Kurzfragen Digitale Transformation

• Ein Modell ist eine mathematische Abbildung von Eingaben (Daten) auf Ausgaben (Vorhersagen/Entscheidungen).

• Es enthält Parameter/Gewichte, die im Training angepasst werden.

• Ziel: Muster & Zusammenhänge aus Daten erfassen.

• Beispiel: Lineare Regression, Neuronales Netz, Entscheidungsbaum.

👉 Kurz: Werkzeug, das aus Daten Regeln lernt und damit Vorhersagen trifft.

1. Wirklichkeit ist komplex, wir brauchen vereinfachte Abbildungen.

2. Modelle bilden nur die wesentlichen Strukturen & Muster ab.

3. Ziel: Vorhersagen treffen → auf Basis bisheriger Daten auch Unbekanntes einschätzen.

4. Annahme: Vergangenheit liefert Hinweise auf die Zukunft (Regelmäßigkeiten wiederholen sich).

5. Balance: Vereinfachung vs. Genauigkeit.

1. Modelle sind mathematische Abstraktionen → sie kennen physikalische Grenzen nur, wenn diese eingebaut werden.

2. Grenzen können über Constraints/Regeln berücksichtigt werden (z. B. keine negativen Wahrscheinlichkeiten, Energieerhaltung).

3. Ohne Vorgabe kann ein Modell unrealistische Ergebnisse liefern.

4. Physikalische Grenzen wirken wie ein Filter, der Lösungen einschränkt und realistischer macht.

1. Früher (klassische Modelle):

   • Feste, von Ingenieuren definierte Regeln (Wenn-Dann-Logik).

   • Modell = starre Abbildung von physikalischem Wissen und klaren Szenarien.

2. Heute (KI-Modelle):

   • Lernen aus großen Datenmengen (Sensoren, Kameras, Verkehrssituationen).

   • Modell = dynamisches, adaptives System, das Muster erkennt statt feste Regeln zu folgen.

3. Paradigmenwechsel:

   • Von regelbasierten, erklärbaren Modellen → zu lernenden, datengetriebenen Modellen.

   • Auto reagiert nicht nur auf vorher definierte Fälle, sondern generalisiert auf neue, komplexe Situationen.

4. Kernidee: Modellbildung wird zur selbstlernenden Abstraktion der Realität, nicht mehr rein menschlich vorgegeben.

Wofür Modelle genutzt werden:

• Vorhersagen treffen (z. B. Wetter, Verkehr, Nachfrage).

• Entscheidungsunterstützung in komplexen Situationen.

• Simulation & Szenarioanalyse (Was-wäre-wenn-Fragen).

• Mustererkennung in großen Datenmengen.

• Prozessoptimierung (z. B. Produktionsabläufe).

Wofür Modelle nicht genutzt werden:

• Exakte Realität abbilden → Modelle sind Vereinfachungen.

• 100 % Sicherheit → Unsicherheiten bleiben.

• Menschliche Intuition oder Werte ersetzen → ethische Entscheidungen nur begrenzt.

• Alle Einzelfälle perfekt erklären → Extremfälle können abweichen.

Modell:

• Abbildung der Realität, oft vereinfachend & abstrahierend.

• Kann mathematisch, statistisch oder algorithmisch sein.

• Enthält Parameter, die angepasst werden können (z. B. durch Training).

• Ziel: Vorhersagen, Entscheidungen, Simulationen.

Gleichung:

• Feste mathematische Beziehung zwischen Variablen.

• Keine Lernfähigkeit oder Anpassung – beschreibt konkretes, definiertes Gesetz.

• Beispiele: F=m⋅a, y=mx+by=mx+b.

Kurz:

• Modell = flexibles Werkzeug zur Abbildung der Realität.

• Gleichung = starre, definierte mathematische Beziehung.

1. Mathematisch: Formeln, Gleichungen, Differentialgleichungen.

2. Grafisch/Visuell: Diagramme, Kurven, Flussdiagramme, Entscheidungsbäume, neuronale Netze.

3. Algorithmisch/Programmierbar: Code, Simulationen, Softwaremodelle.

4. Tabellarisch: Tabellen mit Daten, Lookup-Tabellen, statistische Zusammenfassungen.

5. Hybrid: Kombination aus mathematisch, grafisch und algorithmisch (z. B. KI-Modelle).

1. Schnellere Entwicklung: Digitale Tools ermöglichen Simulation, Design und Prototyping ohne physische Modelle.

2. Bessere Qualität: Fehler werden früh erkannt → weniger Nacharbeit.

3. Individualisierung: Produkte können leichter an Kundenwünsche angepasst werden (Mass Customization).

4. Datengetriebene Entscheidungen: Nutzung von Sensordaten, Kundenfeedback und Simulationsergebnissen.

5. Kollaboration: Teams weltweit arbeiten effizient zusammen über digitale Plattformen.

6. Innovationsfördernd: Neue Technologien (KI, IoT, 3D-Druck) ermöglichen Produkte, die früher nicht realisierbar waren.

1. Nicht immer möglich:

   • Wenn Daten fehlen oder zu unvollständig/ungenau sind.

   • Bei extremer Komplexität oder zu vielen Variablen → Modell wird unpraktikabel.

   • Wenn Zufälligkeit oder Chaos dominiert → Vorhersage kaum möglich.

2. Grundprinzip: Modelle sind Vereinfachungen der Realität → funktionieren nur, wenn Muster existieren.

3. Lösungsansatz: Grenzen akzeptieren, Approximationen oder stochastische Modelle nutzen.

1. Zieldefinition: Was soll das Modell leisten? Vorhersage, Simulation, Optimierung?

2. Datenverfügbarkeit prüfen: Sind ausreichend und qualitativ gute Daten vorhanden?

3. Relevante Variablen identifizieren: Welche Einflussgrößen sind wichtig?

4. Rahmenbedingungen & Grenzen klären: Physikalische, rechtliche, technische Grenzen berücksichtigen.

5. Modelltyp wählen: Mathematisch, statistisch, KI-basiert oder hybrid?

6. Bewertungskriterien festlegen: Wie wird die Güte/Genauigkeit des Modells gemessen?

1. Ein funktionsfähiges Modell, das:

   • Eingaben (Daten) auf Ausgaben (Vorhersagen, Entscheidungen) abbildet.

   • Muster, Zusammenhänge oder Gesetzmäßigkeiten der Realität beschreibt.

   • Anhand von Validierung/Datenprüfung auf Genauigkeit getestet wurde.

2. Optional: Visualisierungen, Parameterwerte, Regeln oder Algorithmen zur Nutzung.

3. Ziel: Entscheidungen, Simulationen oder Prognosen ermöglichen.

1. Modelle vereinfachen die Realität → viele Details werden nicht abgebildet.

2. Unsicherheiten & Störungen im realen System können nicht vollständig berücksichtigt werden.

3. Entscheidungen erfordern Zusatzinformationen, Erfahrungswissen oder Kontextwissen.

4. Validierung & Anpassung nötig: Modell muss regelmäßig überprüft und korrigiert werden.

5. Modelle zeigen mögliche Szenarien, garantieren aber kein exaktes Ergebnis.

1. Topologie = Struktur/Anordnung von Komponenten in einem System oder Netzwerk.

2. Beschreibt Verbindungen, Schnittstellen und Beziehungen zwischen Elementen (z. B. Sensoren, Server, Softwaremodule).

3. Wichtig für Datenflüsse, Effizienz und Stabilität digitaler Systeme.

4. Beispiele:

   • Netzwerk-Topologie (Stern, Ring, Mesh) für IT-Infrastruktur.

   • System-Topologie in Produktionsanlagen oder IoT-Plattformen.

5. Ziel: optimale Kommunikation, minimale Latenz, zuverlässige Abläufe.

1. PLM (Product Lifecycle Management):

   • Modell dient als zentraler Wissens- und Datenanker über den gesamten Produktlebenszyklus.

   • Unterstützt Simulation, Design, Optimierung und spätere Anpassungen.

2. PDM (Product Data Management):

   • Modell speichert strukturierte Produktinformationen (Baugruppen, Teile, Parameter).

   • Ermöglicht Versionierung, Nachvollziehbarkeit und Zusammenarbeit zwischen Teams.

3. Zentrale Funktion:

   • Modell ist Quelle der Wahrheit für alle Entwicklungs- und Fertigungsprozesse.

   • Verknüpft digitale Daten mit realer Produktentwicklung.

1. Im IoT:

   • Digitaler Zwilling = virtuelles Abbild physischer Geräte/Prozesse.

   • Verknüpft Sensordaten mit digitalem Modell → Echtzeit-Überwachung & Analyse.

2. Als Cyber-physikalisches System (CPS):

   • Ermöglicht Rückkopplung zwischen digitaler und physischer Welt.

   • Anpassung und Steuerung von physischen Prozessen basierend auf digitalen Simulationen.

3. Im Kontext Industrie 4.0:

   • Unterstützt vorausschauende Wartung (Predictive Maintenance).

   • Optimiert Produktion, Effizienz und Ressourceneinsatz.

   • Fördert flexible, datengetriebene Fertigung und Mass Customization.

1. Zeilen (Records/Datensätze): Jede Zeile repräsentiert einen Eintrag oder Fall.

2. Spalten (Attribute/Felder): Jede Spalte repräsentiert eine Eigenschaft oder Variable.

3. Zellen: Schnittpunkte von Zeilen und Spalten → enthalten die eigentlichen Werte.

4. Header/Kopfzeile: Beschriftung der Spalten für bessere Orientierung.

5. Optional: Primärschlüssel → eindeutige Identifikation jeder Zeile.

Nutzen der Dimensionsreduzierung:

• Vereinfacht Datenanalyse & Visualisierung.

• Entfernt irrelevante oder redundante Variablen → Modell wird schneller und robuster.

• Reduziert Überanpassung (Overfitting) bei ML-Modellen.

• Hilft, Kernmuster in den Daten sichtbar zu machen.

Warum Dimensionalität erhöhen kann sinnvoll sein:

• Neue Dimensionen (Features) können mehr Informationen oder bessere Trennbarkeit liefern.

• Feature Engineering → Erzeugung von Kombinationen/Transformationen, die Performance von Modellen verbessern.

• Hilft, komplexe Zusammenhänge abzubilden, die in den Originaldaten nicht sichtbar sind.

Datenfitting (gutes Fitten):

• Modell passt sich an die Daten an, ohne Muster zu verlieren.

• Ziel: allgemeine Gesetzmäßigkeiten erfassen, die auch auf neue Daten anwendbar sind.

• Ergebnis: robuste Vorhersagen, kein Auswendiglernen einzelner Datenpunkte.

Overfitting:

• Modell passt sich zu stark an Trainingsdaten an, auch an Zufälligkeiten/Rauschen.

• Ergebnis: schlechte Generalisierung, Vorhersagen für neue Daten unzuverlässig.

• Typisches Anzeichen: sehr niedriger Trainingsfehler, hoher Testfehler.

Erkennung von Overfitting:

• Sehr niedriger Fehler auf Trainingsdaten, aber hoher Fehler auf Test-/Validierungsdaten.

• Modell reagiert überempfindlich auf kleine Schwankungen in den Trainingsdaten.

• Übermäßig komplexe Modelle (zu viele Parameter) für einfache Daten.

Vermeidung von Overfitting:

• Mehr Trainingsdaten sammeln.

• Regularisierung (z. B. L1, L2, Dropout bei neuronalen Netzen).

• Einfachere Modelle wählen (weniger Parameter).

• Cross-Validation zur Modellbewertung verwenden.

• Frühes Stoppen (Early Stopping) beim Training.

Big Data wird typischerweise durch die „5 Vs“ charakterisiert:

1. Volume (Menge): Sehr große Datenmengen, die klassische Systeme überfordern.

2. Velocity (Geschwindigkeit): Daten werden in Echtzeit oder nahezu Echtzeit erzeugt und verarbeitet.

3. Variety (Vielfalt): Unterschiedliche Datenarten: strukturiert (Tabellen), unstrukturiert (Texte, Bilder, Videos), semi-strukturiert (Logs, Sensoren).

4. Veracity (Verlässlichkeit): Datenqualität und Unsicherheiten variieren stark.

5. Value (Wert): Ziel ist, aus den Daten nützliche Erkenntnisse zu gewinnen.

• Methode zur Bewertung der Generalisierungsfähigkeit eines Modells.

• Datensatz wird in K Teile (Folds) geteilt.

• Modell wird K-mal trainiert, jeweils auf K-1 Teilen, getestet auf dem übrigen Teil.

• Ergebnis: durchschnittliche Modellleistung über alle Folds → robustere Einschätzung.

