., & Vollmer, S. (2022). Digitalisierung als Enabler. Mit KI zu mehr Nachhaltigkeit. Springer Vieweg in Kooperation mit DFKI. https://www.dfki.de/fileadmin/user_upload/DFKI/Medien/Forschung/Kompetenzzentren/KI_Umwelt_Nachhaltigkeit/NIextra_DFKI.pdf. Zugegriffen: 01. März 2023.
Zoph, B., & Le Q. V. (2017): Neural architecture search with reinforcement learning. https://arxiv.org/pdf/1611.01578v1.pdf. Zugegriffen: 01. März 2023.
Zukunftsinstitut. (2023a). Die Megatrends. https://www.zukunftsinstitut.de/dossier/megatrends/. Zugegriffen: 01. März 2023.
Zukunftsinstitut. (2023b). Megatrend Konnektivität. https://www.zukunftsinstitut.de/dossier/megatrend-konnektivitaet/. Zugegriffen: 01. März 2023.
Zukunftsinstitut (2023c). 6 Thesen zur Künstlichen Intelligenz. https://www.zukunftsinstitut.de/artikel/digitalisierung/6-thesen-zur-kuenstlichen-intelligenz/. Zugegriffen: 01. März 2023.
Zwingmann, T., & Gärtner, T. (2021). Vergessen wir mal die Roboter: So gelingt Künstliche-Intelligenz-Ethik in der Praxis. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz (S. 105–119). Springer Gabler.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Gerth, S., Heim, L. (2023). Künstliche Intelligenz zwischen Utopie und Realität: Aktuelle und zukünftige Entwicklungen von KI am Beispiel von Human-Machine-Interaction, Blockchain, Green Tech und Mobilität. In: Heim, L., Gerth, S. (eds) Entrepreneurship der Zukunft. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-42060-4_17
Download citation
DOI: https://doi.org/10.1007/978-3-658-42060-4_17
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-42059-8
Online ISBN: 978-3-658-42060-4
eBook Packages: Business and Economics (German Language)