• Vorteil: Verhindert zufällige Verzerrung durch bestimmte Trainings-/Testaufteilung.

1. Mustererkennung: Trends, Ausreißer und Zusammenhänge werden sofort sichtbar.

2. Kommunikation: Ergebnisse verständlich für andere darstellen (nicht nur Zahlen).

3. Entscheidungsunterstützung: Schnelleres Erfassen von wichtigen Informationen.

4. Datenqualität prüfen: Inkonsistenzen oder Fehler leichter erkennen.

5. Effizienz: Komplexe Daten auf einen Blick erfassbar, Zeitersparnis gegenüber rohen Tabellen.

1. Übersichtlich & klar: Wichtige Informationen sofort erkennbar.

2. Angemessener Visualisierungstyp: Diagramm oder Grafik passend zu den Daten (z. B. Zeitreihe → Linienchart).

3. Lesbarkeit: Achsen, Legenden, Farben gut gewählt.

4. Vermeidung von Verzerrung: Daten korrekt und unverfälscht dargestellt.

5. Fokus auf Kernaussage: Überflüssige Details vermeiden.

6. Interaktivität (optional): Filter, Zoom oder Hervorhebung bei komplexen Daten.

1. Komplexität: Maß für Ressourcenverbrauch eines Algorithmus (Zeit, Speicher) in Abhängigkeit von der Eingabemenge.

2. Zeitkomplexität: Wie lange ein Algorithmus läuft → oft in Big-O-Notation angegeben (z. B. O(n), O(n²)).

3. Speicherkomplexität: Wie viel Speicher benötigt wird.

4. Messung:

   • Theoretisch: Analyse der Schleifen, Rekursionen, Datenstrukturen → Funktionsabhängigkeit von Eingabegröße.

   • Praktisch: Laufzeittest auf verschiedenen Datensätzen.

1. Modulare Produktarchitektur: Produkt in standardisierte Module/Baugruppen zerlegen.

2. Variantengeneration: Verschiedene Kombinationen der Module → unterschiedliche Varianten.

3. Konfigurationssysteme: Software unterstützt Auswahl und Zusammenstellung der Varianten.

4. Parametrisches Design: Anpassung von Maßen, Farben oder Funktionen durch Parameteränderungen.

5. Ziel: Mass Customization – flexible, effiziente Produktion vieler Varianten ohne komplettes Neudesign.

1. Zentrale Aufgabe: Verwaltung aller Produktvarianten, Komponenten und Versionen.

2. Strukturierte Datenbasis: Alle Module, Teile und Varianten werden digital erfasst (z. B. in PDM/PLM-Systemen).

3. Regelbasierte Konfiguration: Kunden- oder interne Anforderungen → passende Variante automatisch generiert.

4. Versionierung & Nachverfolgbarkeit: Jede Variante und Änderung wird dokumentiert, um Fehler zu vermeiden.

5. Integration in Entwicklung & Fertigung: Sicherstellung, dass richtige Teile in Produktion & Lieferung kommen.

Verwendete Produktdaten:

• Stammdaten: Teile, Module, Baugruppen, Material, Maße.

• Versionsinformationen: Historie, Revisionen, Freigaben.

• Varianteninformationen: Optionen, Ausstattungsmerkmale, Konfigurationsregeln.

• Dokumentation: Stücklisten (BOM), technische Zeichnungen, Anleitungen.

Steuerung der Varianz:

• Modularisierung: Produkte in wiederverwendbare Module aufteilen.

• Konfigurationsregeln: Abhängigkeiten und Ausschlüsse definieren (z. B. Farbe A nur mit Ausstattung B).

• Softwaregestützte Konfiguration: Automatische Generierung von Varianten aus den Regeln.

• Parametrische Anpassung: Flexible Anpassung von Maßen, Leistung, Farbe etc.

Konjunktive Normalform (KNF):

• Formel ist eine Konjunktion (UND-Verknüpfung) von Klauseln.

• Jede Klausel ist eine Disjunktion (ODER-Verknüpfung) von Literalen.

• Beispiel: (A∨B)∧(¬C∨D)(A∨B)∧(¬C∨D)

Disjunktive Normalform (DNF):

• Formel ist eine Disjunktion (ODER-Verknüpfung) von Termen.

• Jeder Term ist eine Konjunktion (UND-Verknüpfung) von Literalen.

• Beispiel: (A∧¬B)∨(C∧D)(A∧¬B)∨(C∧D)

Kurz:

• KNF = UND von ODERn

• DNF = ODER von UNDn

1. Nein, nicht immer möglich.

2. Gründe:

   • Zu viele Variablen / Wechselwirkungen: Modell wird unpraktikabel oder unüberschaubar.

   • Datenmangel: Ohne ausreichend Daten keine verlässlichen Muster erkennbar.

   • Zufälligkeit / Chaos: Hohe Komplexität kann Vorhersagen unmöglich machen.

   • Rechenaufwand: Extrem komplexe Modelle können nicht effizient berechnet werden.

3. Lösung: Vereinfachung, Approximation oder Fokussierung auf relevante Kernaspekte.

Modell:

• Abstraktion der Realität, beschreibt Zusammenhänge zwischen Eingaben und Ausgaben.

• Ziel: Vorhersagen, Simulation oder Mustererkennung.

• Kann statisch oder lernend sein (z. B. KI- oder physikalisches Modell).

Algorithmus:

• Schritt-für-Schritt-Anleitung zur Lösung eines Problems.

• Ziel: Berechnung / Umsetzung / Verarbeitung von Daten.

• Führt Modell aus oder bearbeitet Daten, liefert konkretes Ergebnis.

Kurz:

• Modell = Werkzeug zum Verstehen/Prognostizieren

• Algorithmus = Verfahren, das das Modell oder Daten verarbeitet

1. Knoten (Vertices/Nodes): Grundelemente des Graphen, z. B. Orte, Objekte oder Zustände.

2. Kanten (Edges/Links): Verbindungen zwischen Knoten, können Gewichtungen oder Richtungen haben.

3. Optional: Gewicht/Label auf Kanten → z. B. Entfernung, Kosten, Kapazität.

1. Ungerichteter Graph: Kanten haben keine Richtung, Verbindung gilt beidseitig.

2. Gerichteter Graph (Digraph): Kanten haben Richtung, z. B. A → B, A erhält Verbindung zu B, nicht umgekehrt.

3. Kurz: Ungerichtet = Symmetrisch, Gerichteter Graph = Asymmetrisch / Richtung wichtig.

• Verbindungen & Pfade: Gibt es einen Weg von Knoten A zu Knoten B?

  • Beispiel: Navigationssystem → schnellster Weg von Hamburg nach Berlin.

• Kürzester Pfad / minimale Kosten: Welche Route ist am effizientesten?

  • Beispiel: Paketlieferung → Route mit geringsten Lieferkosten.

• Netzwerkstruktur & Zentralität: Welche Knoten sind besonders wichtig?

  • Beispiel: Social Media → einflussreichste Personen in einem Netzwerk.

• Flussoptimierung: Wie kann der maximale Durchsatz erzielt werden?

  • Beispiel: Verkehrsplanung → maximale Anzahl Autos pro Straße.

• Konnektivität / Clusterbildung: Wie stark sind Knoten untereinander verbunden?

  • Beispiel: Stromnetz → Erkennen von Risikogruppen bei Ausfall.

1. Kostenfunktion = Gewicht der Kanten (z. B. Entfernung, Zeit, Preis, Energie).

2. Mit ihr lassen sich optimale Pfade berechnen:

   • Kürzester Weg: Minimiert die Gesamtkosten von Start- zu Zielknoten.

   • Minimaler Spannbaum: Alle Knoten verbinden bei minimalen Gesamtkosten.

   • Flussoptimierung: Maximiert Durchsatz bei minimalem Aufwand.

3. Unterstützt Entscheidungen in Transport, Logistik, Netzplanung.

Beispiel 1 – Straßennetz:

• Knoten: Städte (A, B, C, D)

• Kanten: Straßen zwischen Städten

• Kostenfunktion: Entfernung in km oder Fahrtzeit in Minuten

A ---10km--- B | | 15km 20km | | C ---25km--- D

• Optimierung: Kürzester Weg von A nach D

Beispiel 2 – Paketlieferung:

• Knoten: Lager, Kundenstandorte

• Kanten: Lieferwege

• Kostenfunktion: Lieferkosten oder Zeit

• Ziel: Minimale Gesamtkosten für alle Lieferungen

Beispiel 3 – Stromnetz:

• Knoten: Kraftwerke, Umspannwerke

• Kanten: Stromleitungen

• Kostenfunktion: Leitungsverlust oder Baukosten

• Ziel: Minimale Gesamtkosten bei maximaler Versorgung

Implementierung eines Graphen:

• Adjazenzmatrix:

  • Zeilen/Spalten = Knoten

  • Zellen = Kosten oder Gewicht der Kante zwischen Knoten

  • Hauptdiagonale: meist 0, da Knoten nicht zu sich selbst führen (keine Selbstkante).

  • Keine Beziehung zwischen Knoten: meist ∞ oder ein spezieller Wert (unendlich/unbesetzt), um „nicht verbunden“ zu markieren.

• Adjazenzliste:

  • Jeder Knoten führt eine Liste der verbundenen Nachbarn + Gewicht.

  • Keine Verbindung → kein Eintrag in der Liste.

Kurz:

• Hauptdiagonale = 0

• Keine Verbindung = ∞ (oder spezieller Platzhalter)

• Darstellung: Adjazenzmatrix oder -liste

1. Floyd-Algorithmus = All-Pairs Shortest Path Algorithmus

2. Berechnet die kürzesten Wege zwischen allen Knotenpaaren in einem gewichteten Graphen.

3. Berücksichtigt direkte und indirekte Wege zwischen Knoten.

4. Ergebnis: Matrix mit minimalen Kosten für alle Knotenpaare.

5. Anwendung: Verkehrsplanung, Netzwerkoptimierung, Logistik.

1. Industrie 4.0 = vierte industrielle Revolution

2. Kernidee: Vernetzung von physischen Produktionssystemen mit digitalen Informationssystemen (Cyber-physische Systeme).

3. Merkmale:

   • Echtzeitdatenerfassung und -verarbeitung (IoT, Sensoren)

   • Selbststeuernde, flexible Produktion

   • Digitale Zwillinge für Simulation und Optimierung

   • Vernetzte Lieferketten und intelligente Produkte

4. Ziel: Effizienzsteigerung, Individualisierung, Ressourcenschonung, schnelle Reaktion auf Marktänderungen

Technologien, die Industrie 4.0 vorantreiben:

• Internet of Things (IoT): Sensorik und Vernetzung von Maschinen und Produkten

• Künstliche Intelligenz / Machine Learning: Automatisierte Entscheidungen und Optimierungen

• Cloud Computing & Edge Computing: Speicherung, Verarbeitung und Analyse großer Datenmengen

• Cyber-physische Systeme: Integration von digitalen Modellen und physischen Prozessen

• Big Data & Datenanalyse: Erkennen von Mustern, Optimierung und Vorhersagen

• Robotik & autonome Systeme: Flexible Fertigung und Automatisierung

Technologien, die durch Industrie 4.0 ermöglicht oder beschleunigt werden:

• Digitale Zwillinge: Echtzeit-Modelle von Produktionsanlagen oder Produkten

• Additive Fertigung (3D-Druck): Flexible, individuelle Produktion auf Knopfdruck

• Predictive Maintenance: Vorhersage von Wartungsbedarf durch Echtzeitdaten

• Smart Logistics & Supply Chains: Echtzeitverfolgung, automatisierte Planung

👉 Kurz: Industrie 4.0 = Synergie von IoT, KI, CPS, Big Data etc., ermöglicht neue Technologien wie digitale Zwillinge, 3D-Druck und predictive Maintenance.

Allgemein – Künstliche Intelligenz (KI):

• Simulation menschlicher Intelligenz durch Maschinen.

• Ziel: Problemlösen, Lernen, Wahrnehmen, Entscheiden.

• Kann regelbasiert oder lernbasiert sein.

Machine Learning (ML):

• Teilgebiet der KI.

• Algorithmen lernen aus Daten, statt dass Regeln manuell programmiert werden.

• Ziel: Vorhersagen, Klassifikationen, Mustererkennung.

• Beispiele: Spam-Filter, Empfehlungssysteme.

Deep Learning (DL):

• Unterbereich von ML.

• Nutzt tiefe neuronale Netze (viele Schichten) für komplexe Mustererkennung.

• Besonders geeignet für Bilder, Sprache, Sensor- oder Zeitreihendaten.

• Beispiel: Bilderkennung, Sprachassistenten, selbstfahrende Autos.

Kurz:

• KI = Oberbegriff für intelligente Maschinen

• ML = Lernen aus Daten

• DL = Lernen komplexer Muster mit tiefen neuronalen Netzen

1. Inhalte / Kernkonzepte:

• Daten: Grundlage für Lernen (trainings-, test- und validierungsdaten)

• Features / Merkmale: Eingabedaten, die Muster beschreiben

• Labels / Zielgrößen: Gewünschte Ausgabe bei überwachten Aufgaben

• Modelle: Mathematische oder algorithmische Strukturen zur Mustererkennung

2. Fragestellungen:

• Überwachtes Lernen (Supervised Learning): Vorhersage / Klassifikation anhand gelabelter Daten

• Unüberwachtes Lernen (Unsupervised Learning): Muster / Strukturen erkennen ohne Labels (Clustering, Dimensionalitätsreduktion)

• Bestärkendes Lernen (Reinforcement Learning): Agent lernt durch Belohnung / Bestrafung optimale Aktionen

• Semi-supervised Learning: Kombination aus gelabelten und ungelabelten Daten

3. Methoden / Algorithmen:

• Lineare Modelle: Lineare Regression, Logistische Regression

• Baumbasierte Methoden: Entscheidungsbäume, Random Forest, Gradient Boosting

• Neuronale Netze / Deep Learning: Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN)

• Clustering-Methoden: K-Means, Hierarchisches Clustering

• Dimensionalitätsreduktion: PCA, t-SNE, Autoencoder

• Reinforcement Learning: Q-Learning, Deep Q-Networks

4. Evaluierung & Validierung:

• Trainings- vs. Testdaten: Vermeidung von Overfitting

• Metriken: Genauigkeit, Precision, Recall, F1-Score, ROC-AUC

• Cross-Validation: Robuste Bewertung der Modellleistung

1. Überwachtes Lernen (Supervised Learning):

• Daten mit Labels (Eingabe → gewünschte Ausgabe)

• Modell lernt, vorhergesagte Ausgaben an Labels anzupassen

• Beispiele: Klassifikation, Regression (z. B. Spam-Filter, Hauspreisvorhersage)

2. Unüberwachtes Lernen (Unsupervised Learning):

• Keine Labels vorhanden

• Modell erkennt Strukturen, Muster oder Gruppen selbstständig

• Beispiele: Clustering, Dimensionsreduktion (z. B. Kundensegmentierung, PCA)

3. Bestärkendes Lernen (Reinforcement Learning):

• Agent lernt durch Interaktion mit Umgebung

• Belohnung / Bestrafung steuert Lernprozess

• Ziel: optimale Entscheidungen / Handlungen

• Beispiele: Robotersteuerung, Spiele (Schach, Go, Videospiele)

4. Semi-supervised Learning:

• Mischung aus gelabelten und ungelabelten Daten

• Reduziert den Aufwand für Datenerfassung

• Beispiele: Textklassifikation, medizinische Diagnose

Kurz:

• Supervised: Lernen aus bekannten Lösungen

• Unsupervised: Mustererkennung ohne Vorgaben

• Reinforcement: Lernen durch Belohnung/Bestrafung

• Semi-supervised: Kombination aus beiden

1. Supervised Learning (überwacht):

• Daten mit Labels

• Ziel: Vorhersage oder Klassifikation

• Beispiele:

  • Spam-Filter (E-Mail = Spam oder Nicht-Spam)

  • Hauspreisvorhersage anhand von Größe, Lage etc.

  • Bilderkennung (Katze/Hund)

• Merkmal: Modell lernt aus bekannten Ausgaben

2. Unsupervised Learning (unüberwacht):

• Daten ohne Labels

• Ziel: Muster, Strukturen oder Cluster finden

• Beispiele:

  • Kundensegmentierung im Marketing

  • Themenanalyse in Texten

  • Dimensionsreduktion (PCA, t-SNE)

• Merkmal: Modell erkennt selbständig Zusammenhänge

3. Reinforcement Learning (bestärkend):

• Lernen durch Interaktion mit Umgebung

• Ziel: Optimale Handlungen zur Maximierung von Belohnung

• Beispiele:

  • Robotersteuerung (z. B. Balancieren eines Roboters)

  • Spiele: Schach, Go, Videospiele

  • Optimierung von Lagerlogistik oder Energieverbrauch

• Merkmal: Lernen über Belohnung/Bestrafung, nicht direkt aus Datenpaaren

Warum Spiele geeignet sind:

• Klare Regeln & Ziele: Belohnungs- und Erfolgskriterien gut definiert → ideal für Reinforcement Learning.

• Simulierbare Umgebung: Schnelles Testen und Lernen ohne reale Konsequenzen.

• Messbare Ergebnisse: Punktestand, Sieg/Niederlage, Zeit → einfaches Feedback für Lernen.

• Hohe Komplexität bei kontrollierter Umgebung: Optimale Balance zwischen Herausforderung und Lernbarkeit.

Welche Spiele besonders geeignet sind:

• Strategiespiele: Schach, Go → komplexe Entscheidungsbäume, RL-Algorithmen wie AlphaGo.

• Videospiele: Atari-Spiele, Echtzeit-Strategiespiele → Deep Q-Networks (DQN) geeignet.

• Simulationen / Brettspiele: Tic-Tac-Toe, Poker → RL, Q-Learning.

Kurz:

• Eignung: klare Regeln, messbare Belohnung, simulierbare Umgebung

• Besonders geeignet: Strategiespiele, Videospiele, Simulationen, Brettspiele

• Komplexe Zusammenhänge: Wenn klassische Algorithmen oder Regeln die Problemstellung nicht effizient lösen können.

• Große Datenmengen: Ausreichend Trainingsdaten vorhanden, um Muster zuverlässig zu erkennen.

• Variabilität der Daten: Daten ändern sich dynamisch oder enthalten viele Ausnahmen.

• Vorhersagebedarf: Ziel ist Prognose, Klassifikation oder Mustererkennung.

• Automatisierung von Entscheidungen: Menschliche Entscheidungen sollen unterstützt oder ersetzt werden.

• Unklare Regeln: Kein einfach formulierbares mathematisches Modell vorhanden.

Kurz: Machine Learning = sinnvoll bei komplexen, datenreichen, dynamischen Problemen mit Vorhersage- oder Automatisierungsbedarf.

Grundprinzip:

• Maschine passt internes Modell an, um Eingaben auf gewünschte Ausgaben abzubilden.

• Lernen = Anpassung von Parametern basierend auf Erfahrung / Daten.

Schritte beim Lernen:

1. Datensammlung: Trainingsdaten mit Features (Eingaben) und ggf. Labels (Zielwerte).

2. Modellauswahl: Wahl eines Algorithmus oder Modells (z. B. lineares Modell, neuronales Netz).

3. Training:

   • Modell vergleicht Vorhersage mit tatsächlichem Ergebnis.

   • Fehler wird berechnet (z. B. MSE, Kreuzentropie).

   • Parameter werden angepasst (z. B. Gewichte im neuronalen Netz).

4. Evaluation: Testdaten prüfen, wie gut das Modell generalisiert.

5. Iteratives Verbessern: Lernen wiederholen, Hyperparameter anpassen, ggf. Daten erweitern.

Kurz:

• Lernen = Erfahrung sammeln + Fehler korrigieren → Modell verbessert Vorhersage/Funktion.

1. Nominalskala (Kategorien, Namen)

   • Beschreibung: Klassifikation ohne natürliche Reihenfolge

   • Beispiele: Geschlecht, Farbe, Nationalität

   • Operationen: Gleichheit / Ungleichheit prüfen

2. Ordinalskala (Rangordnung)

   • Beschreibung: Daten mit Reihenfolge, Abstände nicht interpretierbar

   • Beispiele: Platzierung in Wettkampf, Zufriedenheitsstufen

   • Operationen: Größer/Kleiner vergleichen, Rangfolge bestimmen

3. Intervallskala (gleich große Abstände)

   • Beschreibung: Reihenfolge + gleiche Abstände zwischen Werten, kein absoluter Nullpunkt

   • Beispiele: Temperatur in °C oder °F, IQ-Wert

   • Operationen: Addition, Subtraktion möglich, Verhältnis nicht sinnvoll

4. Verhältnisskala (Ratioskala)

   • Beschreibung: Reihenfolge, gleiche Abstände, absoluter Nullpunkt vorhanden

   • Beispiele: Gewicht, Länge, Preis

   • Operationen: Addition, Subtraktion, Multiplikation, Division

5. Absolutskala

   • Beschreibung: Zählbare, diskrete Werte mit absolutem Nullpunkt

   • Beispiele: Anzahl Personen, Anzahl Autos

   • Operationen: Alle mathematischen Operationen möglich

Kurz:

• Nominal: Kategorien

• Ordinal: Rangordnung

• Intervall: Abstände, kein Nullpunkt

• Verhältnis: Abstände + Nullpunkt

• Absolut: Zählbare Werte + Nullpunkt

• Definition: Maß für den Abstand oder die Ähnlichkeit zwischen Objekten oder Datenpunkten.

• Eigenschaften einer Metrik:

  1. Nichtnegativität: Abstand ≥ 0

  2. Identität: Abstand = 0 ↔ gleiche Objekte

  3. Symmetrie: Abstand(A, B) = Abstand(B, A)

  4. Dreiecksungleichung: Abstand(A, C) ≤ Abstand(A, B) + Abstand(B, C)

• Anwendungsbeispiele:

  • Euklidische Distanz in 2D/3D-Raum

  • Manhattan-Distanz (Stadtblock-Abstand)

  • Cosinus-Ähnlichkeit bei Texten oder Vektoren

• Zweck: Vergleich, Clustering, Klassifikation, Suche nach ähnlichen Objekten

Kurz: Metrik = Maß für Abstand oder Ähnlichkeit zwischen Objekten mit klar definierten Eigenschaften.

• Definition: Allgemeine Norm zur Berechnung des Abstands eines Vektors im n-dimensionalen Raum.

• Formel:

∥x∥p=(∑i=1n∣xi∣p)1/p∥x∥p​=(i=1∑n​∣xi​∣p)1/p

• Spezialfälle:

  • p=1p=1: Manhattan-Norm → Summe der Beträge (Taxi-Kabinen-Distanz)

  • p=2p=2: Euklidische Norm → klassische Luftlinien-Distanz

  • p→∞p→∞: Maximum-Norm → größter Betrag der Komponenten

• Anwendung: Abstandsmessung, Clustering, Klassifikation, Optimierung

Kurz: p-Norm = verallgemeinerte Abstandsberechnung eines Vektors, abhängig vom Parameter p.

• Definition: Zuordnung von Objekten oder Datenpunkten zu vordefinierten Klassen.

• Ziel: Vorhersage der Kategorie eines neuen, unbekannten Datenpunkts anhand von Trainingsdaten.

• Merkmale:

  • Überwachtes Lernen (Labels bekannt)

  • Modell lernt Unterschiede zwischen Klassen

• Beispiele:

  • E-Mail → Spam oder Nicht-Spam

  • Bilderkennung → Katze, Hund, Auto

  • Kreditwürdigkeit → gut / schlecht

• Methoden: Entscheidungsbäume, k-Nearest Neighbors, Naive Bayes, neuronale Netze

Kurz: Klassifikation = automatisches Einordnen von Objekten in vordefinierte Kategorien anhand gelernter Muster.

• Definition: Gruppierung von Objekten oder Datenpunkten in Cluster, sodass Punkte innerhalb eines Clusters ähnlicher zueinander sind als zu Punkten anderer Cluster.

• Ziel: Muster, Strukturen oder natürliche Gruppen in unbeschrifteten Daten erkennen.

• Merkmale:

  • Unüberwachtes Lernen (Labels nicht bekannt)

  • Distanz- oder Ähnlichkeitsmaß entscheidet über Clusterzugehörigkeit

• Beispiele:

  • Kundensegmentierung im Marketing

  • Bild- oder Textanalyse

  • Genanalyse / Bioinformatik

• Methoden: K-Means, Hierarchisches Clustering, DBSCAN

Kurz: Clustering = automatisches Gruppieren von ähnlichen Objekten in unbeschrifteten Daten.

• Definition: Vorhersage kontinuierlicher Zielgrößen anhand von Eingabedaten.

• Ziel: Modelliert den Zusammenhang zwischen Eingaben (Features) und Ausgabe (Target).

• Merkmale:

  • Überwachtes Lernen (Labels bekannt)

  • Schätzung einer Funktion y=f(x)y=f(x)

  • Minimierung eines Fehlers (z. B. mittlere quadratische Abweichung)

• Beispiele:

  • Hauspreisvorhersage anhand von Größe, Lage, Zimmerzahl

  • Prognose von Temperaturen, Aktienkursen oder Stromverbrauch

• Methoden: Lineare Regression, Polynomial Regression, Ridge/Lasso, neuronale Netze

Kurz: Regression = Vorhersage kontinuierlicher Werte aus Eingabedaten durch Schätzung von Zusammenhängen.

• Definition: Unüberwachtes Lernverfahren, das Daten in eine hierarchische Baumstruktur (Dendrogramm)gruppiert.

• Ziel: Erkennen von verschachtelten Clusterstrukturen.

• Vorgehensweisen:

  1. Agglomerativ (Bottom-Up):

     • Jeder Punkt startet als eigenes Cluster

     • Ähnliche Cluster werden schrittweise zusammengeführt

  2. Divisiv (Top-Down):

     • Alle Punkte starten in einem Cluster

     • Schrittweise Aufspaltung in kleinere Cluster

• Ähnlichkeitsmaß: Distanz- oder Ähnlichkeitsmetriken bestimmen Fusion/Trennung

• Beispiele:

  • Genanalyse → verwandte Gene clustern

  • Marktsegmentierung → Kunden nach Kaufverhalten gruppieren

Kurz: Hierarchisches Clustering = Gruppierung von Daten in verschachtelte Cluster, visualisiert als Baum (Dendrogramm), Bottom-Up oder Top-Down.

1. Bottom-Up Clustering (Agglomeratives Clustering):

• Vorgehen: Start mit jedem Datenpunkt als eigenes Cluster → schrittweise Zusammenführung der ähnlichsten Cluster.

• Endergebnis: Baumstruktur / Dendrogramm, große Cluster durch Fusion kleiner Cluster.

• Beispiele: Hierarchisches Clustering von Genen oder Kunden.

2. Top-Down Clustering (Divisives Clustering):

• Vorgehen: Start mit allen Datenpunkten in einem großen Cluster → schrittweise Aufspaltung in kleinere Cluster basierend auf Ungleichheiten.

• Endergebnis: Dendrogramm, große Cluster werden in Untergruppen aufgeteilt.

• Beispiele: Segmentierung von Märkten oder Dokumenten in Unterkategorien.

Kurz:

• Bottom-Up = Zusammenführen → kleiner zu größer

• Top-Down = Aufspalten → größer zu kleiner

• Definition: Unüberwachtes Lernverfahren, das die Daten direkt in eine feste Anzahl von Clustern (k Cluster)aufteilt.

• Vorgehen:

  1. Anzahl der Cluster kk vorgeben

  2. Initialisierung der Clusterzentren (z. B. zufällig)

  3. Zuweisung jedes Punktes zum nächsten Clusterzentrum

  4. Aktualisierung der Clusterzentren

  5. Iteration bis Konvergenz (keine oder minimale Änderungen)

• Bekannte Methoden: K-Means, K-Medoids

• Merkmale:

  • Flache Clusterstruktur (kein Dendrogramm)

  • Effizient für große Datensätze

• Beispiele:

  • Kundensegmentierung in 3–5 Zielgruppen

  • Bildsegmentierung in Farbregionen

Kurz: Partitionierendes Clustering = direkte Aufteilung der Daten in k flache Cluster durch iterative Optimierung der Clusterzentren.

• Definition: Unüberwachtes Lernverfahren, das Cluster als Regionen hoher Punktdichte erkennt.

• Vorgehensweise:

  • Dichte = Anzahl der Punkte innerhalb eines definierten Radius (εε)

  • Punkte in dichten Regionen → Cluster

  • Punkte in dünn besiedelten Regionen → Rauschen / Ausreißer

• Bekannte Methoden: DBSCAN, OPTICS

• Merkmale:

  • Anzahl der Cluster muss nicht vorgegeben werden

  • Robust gegenüber Ausreißern

  • Kann Cluster beliebiger Form erkennen

• Beispiele:

  • Erkennung von Hotspots in GPS-Daten

  • Anomalieerkennung in Netzwerken oder Sensoren

Kurz: Dichtebasiertes Clustering = Bildung von Clustern durch Regionen hoher Punktdichte, erkennt beliebig geformte Cluster und isoliert Ausreißer.

• Definition: Maß für Unordnung, Unsicherheit oder Informationsgehalt in einem Datensatz.

• Zweck / Anwendung:

  • Bestimmung, wie informativ eine Variable für Vorhersagen ist

  • Entscheidungsbaum-Algorithmen (z. B. ID3, C4.5) nutzen Entropie zur Auswahl der besten Splits

  • Erkennung von Datenheterogenität und Unregelmäßigkeiten

• Interpretation:

  • Hohe Entropie → große Unsicherheit / heterogene Daten

  • Niedrige Entropie → geringe Unsicherheit / homogene Daten

• Formel (für Klassifikation):

H(X)=−∑ip(xi)log⁡2p(xi)H(X)=−i∑​p(xi​)log2​p(xi​)

Kurz: Datenentropie = Maß für Informationsgehalt oder Unordnung, genutzt z. B. zur Auswahl von Splits in Entscheidungsbäumen.

Definition:

• ID3 = „Iterative Dichotomiser 3“, Entscheidungsbaum-Algorithmus für überwachtes Lernen.

• Ziel: Baum bauen, der Datenpunkte korrekt klassifiziert.

Vorgehensweise:

1. Datenanalyse: Ausgangsdaten mit Features und Labels vorbereiten

2. Entropie berechnen: Für jedes Feature den Informationsgehalt (Entropie) ermitteln

3. Feature-Auswahl: Wähle das Feature mit dem höchsten Informationsgewinn als Split

4. Aufteilung der Daten: Teile Datensatz in Untergruppen entsprechend Feature-Werten

5. Rekursion: Wiederhole Schritte 2–4 für jede Untergruppe, bis:

   • Alle Knoten homogen (nur eine Klasse)

   • Keine weiteren Features übrig

6. Baum erzeugen: Endknoten = Klassen, innere Knoten = Features

Merkmale:

• Nutzt Entropie & Informationsgewinn zur Entscheidungsfindung

• Baum kann leicht interpretiert werden

Kurz: ID3 = Entscheidungsbaum-Algorithmus, der Features mit höchstem Informationsgewinn auswählt, um Daten in Klassen zu unterteilen.

• Definition: Maß dafür, wie viel Unsicherheit (Entropie) durch die Aufteilung nach einem Feature reduziert wird.

• Zweck:

  • Bestimmt, welches Feature am besten zur Aufteilung der Daten geeignet ist

  • Feature mit höchstem Informationsgewinn → oberster Knoten im Entscheidungsbaum

• Formel:

Informationsgewinn(S,A)=H(S)−∑v∈Values(A)∣Sv∣∣S∣H(Sv)Informationsgewinn(S,A)=H(S)−v∈Values(A)∑​∣S∣∣Sv​∣​H(Sv​)

• H(S)H(S) = Entropie des aktuellen Datensatzes

• SvSv​ = Teilmenge der Daten mit Featurewert vv

• Interpretation:

  • Hoher Gewinn → Feature trennt die Daten gut, reduziert Unordnung

  • Niedriger Gewinn → Feature liefert kaum neue Informationen

Kurz: Informationsgewinn = Maß für den Nutzen eines Features bei der Reduktion der Entropie im Entscheidungsbaum.

1. Definition: Ein Entscheidungsbaum, der die Trainingsdaten klassifiziert.

2. Merkmale des Baums:

   • Innere Knoten: Repräsentieren die ausgewählten Features (mit höchstem Informationsgewinn)

   • Kanten / Zweige: Repräsentieren Feature-Werte, die zu den Unterknoten führen

   • Blätter / Endknoten: Repräsentieren die Klassen oder Vorhersagen

3. Nutzen:

   • Kann neue, unbekannte Datenpunkte klassifizieren

   • Leicht interpretierbar → zeigt logische Entscheidungsregeln

4. Kurz:

   • Ergebnis = baumartige Struktur, die Daten nach Features aufteilt und Klassenzugehörigkeiten angibt

Kurz:

• Klassifikation = Daten in bekannte Klassen einordnen

• Clustering = Daten ohne Klassen in Gruppen nach Ähnlichkeit zusammenfassen

1. Entscheidungsbaum (z. B. ID3, C4.5)

• Beschreibung: Baumstruktur, innere Knoten = Features, Blätter = Klassen

• Vorteile:

  • Leicht interpretierbar

  • Keine Annahmen über Verteilungen der Daten nötig

• Nachteile:

  • Kann überfitten (Overfitting)

  • Kleine Änderungen in Daten können Baum stark verändern

2. k-Nearest Neighbors (kNN)

• Beschreibung: Klassifiziert neue Punkte nach den k nächsten Nachbarn in Feature-Raum

• Vorteile:

  • Einfach zu verstehen und zu implementieren

  • Flexibel für beliebige Klassenzahl

• Nachteile:

  • Langsam bei großen Datensätzen

  • Sensitiv gegenüber irrelevanten Features und Skalierung

3. Naive Bayes

• Beschreibung: Wahrscheinlichkeitsbasiertes Modell, Annahme: Features unabhängig

• Vorteile:

  • Schnell und effizient

  • Funktioniert gut bei vielen Features

• Nachteile:

  • Annahme der Unabhängigkeit oft unrealistisch

  • Schlechter bei komplexen nichtlinearen Zusammenhängen

Kurz:

• Entscheidungsbaum: interpretierbar, aber overfitting-anfällig

• kNN: flexibel, aber rechenintensiv

• Naive Bayes: schnell, aber starke Annahmen über Daten

• Problem: Datenpunkte der Klassen können nicht durch eine gerade Linie (Hyperplane) getrennt werden.

• Lösungsansätze:

  1. Transformation in höheren Dimensionsraum:

     • Kernelmethoden (z. B. SVM mit RBF-Kernel)

     • Nichtlineare Trennung im Originalraum wird linear im höheren Raum

  2. Fehler-/Weichheitsansatz (Soft Margin):

     • Einige Fehlklassifikationen werden toleriert

     • Balanciert zwischen Trennung und Generalisierung

  3. Nichtlineare Modelle:

     • Entscheidungsbäume, neuronale Netze

     • Lernen komplexer Trennflächen direkt aus den Daten

• Beispiele:

  • XOR-Problem (klassisches Beispiel für nicht linear separierbare Daten)

  • Bilderkennung, wo Klassen überlappende Merkmale haben

Kurz: Nicht linear separierbare Daten → Klassifikator nutzt Transformationen, Soft Margin oder nichtlineare Modelle, um Klassen zu trennen.

1. Datenqualität verbessern:

• Mehr Trainingsdaten sammeln

• Rauschen und Ausreißer entfernen

• Feature-Engineering: relevante Merkmale auswählen / transformieren

2. Modellwahl und -anpassung:

• Komplexere oder passendere Modelle wählen (z. B. neuronale Netze, Random Forest)

• Hyperparameter optimieren (z. B. Lernrate, Tiefe des Baums, k bei kNN)

3. Regularisierung:

• Overfitting vermeiden → L1/L2 Regularisierung, Pruning bei Entscheidungsbäumen

4. Ensemble-Methoden:

• Mehrere Modelle kombinieren → Bagging, Boosting, Voting

5. Cross-Validation:

• Modell robust auf verschiedenen Teilmengen testen → Überprüfung der Generalisierung

Kurz: Güte verbessern = bessere Daten + geeignetes Modell + Regularisierung + Ensembles + Cross-Validation.

1. Fehlende Daten (Missing Values):

• Entfernen: Zeilen oder Spalten löschen (nur bei wenigen fehlenden Werten sinnvoll)

• Imputieren: Fehlende Werte schätzen

  • Mittelwert / Median / Modus

  • Vorherige / nächste Beobachtung (Time Series)

  • Modellbasierte Imputation (z. B. kNN-Imputation)

2. Falsche / fehlerhafte Daten (Outliers / Noise):

• Erkennen: Statistische Methoden, Boxplots, Z-Score, Interquartilsabstand

• Behandeln:

  • Entfernen oder korrigieren, falls Fehler eindeutig

  • Transformation / Winsorizing (extreme Werte begrenzen)

  • Robustere Modelle wählen

3. Vorbeugung:

• Datenvalidierung bei Erfassung

• Sensor- oder Eingabeüberprüfung

Kurz: Fehlende Daten → löschen oder imputieren; falsche Daten → erkennen, korrigieren oder robuste Modelle nutzen.

• Definition: Teilbereich des Machine Learning, der tiefe neuronale Netze (mehrere Schichten) nutzt, um komplexe Muster in Daten zu erkennen.

• Merkmale:

  • Automatische Feature-Extraktion aus Rohdaten

  • Lernprozesse über viele Schichten (Hidden Layers)

  • Besonders geeignet für große, unstrukturierte Daten (Bilder, Texte, Audio)

• Methoden / Architekturen:

  • Convolutional Neural Networks (CNN): Bild- und Videodaten

  • Recurrent Neural Networks (RNN): Sequenzdaten, Zeitreihen

  • Transformers: Texte, Sprache, große Modelle (z. B. GPT)

• Vorteile:

  • Kann sehr komplexe nichtlineare Zusammenhänge modellieren

  • Wenig manuelles Feature-Engineering nötig

• Nachteile:

  • Braucht große Datenmengen

  • Hohe Rechenleistung erforderlich

  • Interpretierbarkeit oft schwierig

Kurz: Deep Learning = Machine Learning mit tiefen neuronalen Netzen → lernt komplexe Muster automatisch aus großen Datenmengen.

1. Vorbild: Biologisches Neuron im Gehirn

2. Struktur im Biologischen:

   • Dendriten: Empfangen Signale von anderen Neuronen

   • Zellkörper (Soma): Verarbeitet Signale

   • Axon: Leitet Ausgangssignal weiter

3. Übertragung auf künstliches Neuron:

   • Inputs = Dendriten → Signale aus anderen Neuronen oder Datenpunkten

   • Gewichte = Synapsenstärke → Wichtigkeit des Inputs

   • Summation + Aktivierungsfunktion = Soma → verarbeitet Inputs

   • Output = Axon → weitergegeben an nächste Schicht

4. Kurz:

   • Künstliches neuronales Netz inspiriert vom Gehirn → Inputs gewichtet, summiert, aktiviert → Output

• Biologisches Vorbild: Neuron feuert nur, wenn Schwelle überschritten → binäres Verhalten

• Künstliches Neuron:

  • Nutzt kontinuierliche Aktivierungsfunktionen (z. B. Sigmoid, ReLU, Tanh)

  • Grund: Differenzierbarkeit für Gradientenverfahren / Backpropagation

  • Schwellenwert wie in echten Nervenzellen nicht differenzierbar → kein effizientes Lernen möglich

• Vorteil:

  • Glatte Funktion → kontinuierliche Anpassung der Gewichte

  • Ermöglicht nichtlineare Abbildungen und komplexe Lernprozesse

Kurz: Kein harter Schwellenwert, weil kontinuierliche, differenzierbare Aktivierungsfunktionen für effizientes Lernen notwendig sind.

Sigmoid (logistische Funktion)

• Bereich: (0, 1)

• Eigenschaften: S-förmig, differenzierbar

• Vorteil: Wahrscheinlichkeitsinterpretation

• Nachteil: Vanishing-Gradient-Problem bei tiefen Netzen

2. Tanh (hyperbolische Tangens)

• Bereich: (−1, 1)

• Eigenschaften: Zentriert um 0, stärkerer Gradient als Sigmoid

• Vorteil: Bessere Konvergenz als Sigmoid

• Nachteil: Vanishing-Gradient bei großen Schichten

3. ReLU (Rectified Linear Unit)

• Formel: f(x)=max⁡(0,x)f(x)=max(0,x)

• Bereich: [0, ∞)

• Eigenschaften: Einfach, schnell, reduziert Vanishing-Gradient

• Nachteil: „Dying ReLU“ → Neuronen können inaktiv werden

4. Varianten von ReLU: Leaky ReLU, Parametric ReLU (PReLU)

• Verhindert „Dying ReLU“ durch kleinen positiven Gradient für negative Inputs

Kurz: Häufige Aktivierungsfunktionen: Sigmoid, Tanh, ReLU (+ Varianten) → entscheiden über Nichtlinearität und Lernfähigkeit.

1. Vorwärtspropagation (Forward Pass)

   • Eingabedaten → Schichten durchlaufen

   • Neuronen berechnen gewichtete Summe + Aktivierungsfunktion

   • Output entsteht

2. Fehlerberechnung

   • Output wird mit Zielwert (Label) verglichen

   • Loss-Funktion misst Abweichung (z. B. MSE, Cross-Entropy)

3. Rückwärtspropagation (Backpropagation)

   • Fehler wird rückwärts durchs Netz propagiert

   • Berechnung der Gradienten (Ableitungen der Gewichte)

4. Gewichtsaktualisierung

   • Optimierungsverfahren (z. B. Gradient Descent) passt Gewichte an

   • Ziel: Fehler (Loss) minimieren

5. Iterativer Prozess

   • Viele Wiederholungen (Epochen) mit Trainingsdaten

   • Netz generalisiert Muster und verbessert Vorhersagen

Kurz: Neuronales Netz lernt durch Vorwärtspropagation, Fehlerberechnung, Backpropagation und Anpassung der Gewichte.

• Gewichte (Weights):

  • Stärke der Verbindungen zwischen Neuronen

  • Bestimmen, wie stark ein Input ein Neuron beeinflusst

• Biases:

  • Schwellenwert-artige Anpassung pro Neuron

  • Ermöglicht Verschiebung der Aktivierungsfunktion

• Lernprozess:

  • Backpropagation + Optimierung passt Gewichte und Biases iterativ an

  • Muster und Zusammenhänge in Daten werden in diesen Parametern codiert

Kurz: Das Wissen eines neuronalen Netzes ist in den Gewichten und Biases gespeichert.

1. Einschichtiges Perzeptron (Single-Layer Perceptron)

• Struktur: Eine Eingabeschicht → eine Ausgabeschicht

• Fähigkeit: Kann nur linear separierbare Probleme lösen

• Beispiel: AND, OR-Funktion

2. Mehrschichtiges Perzeptron (Multi-Layer Perceptron, MLP)

• Struktur: Eingabeschicht + eine oder mehrere versteckte Schichten (Hidden Layers) + Ausgabeschicht

• Fähigkeit: Kann nichtlineare Probleme lösen

• Beispiel: XOR-Funktion, komplexe Klassifikationen

• Lernverfahren: Backpropagation, Gradient Descent

Kurz:

• Einschichtig = linear, einfach

• Mehrschichtig = nichtlinear, komplexe Muster erkennbar

1. Lernregeln

• Feste, vorgegebene Regeln zur Anpassung von Parametern

• Keine eigenständige Mustererkennung

• Beispiele:

  • Perzeptron-Lernregel

  • Hebb’sches Lernen

• Vorteil: einfach, erklärbar

• Nachteil: begrenzt, kann nur einfache Probleme lösen

2. Maschinelles Lernen (ML)

• Algorithmischer Ansatz, der aus Daten selbstständig Muster lernt

• Optimierung von Gewichten / Parametern durch Fehler-Feedback

• Beispiele: Entscheidungsbäume, neuronale Netze, SVM

• Vorteil: flexibel, kann komplexe, nichtlineare Probleme lösen

• Nachteil: oft weniger interpretierbar, benötigt Daten

Kurz:

• Lernregeln = starre, einfache Anpassungsregeln

• Maschinelles Lernen = selbstständiges Lernen aus Daten mit Optimierung

1. Overfitting

• Modell passt sich zu stark an Trainingsdaten an → schlechte Generalisierung auf neue Daten

2. Vanishing / Exploding Gradients

• Gradienten bei Backpropagation werden zu klein oder zu groß → langsames oder instabiles Lernen

3. Hoher Rechenaufwand

• Training tiefen Netzen benötigt viel Speicher und Rechenleistung (GPUs)

4. Große Datenmengen erforderlich

• Deep Learning benötigt viele Trainingsdaten, sonst schlechte Leistung

5. Interpretierbarkeit / Black Box

• Schwer nachzuvollziehen, warum das Modell bestimmte Vorhersagen trifft

6. Hyperparameter-Abhängigkeit

• Leistung stark abhängig von Netztiefe, Lernrate, Batchgröße, Aktivierungsfunktion

Kurz: Probleme = Overfitting, Gradientenprobleme, hoher Rechenaufwand, viele Daten nötig, Black Box, Hyperparameter-Sensitivität.

• Definition: Regularisierungstechnik für neuronale Netze, um Overfitting zu reduzieren

• Vorgehen:

  • Während des Trainings werden zufällig einzelne Neuronen „ausgeschaltet“ (temporär deaktiviert)

  • Netz kann nicht auf einzelne Neuronen fixiert lernen, muss robuste Merkmale entwickeln

• Effekt:

  • Verbessert Generalisation auf neue Daten

  • Wirkt wie Training mehrerer leicht unterschiedlicher Netzwerke gleichzeitig

• Anwendung:

  • Häufig in MLP, CNN, RNN

  • Dropout-Rate z. B. 0,2–0,5 → 20–50 % der Neuronen werden pro Trainingsschritt deaktiviert

Kurz: Dropout = zufälliges Deaktivieren von Neuronen beim Training, um Overfitting zu verhindern.

1. Überwachtes Lernen (Supervised Learning)

   • Daten mit bekannten Labels (Zielwerten)

   • Ziel: Vorhersage / Klassifikation neuer Daten

   • Beispiele: Entscheidungsbaum, kNN, lineare Regression

2. Unüberwachtes Lernen (Unsupervised Learning)

   • Daten ohne Labels

   • Ziel: Struktur / Muster / Cluster in Daten erkennen

   • Beispiele: K-Means, Hierarchisches Clustering, PCA

3. Bestärkendes Lernen (Reinforcement Learning)

   • Agent lernt durch Interaktion mit Umgebung

   • Ziel: Maximierung einer Belohnung (Reward)

   • Beispiele: Spiele (Schach, Go), Robotersteuerung

Kurz: Drei Lernverfahren = Supervised (gelabelt), Unsupervised (ungelabelt), Reinforcement (durch Belohnung lernen).

1. Nur lineare Trennbarkeit

   • Kann nur linear separierbare Probleme lösen (z. B. AND, OR)

   • Komplexe nichtlineare Probleme (z. B. XOR) nicht lösbar

2. Begrenzte Modellkapazität

   • Keine verborgenen Schichten → kann keine nichtlinearen Muster lernen

   • Keine Feature-Extraktion möglich

3. Geringe Flexibilität

   • Anpassung an unterschiedliche Datenverteilungen schwierig

4. Überfitting / Unterfitting

   • Bei wenigen Features oft Unterfitting

   • Bei vielen Features + linearem Modell → Overfitting möglich

Kurz: Einschichtige Netze = nur linear, geringe Modellkapazität, keine komplexen Muster erlernbar.

• Definition: Softmax wandelt die Ausgaben eines Neuronennetzes in Wahrscheinlichkeiten um

  • Summe aller Ausgaben = 1

  • Jeder Wert ∈ (0, 1)

• Verwendung:

  • Mehrklassige Klassifikation (Multiclass Classification)

  • Ausgangsschicht eines neuronalen Netzes → jedes Neuron repräsentiert eine Klasse

• Beispiel:

  • Bildklassifikation mit 10 Klassen (Ziffernerkennung MNIST)

  • Ausgabe = Wahrscheinlichkeit, dass Bild zu Klasse 0–9 gehört

• Vorteil:

  • Eindeutige Zuordnung von Datenpunkten zu einer Klasse

  • Einfache Interpretation als Wahrscheinlichkeiten

Kurz: Softmax = Aktivierungsfunktion für Ausgangsschicht bei Mehrklassen-Klassifikation, liefert Wahrscheinlichkeiten für jede Klasse.

• Definition: Hyperparameter, der bestimmt, wie stark die Gewichte eines neuronalen Netzes bei jedem Schritt angepasst werden

• Funktion:

  • Steuert die Schrittweite im Gradientenabstieg

  • Zu hohe Lernrate → Lernen instabil, Sprünge über Minimum

  • Zu niedrige Lernrate → Lernen sehr langsam, Gefahr im lokalen Minimum zu hängen

• Anwendung:

  • Optimierung von neuronalen Netzen

  • Kann adaptiv angepasst werden (z. B. Adam, RMSProp)

Kurz: Lernrate = Schrittgröße beim Anpassen der Gewichte während des Trainings.

• Bild- und Videoverarbeitung:

  • Objekterkennung, Gesichtserkennung, medizinische Bildanalyse

• Spracherkennung und Verarbeitung:

  • Sprachassistenten, Übersetzung, Transkription

• Autonomes Fahren:

  • Objekterkennung, Spurhalte- und Abstandsregelung

• Finanzwesen:

  • Kreditwürdigkeitsprüfung, Betrugserkennung, Aktienprognosen

• Empfehlungssysteme:

  • Filme, Musik, Produkte auf Streaming- oder Shoppingplattformen

• Robotik:

  • Bewegungsplanung, Greif- und Navigationsaufgaben

• Spiele & KI-Agenten:

  • Go, Schach, Computerspiele, RL-Agenten

Kurz: Neuronale Netze = ideal für komplexe, nichtlineare Muster in Bildern, Sprache, Finanzdaten, autonomen Systemen und Empfehlungen.

Vorteile:

• Können komplexe nichtlineare Zusammenhänge modellieren

• Automatische Feature-Extraktion möglich

• Flexibel → für Bilder, Sprache, Text, Zeitreihen geeignet

• Gut skalierbar bei großen Datenmengen

Nachteile:

• Black Box → schwer interpretierbar

• Hoher Rechenaufwand → Training kann sehr ressourcenintensiv sein

• Viele Daten erforderlich → kleine Datensätze oft problematisch

• Hyperparameter-sensitiv → Lernrate, Anzahl Schichten, Neuronen usw. stark einflussreich

• Gefahr von Overfitting bei zu komplexen Netzen

Kurz: Neuronale Netze = mächtig & flexibel, aber daten- und rechenintensiv sowie schwer interpretierbar.

• Definition: Test zur Bewertung künstlicher Intelligenz auf Grundlage von Kommunikation

• Funktionsweise:

  • Menschlicher Prüfer unterhält sich über Text mit einem Menschen und einer Maschine

  • Prüfer weiß nicht, wer Mensch / Maschine ist

  • Ziel: Prüfer soll nicht unterscheiden können, wer die Maschine ist

• Messung:

  • Misst Intelligenz oder menschenähnliches Verhalten einer Maschine

  • Keine Messung von "Verständnis", sondern Täuschungsfähigkeit

• Bedeutung:

  • Historisch: Alan Turing, 1950, „Computing Machinery and Intelligence“

  • Heute: eher philosophisches Konzept, KI-Bewertung oft spezifischer

Kurz: Turing-Test = Prüfung, ob eine Maschine durch ihr Verhalten einen Menschen täuschen kann; misst menschenähnliche Intelligenz.

• Definition: Virtuelles Abbild eines realen Produkts oder Systems, das laufend mit Echtzeitdaten aktualisiert wird

• Anwendungsbereiche:

  • Simulation & Testen: Verhalten von Produkten unter verschiedenen Bedingungen prüfen

  • Optimierung: Design, Leistung, Energieverbrauch verbessern

  • Fehlerdiagnose / Predictive Maintenance: Frühzeitiges Erkennen von Verschleiß oder Störungen

  • Variantenmanagement: Verschiedene Produktversionen virtuell abbilden und vergleichen

  • Produktlebenszyklusmanagement (PLM): Von der Entwicklung bis zum Betrieb Daten nutzen

• Vorteile:

  • Verkürzt Entwicklungszeit

  • Reduziert physische Prototypen

  • Bessere Entscheidungsgrundlage durch Echtzeitdaten

Kurz: Digitale Zwillinge = virtuelle Abbilder, die Simulation, Optimierung, Wartung und Variantenmanagement in der Produktentwicklung ermöglichen.

• Entwicklungsphase:

  • Virtuelle Prototypen für Simulation & Designoptimierung

  • Tests unter verschiedenen Bedingungen ohne physische Prototypen

• Produktionsphase:

  • Überwachung der Fertigungsprozesse

  • Qualitätssicherung durch Vergleich von realem Produkt und digitalem Zwilling

• Betriebsphase / Nutzung:

  • Echtzeit-Daten aus Sensoren → Überwachung & Predictive Maintenance

  • Leistung optimieren und Verschleiß frühzeitig erkennen

• Service- & Wartungsphase:

  • Fehlerdiagnose und Wartungsplanung basierend auf digitalen Zwillingen

  • Simulation von Reparaturmaßnahmen

• Variantenmanagement / Lebenszyklusmanagement:

  • Verschiedene Produktversionen virtuell abbilden

  • Entscheidungen über Upgrades oder Anpassungen unterstützen

Kurz: Digitale Zwillinge begleiten Produkte durch Entwicklung, Produktion, Betrieb und Service, liefern Daten für Optimierung, Wartung und Variantenmanagement.

• Sensorische Messwerte:

  • Temperatur, Druck, Drehzahl, Strom, Vibration, Feuchtigkeit

• Betriebszustände:

  • Last, Geschwindigkeit, Laufzeit, Schaltzyklen

• Historische Daten:

  • Früheres Verhalten, Fehlerprotokolle, Wartungshistorie

• Umgebungsbedingungen:

  • Umgebungstemperatur, Luftfeuchtigkeit, Staub oder Schmutz

• Abweichungen / Anomalien:

  • Signale, die von normalen Betriebswerten abweichen → Hinweis auf Verschleiß

• Zusammenfassung:

  • Alle Daten, die Zustand, Leistung und Verschleiß eines Systems beschreiben

  • Grundlage für frühzeitige Fehlererkennung und Wartungsplanung

Kurz: Wertvolle Daten = Sensorwerte, Betriebszustände, historische Daten, Umweltinformationen, Abweichungen → Grundlage für Condition Monitoring & Predictive Maintenance.

Kurz:

• Digitaler Zwilling = virtuelles Abbild für Analyse & Vorhersage

• Autonomes System = handelt eigenständig in der realen Welt

1. Produkt-Zwilling (Product Digital Twin)

   • Abbild eines einzelnen Produkts oder Bauteils

   • Fokus auf Design, Funktion, Performance

2. Prozess-Zwilling (Process Digital Twin)

   • Modelliert Produktions- oder Geschäftsprozesse

   • Fokus auf Effizienz, Optimierung, Engpässe

3. System-Zwilling (System Digital Twin)

   • Gesamtsystem aus mehreren Komponenten

   • Fokus auf Zusammenspiel, Integration und Betrieb

4. Asset-Zwilling (Asset Digital Twin)

   • Konkretes physisches Objekt im Betrieb

   • Fokus auf Betriebszustand, Wartung, Lifecycle

5. Hybrid-Zwilling / Multi-Level-Zwilling

   • Kombination aus mehreren Zwillingstypen

   • Ermöglicht übergreifende Analyse von Produkt, Prozess und System

Kurz: Digitale Zwillinge = Produkt, Prozess, System, Asset, Hybrid → verschiedene Perspektiven für Design, Betrieb, Optimierung.

• Automobilindustrie:

  • Simulation von Fahrzeugen, autonomes Fahren, Verschleißanalyse

• Luft- und Raumfahrt:

  • Flugzeugwartung, Materialermüdung, Optimierung von Systemen

• Produktion / Fertigung:

  • Prozessoptimierung, Qualitätskontrolle, Predictive Maintenance

• Energie / Versorgungswesen:

  • Kraftwerke, Windturbinen, Netzüberwachung

• Gebäudemanagement / Smart Cities:

  • Gebäudeautomation, Energieeffizienz, Verkehrsmanagement

• Gesundheitswesen / Medizintechnik:

  • Simulation von Organen, Implantaten, Patientenüberwachung

• Robotik / autonome Systeme:

  • Simulation und Test von Robotern und Drohnen

Kurz: Digitale Zwillinge = überall, wo Simulation, Optimierung, Wartung und Analyse von Produkten, Prozessen oder Systemen benötigt werden.

• Ideengenerierung / Konzeptentwicklung:

  • Automatische Erstellung von Designvarianten, Konzeptskizzen, Prototypenideen

• Simulation & Optimierung:

  • Generierung von Materialkombinationen, Bauteilformen unter definierten Anforderungen

• Automatisiertes Design (CAD/CAE):

  • Vorschläge für 3D-Modelle oder Konstruktionsänderungen

• Dokumentation & Berichtserstellung:

  • Automatisches Erstellen von Berichten, Spezifikationen, User Manuals

• Personalisierung / Customization:

  • Individuelle Produktvarianten basierend auf Kundendaten oder Präferenzen

• Training & Schulung:

  • Generative KI erzeugt Szenarien oder Daten für Tests und Simulationen

Kurz: Generative KI = Ideen, Designvarianten, Optimierung, Dokumentation, Personalisierung und Trainingsdaten in der Produktentwicklung.

• Erzeugt neue Inhalte:

  • Texte, Bilder, Audio, Video, 3D-Modelle, Designs

• Lernt aus Daten:

  • Analysiert Muster in Trainingsdaten, um neue, ähnliche Inhalte zu generieren

• Nicht deterministisch:

  • Ergebnis kann bei gleicher Eingabe variieren

• Kreativ & explorativ:

  • Kann Innovationen, Varianten und Vorschläge liefern, die Menschen inspirieren

• Vielfältige Anwendungsbereiche:

  • Produktdesign, Marketing, Simulation, Text-/Bildgenerierung

• Erfordert Steuerung & Kontrolle:

  • Qualitätsprüfung notwendig → nicht immer fehlerfrei oder realitätsgetreu

Kurz: Generative KI = kreativ, datengestützt, erzeugt neue Inhalte, nicht deterministisch, vielseitig einsetzbar.

1. Diskriminative Modelle

• Lernen die direkte Abbildung von Input → Output

• Ziel: Trennung/Klassifikation der Daten

• Konzentrieren sich auf Grenzen zwischen Klassen

• Beispiele:

  • Logistische Regression, SVM, diskriminative neuronale Netze

• Vorteil: Gute Klassifikationsleistung, weniger komplex

• Nachteil: Können keine neuen Daten erzeugen

2. Generative Modelle

• Lernen die wahrscheinliche Verteilung der Daten

• Ziel: Neue Datenpunkte erzeugen, die der Trainingsverteilung ähneln

• Modelliert gemeinsame Wahrscheinlichkeit P(Input, Output)

• Beispiele:

  • GANs, Variational Autoencoders (VAE), Naive Bayes

• Vorteil: Kann neue Beispiele generieren, nützlich für Simulation & Kreativität

• Nachteil: Meist komplexer, schwieriger zu trainieren

Kurz:

• Diskriminativ = klassifizieren / trennen

• Generativ = Daten erzeugen / Verteilung modellieren

1. Strukturoptimierung

• Ziel: Optimale Materialverteilung / Form unter gegebenen Lasten und Randbedingungen

• Prozess:

  • Ingenieur definiert Lasten, Kräfte, Materialeigenschaften

  • Algorithmus passt Struktur an → minimiert Gewicht / maximiert Stabilität

• Ergebnis: meist funktionale, minimalistische Geometrie

• Fokus: mechanische Effizienz & Funktionalität

• Meist deterministisch und auf physikalische Gesetze begrenzt

2. Generative AI

• Ziel: Kreative, neue Designvarianten basierend auf Trainingsdaten

• Prozess:

  • KI lernt aus vorhandenen Designs, Normen oder Nutzerpräferenzen

  • Generiert neue Vorschläge, die teilweise physikalisch plausibel, teilweise kreativ sind

• Ergebnis: vielfältige, innovative Designideen, nicht nur funktional optimiert

• Fokus: Innovation, Exploration, Inspiration

• Kann physikalische Simulationen ergänzen, aber ersetzt sie nicht vollständig

Kurz:

• Strukturoptimierung = physikalisch & funktional optimiert

• Generative AI = kreativ, datenbasiert, liefert neue Designideen

• Zwei Netzwerke im Wettkampf:

  • Generator: erzeugt neue Daten, die echt wirken sollen

  • Discriminator: unterscheidet zwischen echten und generierten Daten

• Adversarielles Lernen:

  • Beide Netzwerke trainieren gegeneinander, verbessern sich gegenseitig

• Ziel:

  • Generator produziert Daten, die der Discriminator nicht mehr von echten unterscheiden kann

• Anwendungsbereiche:

  • Bilderzeugung (Deepfakes, Kunst, Design)

  • Datenaugmentation, Simulation von Szenarien

• Besonderheiten:

  • Sehr realistische Generierung möglich

  • Training instabil / schwierig, Balance zwischen Generator und Discriminator entscheidend

Kurz: GANs = Generator + Discriminator im Wettbewerb, erzeugen realistische Daten, Training oft instabil.

Vorteile:

• Gezielte Generierung:

  • Modell kann auf bestimmte Eigenschaften / Bedingungen reagieren (z. B. Farbe, Form, Kategorie)

• Reduzierung von Zufälligkeit:

  • Höhere Kontrolle über Ausgabe → weniger unbrauchbare Ergebnisse

• Bessere Nutzbarkeit:

  • Designs oder Inhalte können direkt an Anforderungen angepasst werden

• Kombination mit Simulation / Constraints:

  • Physikalische Vorgaben oder Normen lassen sich einbeziehen

Nachteile:

• Komplexeres Training:

  • Konditionierung erhöht die Modellarchitektur und Rechenanforderungen

• Eingeschränkte Kreativität:

  • Fokus auf Bedingungen kann explorative Vielfalt reduzieren

• Datenabhängigkeit:

  • Konditionierte Trainingsdaten müssen ausreichend repräsentativ sein, sonst Bias oder schlechte Generalisierung

Kurz: Konditionieren = gezielt & kontrolliert, aber komplexer, datenabhängig und ggf. weniger kreativ.

1. Klassischer Autoencoder

• Ziel: Eingabedaten komprimieren (Encoder) und wieder rekonstruieren (Decoder)

• Latenter Raum: Deterministisch → jedes Input-Muster hat festen Code

• Verwendung: Denoising, Dimensionsreduktion, Feature Extraction

• Nachteil: Kann keine neuen, plausiblen Daten erzeugen, da latenter Raum nicht probabilistisch

2. Variational Autoencoder (VAE)

• Ziel: Eingabedaten komprimieren + stochastisch neue Daten generieren

• Latenter Raum: Probabilistisch → jeder Input wird als Verteilung (Mittelwert + Varianz) kodiert

• Verwendung: Generative Modelle, neue Datenpunkte erzeugen, Simulation

• Vorteil: Erzeugt neue, realistische Beispiele durch Sampling im latenten Raum

Kurz:

• Klassischer AE = deterministisch, rekonstruiert Daten

• VAE = probabilistisch, rekonstruiert + generiert neue Daten

• Transformers / Vision Transformers (ViT):

  • Ursprung in NLP (Text), adaptiert für Bilddaten

  • Arbeiten mit Selbstaufmerksamkeit (Self-Attention), um globale Abhängigkeiten zu erfassen

• Diffusionsmodelle (Diffusion Models):

  • Schrittweise Rauschen hinzufügen und entfernen, um Bilder zu generieren

  • Beispiele: DALL·E 2, Stable Diffusion

• GANs (Generative Adversarial Networks):

  • Generator erzeugt Bild → Discriminator prüft Realismus

  • Historisch beliebt, heute teilweise durch Diffusionsmodelle ersetzt

Kurz: Viele Bildgenerierungstools = Transformer-basierte oder Diffusionsmodelle, früher häufig GANs.

• Datenabhängigkeit:

  • Brauchen große, hochwertige Trainingsdatensätze → Bias oder schlechte Generalisierung bei unvollständigen Daten

• Qualitätskontrolle:

  • Generierte Inhalte sind nicht immer korrekt oder realistisch

• Rechenaufwand / Ressourcen:

  • Training und Inferenz erfordern oft starke GPUs / viel Speicher

• Interpretierbarkeit / Black Box:

  • schwer nachvollziehbar, warum Modell bestimmte Inhalte erzeugt

• Sicherheits- und ethische Risiken:

  • Deepfakes, Fake News, Urheberrechtsverletzungen

• Konditionierung und Steuerung:

  • Schwierigkeit, Modelle gezielt zu kontrollieren → gewünschte Eigenschaften nicht garantiert

• Integration in bestehende Prozesse:

  • Anpassung generativer Modelle an bestehende Workflows und Produktentwicklungsprozesse kann komplex sein

Kurz: Herausforderungen = Daten, Qualität, Rechenressourcen, Black Box, Ethik, Steuerbarkeit, Prozessintegration.

1. Textgenerierung / Content Creation:

   • Blogartikel, Zusammenfassungen, kreative Texte, Marketingtexte

2. Sprachassistenten / Chatbots:

   • Beantwortung von Fragen, Terminplanung, Kundensupport

3. Übersetzung & Sprachverarbeitung:

   • Maschinelle Übersetzungen, Rechtschreib- und Grammatikprüfung, Sentiment-Analyse

Kurz: Sprachmodelle = Texte generieren, Dialoge führen, Sprache analysieren und übersetzen.

• Definition: Tokenisierung = Aufteilen von Text in kleinere Einheiten (Tokens) wie Wörter, Silben oder Subwörter

• Zweck:

  • Verarbeitbarkeit: Modelle arbeiten nur mit Zahlen → Tokens werden in Vektoren / Einbettungenumgewandelt

  • Konsistenz: Gleiche Wörter / Satzstrukturen werden standardisiert repräsentiert

  • Effizienz: Ermöglicht Parallelverarbeitung und Sequenzmodellierung

  • Vokabularbildung: Modell lernt Wahrscheinlichkeiten für Token-Folgen → Grundlage für Vorhersage und Generierung

• Beispiel: Satz „Das ist ein Test“ → Tokens = [„Das“, „ist“, „ein“, „Test“]

Kurz: Tokenisierung = Text in verarbeitbare Einheiten zerlegen, damit Sprachmodelle Vorhersagen treffen und Texte generieren können.

1. Definition: Tokens = kleinste verarbeitbare Einheiten eines Textes für ein Sprachmodell

2. Formen von Tokens:

   • Wörter („Haus“)

   • Subwörter / Silben („Hau“ + „s“)

   • Zeichen („H“, „a“, „u“, „s“)

3. Funktion:

   • Grundlage für Vektorisierung / Einbettung in Zahlen

   • Sprachmodell lernt Wahrscheinlichkeiten für Token-Folgen

   • Ermöglicht Textgenerierung, Vorhersage und Verständnis

4. Kurz:

   • Tokens = repräsentative Bausteine, die das Sprachmodell „versteht“

• Definition: Embeddings = dichte Vektor-Darstellung von Tokens, die semantische Bedeutung kodiert

• Zweck:

  • Numerische Repräsentation: Tokens → Zahlen, damit neuronale Netze sie verarbeiten können

  • Semantische Nähe abbilden: ähnliche Wörter / Konzepte liegen im Vektorraum nahe beieinander

  • Effizienz: Reduziert Dimensionalität im Vergleich zu One-Hot-Encoding

  • Grundlage für Sprachmodell-Aufgaben: Vorhersage, Klassifikation, Generierung, Übersetzung

• Beispiel: „König“ – „Mann“ + „Frau“ ≈ „Königin“ im Vektorraum

Kurz: Embeddings = Zahlenvektoren, die Tokens semantisch abbilden und Verarbeitung durch Modelle ermöglichen.

• Definition: Mechanismus, der entscheidet, auf welche Teile der Eingabe das Modell besonders achten soll

• Zweck:

  • Gewichtung relevanter Tokens für Vorhersagen / Generierung

  • Kontextabhängige Verarbeitung: berücksichtigt Beziehungen zwischen Wörtern, unabhängig von Position

  • Erlaubt parallele Verarbeitung von Sequenzen (statt nur Schritt-für-Schritt)

• Arten:

  • Self-Attention: jedes Token bezieht sich auf alle anderen Tokens in der Sequenz

  • Multi-Head Attention: mehrere Attention-Köpfe lernen unterschiedliche Beziehungen gleichzeitig

• Vorteil:

  • Verbesserung von Kontextverständnis und Genauigkeit bei langen Texten

  • Grundlage für Transformer-Architektur

Kurz: Attention = Mechanismus, der relevante Teile der Eingabe gewichtet, um bessere Vorhersagen in Sprachmodellen zu ermöglichen.

• Kontextbezug herstellen:

  • Jedes Token kann andere Tokens der Sequenz beachten, um Bedeutung korrekt zu erfassen

  • Beispiel: „Die Katze, die der Hund jagt, ist schnell“ → Attention erkennt Bezug zwischen „Katze“ und „ist schnell“

• Langstreckenabhängigkeiten verstehen:

  • Tokens weit auseinander in Text → trotzdem korrekt verknüpft

• Wichtigkeit gewichten:

  • Relevanteste Wörter erhalten höhere Aufmerksamkeit → Modell fokussiert auf entscheidende Informationen

• Effekt auf Vorhersage:

  • Bessere Genauigkeit bei Textgenerierung, Übersetzung, Zusammenfassung

• Basis für Transformer-Architektur:

  • Self-Attention = zentrale Komponente für Verständnis komplexer Texte

Kurz: Attention verbessert Sprachverständnis, indem relevante Tokens gewichtet, Beziehungen erkannt und Kontext korrekt interpretiert wird.

1. Tokenisierung:

   • Eingabetext → kleine Einheiten (Tokens)

   • Grundlage für numerische Verarbeitung

2. Embedding:

   • Tokens → dichte Vektoren, die semantische Bedeutung kodieren

   • Kontextinformationen teilweise enthalten

3. Positionskodierung:

   • Reihung der Tokens wird kodiert → Reihenfolge im Satz erkennbar

4. Self-Attention / Multi-Head Attention:

   • Jedes Token bezieht sich auf alle anderen

   • Relevante Teile des Kontexts werden gewichtet

5. Feedforward-Netzwerke:

   • Verarbeitung der gewichteten Informationen → Abstraktion der Bedeutung

6. Residual Connections & Layer Normalization:

   • Stabilisieren Training, verbessern Informationsfluss

7. Output Layer / Softmax:

   • Wahrscheinlichkeitsverteilung über Vokabular → nächstes Token wird gewählt

   • Schrittweise Sequenzgenerierung (autoregressiv)

Kurz: Tokenisierung → Embedding → Positionskodierung → Attention → Feedforward → Output → nächste Token-Auswahl → Modell versteht Kontext, erkennt Zusammenhänge und generiert sinnvoll Text.

1. Temperatur (Temperature):

   • Steuert Zufälligkeit / Kreativität der Vorhersage

   • Niedrig: Modell wählt wahrscheinlichere Tokens → Text ist vorhersehbar, konservativ

   • Hoch: Modell wählt auch unwahrscheinliche Tokens → Text wird kreativer, variabler, evtl. fehleranfälliger

2. Top-k / Top-p Sampling:

   • Top-k: Beschränkt Auswahl auf die k wahrscheinlichsten Tokens

   • Top-p (nucleus sampling): Auswahl aus kleinster Menge von Tokens, deren kumulative Wahrscheinlichkeit ≥ p

   • Einfluss: Steuerung der Vielfalt vs. Kohärenz der generierten Texte

   • Verhindert extreme Zufälligkeit oder unpassende Tokens

Kurz: Temperatur = Zufälligkeit/Kreativität; Top-k / Top-p = Auswahlwahrscheinlichkeit → beeinflussen Stil, Varianz und Kohärenz des Textes.

• Komplexität der Architektur:

  • Millionen bis Milliarden von Parametern → schwer nachzuvollziehen, wie jede Entscheidung getroffen wird

• Nichtlineare Transformationen:

  • Mehrere Schichten, Aktivierungsfunktionen, Attention → Interaktionen sind schwer interpretierbar

• Black-Box-Charakter:

  • Modell lernt Wahrscheinlichkeiten aus Daten → keine explizite Regel oder Logik sichtbar

• Kontextabhängigkeit:

  • Vorhersagen hängen von globalem Kontext ab → einzelne Einflussfaktoren schwer isolierbar

• Training auf großen Datenmengen:

  • Modell extrahiert Muster, die menschliche Logik übersteigen → Verhalten nicht immer intuitiv

Kurz: Sprachmodelle = komplex, nichtlinear, datenbasiert → Entscheidungen oft schwer nachvollziehbar → Black-Box.

• Vertrauen & Akzeptanz:

  • Nutzer müssen verstehen, warum Modell eine bestimmte Antwort liefert

• Fehleranalyse & Debugging:

  • Erkennen von Bias, Fehlinformationen oder systematischen Fehlern

• Regulatorische Anforderungen / Compliance:

  • In sensiblen Bereichen (Medizin, Finanzen, Recht) müssen Entscheidungen nachvollziehbar sein

• Sicherheitskritische Anwendungen:

  • Fehlentscheidungen können Risiken oder Schäden verursachen

• Optimierung & Anpassung:

  • Funktionale Erklärung zeigt, welche Features oder Tokens Einfluss haben, ermöglicht gezielte Verbesserungen

Kurz: Funktionale Erklärbarkeit = Vertrauen, Fehlerkontrolle, Compliance, Sicherheit und Optimierung von Sprachmodellen.

• Definition:

  • Sprachmodell generiert falsche oder erfundene Informationen, die plausibel klingen

• Merkmale:

  • Inhalt wirkt realistisch, kohärent, ist aber nicht korrekt oder belegbar

  • Kann Fakten, Zahlen oder Zusammenhänge betreffen

• Ursachen:

  • Trainingsdaten unvollständig oder fehlerhaft

  • Modell extrapoliert aus gelernten Mustern ohne Verifikation

  • Hohe Kreativität / Sampling-Parameter (z. B. hohe Temperatur)

• Folgen:

  • Vertrauensverlust, Fehlinformation, falsche Entscheidungen in kritischen Anwendungen

• Beispiel:

  • Modell behauptet, ein Unternehmen existiere in einem Land, obwohl es dort nicht existiert

Kurz: Halluzination = plausibel klingende, aber falsche Ausgabe eines Sprachmodells.

• Faktenprüfung:

  • Inhalte stimmen nicht mit verifizierbaren Quellen überein

• Inkonsistenzen im Text:

  • Widersprüche, unlogische Zusammenhänge oder fehlerhafte Daten

• Übertriebene oder unrealistische Angaben:

  • Zahlen, Orte oder Namen wirken plausibel, sind aber falsch

• Unklare oder vage Formulierungen:

  • Modell versucht zu „füllen“, ohne exakte Informationen

• Fehlende Quellenangaben:

  • Besonders bei behaupteten Fakten oder Studien

Kurz: Halluzinationen = falsche, unlogische oder unüberprüfbare Ausgaben; erkennbar durch Faktencheck, Konsistenzprüfung und Quellenprüfung.

• Datenqualität verbessern:

  • Training auf verlässlichen, sauberen und aktuellen Daten

• Konditionierung / Prompting:

  • Präzise, klare Eingaben → Modell fokussiert auf relevante Informationen

• Fakten- oder Retrieval-gestützte Modelle:

  • Integration von externer Wissensdatenbank oder API → überprüfbare Fakten

• Temperatur / Sampling regulieren:

  • Niedrigere Temperatur → weniger zufällige und erfundene Inhalte

• Nachbearbeitung & Validierung:

  • Output prüfen, filtern oder von Menschen validieren lassen

• Kontinuierliches Monitoring:

  • Halluzinationen systematisch identifizieren und Training anpassen

Kurz: Halluzinationen vermeiden = verlässliche Daten + gezieltes Prompting + Faktenprüfung + Parameterkontrolle.

• Definition:

  • Kombination aus Sprachmodell + externem Wissensretrieval, um Antworten zu generieren

  • Ziel: faktisch korrekte, aktuelle Informationen liefern

• Funktionsweise:

  1. Input / Frage: Nutzer stellt Anfrage an das System

  2. Retrieval: Modell sucht relevante Informationen in externer Datenbank / Dokumentensammlung

  3. Integration: Gefundene Inhalte werden in den Generierungsprozess des Sprachmodells eingespeist

  4. Output: Sprachmodell erstellt Antwort, die auf den abgerufenen Fakten basiert

• Vorteile:

  • Reduziert Halluzinationen

  • Nutzt aktuelles Wissen, nicht nur Trainingsdaten

  • Ermöglicht nachprüfbare Antworten

• Beispiele:

  • Chatbots mit Zugriff auf Firmenwissen

  • AI-Assistenten für wissenschaftliche oder juristische Recherchen

Kurz: RAG = Sprachmodell + Wissensretrieval → generiert faktenbasierte, überprüfbare Antworten.

• Definition:

  • Autonome Software-Systeme, die Ziele verfolgen, Entscheidungen treffen und Aktionen ausführen

• Merkmale:

  • Autonomie: handelt ohne ständige menschliche Steuerung

  • Wahrnehmung: sammelt Daten aus Umgebung oder Sensoren

  • Entscheidung: wählt Aktionen basierend auf Zielen oder Regeln

  • Interaktion: kann mit Umgebung, Menschen oder anderen Agenten kommunizieren

• Beispiele:

  • Chatbots und virtuelle Assistenten

  • Autonome Fahrzeuge

  • Robotik-Agenten in Produktion oder Logistik

  • Trading-Bots in Finanzmärkten

Kurz: KI-Agent = autonomer, wahrnehmungsfähiger, entscheidender Software-Akteur, der Aktionen zur Zielerreichung ausführt.

1. Wahrnehmung (Perception):

   • Erfassen von Informationen aus der Umgebung über Sensoren oder Datenquellen

   • Beispiel: Kamera in autonomen Fahrzeugen, Textinput bei Chatbots

2. Entscheidungsfindung (Reasoning / Decision Making):

   • Ableitung von Handlungen basierend auf Zielen, Regeln oder Wahrscheinlichkeiten

   • Beispiel: Route planen, Antwort auf Nutzeranfrage generieren

3. Handlung (Acting / Action):

   • Umsetzung von Entscheidungen durch Aktionen in der Umgebung

   • Beispiel: Roboterarm bewegt Bauteil, KI sendet Textantwort

4. Lernen (Learning / Adaptation):

   • Verbesserung von Verhalten basierend auf Erfahrung oder Feedback

   • Beispiel: Reinforcement Learning, Anpassung an Nutzerpräferenzen

5. Kommunikation / Interaktion:

   • Austausch mit Menschen, anderen Agenten oder Systemen

   • Beispiel: Chatbots, Multi-Agenten-Systeme in Logistik

Kurz: Fähigkeiten = Wahrnehmung, Entscheidung, Handlung, Lernen, Kommunikation → autonomes, adaptives und interaktives Verhalten.

1. Personalisierte Empfehlungen:

   • Analyse von Kaufverhalten, Vorlieben und Klickmustern

   • Vorschläge für Produkte, die Nutzer wahrscheinlich kaufen

2. Chatbots & virtuelle Assistenten:

   • Beratung und Support in Echtzeit

   • Reduzieren Unsicherheiten, erhöhen Kaufbereitschaft

3. Preis- und Promotion-Optimierung:

   • Dynamische Anpassung von Preisen oder Rabatten basierend auf Nachfrage, Nutzerprofil oder Wettbewerb

4. Gezieltes Marketing / Werbung:

   • E-Mail-, Banner- oder Social-Media-Kampagnen basierend auf Nutzersegmenten und Verhalten

5. User Experience verbessern:

   • Navigation, Produktsuche, Filterfunktionen personalisiert

   • Höhere Verweildauer → erhöhte Kaufwahrscheinlichkeit

Kurz: KI-Agenten steigern Verkäufe durch personalisierte Empfehlungen, Beratung, dynamische Preise, zielgerichtetes Marketing und verbesserte Nutzererfahrung.

• Personalisierung:

  • KI analysiert Nutzerverhalten, Klicks, Watchtime und Likes

  • Vorschläge werden auf individuelle Interessen zugeschnitten

• Recommender-Systeme:

  • Kombination aus Content-basiertem Filtering (ähnliche Videos)

  • und Collaborative Filtering (was ähnliche Nutzer sehen)

• Optimierung auf Engagement:

  • Ziel: längere Verweildauer auf Plattform

  • KI wählt Inhalte, die Nutzer vermutlich weiterschauen

• Lernfähige Algorithmen:

  • Modelle passen sich kontinuierlich an neue Präferenzen an

  • Vorschläge werden dynamisch aktualisiert

• Psychologische Faktoren:

  • Überraschungsmomente, Trends, visuelle und emotionale Anreize

  • Verknüpft mit Interaktionsdaten, um Aufmerksamkeit zu maximieren

Kurz: YouTube-Vorschläge = KI-gesteuert, personalisiert, Engagement-optimiert, dynamisch lernend → sehr relevant & interessant für Nutzer.

• Definition:

  • Ereignisbasierte Prozesse = Abläufe, die durch bestimmte Ereignisse ausgelöst oder beeinflusst werden

• Datenquellen:

  • Transaktionsdaten: Bestellungen, Zahlungen, Buchungen

  • Sensor- / IoT-Daten: Maschinenstatus, Messwerte, Warnungen

  • Log-Dateien / Systemevents: Nutzerinteraktionen, Systemmeldungen

  • Externe Ereignisse: Wetter, Marktbedingungen, Lieferketteninformationen

• Modellierung:

  • Ereignis → Prozessschritt → Folgeaktion

  • Verwendung von Petri-Netzen, BPMN (Business Process Model and Notation), Event-Logs

  • Darstellung von Abhängigkeiten, Bedingungen und zeitlichen Abläufen

• Ziele:

  • Analyse von Reaktionszeiten, Engpässen, Prozessoptimierung

  • Simulation von verschiedenen Szenarien basierend auf Ereignissen

Kurz: Ereignisbasierte Prozesse = modelliert aus Transaktions-, Sensor- und Log-Daten → visualisiert Abläufe, Abhängigkeiten und Reaktionen auf Events.

• Transparenz schaffen:

  • Prozesse aus echten Event-Logs rekonstruieren

  • Abweichungen zwischen Soll- und Ist-Prozessen sichtbar machen

• Prozessoptimierung:

  • Engpässe, Ineffizienzen und unnötige Schritte identifizieren

  • Verbesserung von Durchlaufzeiten und Ressourcenauslastung

• Compliance & Auditing:

  • Sicherstellen, dass Prozesse Regeln und Vorschriften einhalten

  • Nachvollziehbare Dokumentation für Audits

• Vorhersage & Simulation:

  • Prognose von Prozessverläufen und Auswirkungen von Änderungen

  • Unterstützung bei entscheidungsrelevanten Maßnahmen

• Kontinuierliches Monitoring:

  • Prozesse laufend überwachen → schnelle Reaktion auf Abweichungen

Kurz: Process Mining = Transparenz, Optimierung, Compliance, Prognose, kontinuierliches Monitoring von Prozessen.

• Strukturierte, digitale Daten:

  • RPA arbeitet auf klar definierten, maschinenlesbaren Daten

  • Warum: Unstrukturierte Daten erschweren automatisierte Verarbeitung

• Regelbasierte, standardisierte Prozesse:

  • Prozesse sollten vorhersagbar, wiederholbar und eindeutig definiert sein

  • Warum: Roboter können nur festgelegte Regeln zuverlässig ausführen

• Stabile IT-Systeme / Schnittstellen:

  • Systeme sollten verlässlich und kompatibel sein

  • Warum: Änderungen in Anwendungen können RPA-Workflows unterbrechen

• Klare Ziele und Erfolgskriterien:

  • Definierte KPIs und erwartete Effizienzsteigerungen

  • Warum: Messbarkeit und Nutzenbewertung erforderlich

• Governance & Kontrolle:

  • Regeln für Überwachung, Sicherheits- und Berechtigungsmanagement

  • Warum: Minimierung von Risiken und Fehlern

Kurz: RPA benötigt strukturierte Daten, standardisierte Prozesse, stabile IT, klare Ziele und Governance → sonst fehleranfällig.

• Process Mining:

  • Analyse bestehender Entwicklungsprozesse → Engpässe und Ineffizienzen erkennen

  • Optimierung von Freigabeprozessen, Fertigungsschritten oder Designzyklen

• Robotic Process Automation (RPA):

  • Automatisierung wiederkehrender, regelbasierter Aufgaben

  • Beispiele: Datenaufbereitung, Dokumentation, Bestandsabgleiche

• KI-Agenten / Machine Learning:

  • Vorhersage von Ausfallrisiken, Optimierung von Designs oder Materialeinsatz

  • Unterstützung bei Produktkonfiguration und Entscheidungsfindung

• Generative KI / CAD-Optimierung:

  • Erstellung von Designvorschlägen, Prototypen, Strukturoptimierungen

  • Schnelleres Iterieren von Varianten und Innovationen

• Digitaler Zwilling:

  • Simulation des Produkts virtuell über den gesamten Lebenszyklus

  • Testen von Performance, Wartung, Nutzungsszenarien → frühe Fehlererkennung

Kurz: Methoden = Prozessanalyse, Automatisierung, KI-gestützte Vorhersagen, generatives Design, virtuelle Simulation → schnellere, effizientere und innovativere Produktentwicklung.

• Integration digitaler Technologien:

  • Einsatz von KI, digitalen Zwillingen, Simulationen, RPA in allen Entwicklungsphasen

• Verkürzung der Entwicklungszyklen:

  • Schnellere Iterationen durch virtuelle Prototypen und generative Designmethoden

• Personalisierung und Variantenmanagement:

  • Ermöglicht kundenindividuelle Produkte bei komplexen Produktlinien

• Datengetriebene Entscheidungen:

  • Nutzung von Sensor- und Nutzungsdaten, Prozessdaten und KI-Analysen zur Optimierung

• Effizienzsteigerung & Kostenreduktion:

  • Automatisierung repetitiver Aufgaben, Optimierung von Material- und Energieeinsatz

• Innovation & Flexibilität:

  • Neue Technologien fördern kreative Lösungen und adaptive Prozesse

Kurz: Digitale Transformation = schnellere, datengetriebene, flexible und innovative Produktentwicklung mit digitaler Unterstützung.