Künstliche Intelligenz für Business Analytics

Name: Künstliche Intelligenz für Business Analytics | Grundlagen, Architekturen und Anwendungen
Brand: dpunkt
Price: 55.9 EUR
Availability: OnlineOnly

Grundlagen, Architekturen und Anwendungen

Uwe Haneke Michael Zimmer Stephan Trahasch(Herausgeber*in)

dpunkt (Verlag)

1. Auflage

Erschienen am 27. Januar 2026

343 Seiten

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-3-98890-301-3 (ISBN)

55,90 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Wasserzeichen-DRM

E-Book Einzellizenz bis 17.06.2026

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Personen

Inhalt

Intro
Inhaltsübersicht
Inhaltsverzeichnis
Geleitwort
Kapitel 1 - KI ist alles und alles ist KI
1.1 Künstliche Intelligenz als Schlüsseltechnologie und Katalysator
1.2 Aufbau des Buches
Teil I - Grundlagen
Kapitel 2 - Maschinelles Lernen
2.1 Einleitung
2.2 Supervised Learning
2.2.1 Grundlegende Konzepte
2.2.2 Problemtypen und Beispiele
2.2.3 Mathematisches Framework
2.2.4 Lernen abseits von Supervised Learning
2.3 Künstliche neuronale Netze und Deep Learning
2.3.1 Aufbau und Funktionsweise
2.3.2 Training und Vortraining
2.3.3 Zusammenfassung
2.4 Reinforcement Learning
2.5 Fazit
Kapitel 3 - Natural Language Processing
3.1 Einleitung
3.2 Die Bedeutung von Sprache
3.3 Texte als unstrukturierte Daten
3.4 Von Sprache zu Zahlen: Vorverarbeitung
3.4.1 Tokenisierung und weitere Vorverarbeitungsmethoden
3.4.2 Informationsextraktion
3.5 Texte als Zahlen: Repräsentation von Sprache für Machine-Learning-Modelle
3.5.1 Das Bag-of-Words-Modell
3.5.2 Das Vektorraum-Modell: Wörter als Vektoren
3.5.3 Das Zipfsche Gesetz
3.5.4 Term Frequency - Inverse Document Frequency
3.6 Wörter als Vektoren
3.6.1 Wortrepräsentation mit One-Hot Encoding
3.6.2 Statische Word Embeddings
3.6.3 Kontextualisierte Word Embeddings
3.7 Large Language Models
3.8 Herausforderungen und Chancen
3.8.1 Bias
3.8.2 Datenschutz
3.8.3 Mehrsprachigkeit
3.8.4 Open-Source-, On-Premises- und Cloud-basierte Modelle
3.9 Zusammenfassung
Kapitel 4 - Künstliche Intelligenz in der Computer Vision
4.1 Einordnung und Historie
4.2 Eigenschaften digitaler Bilder
4.3 Neuronale Netze im maschinellen Sehen
4.3.1 Faltungsnetze
4.3.2 Vision Transformer
4.4 Anwendungen im maschinellen Sehen
4.4.1 Fine-Tuning von Standardarchitekturen
4.4.2 Klassifizierung von Bildern
4.4.3 Objektdetektion
4.5 Zusammenfassung und Ausblick
Kapitel 5 - Künstliche Intelligenz und Robotik
5.1 Grundlagen
5.1.1 Wahrnehmung
5.1.2 Modellbildung
5.1.3 Entscheidung
5.2 Reinforcement Learning
5.2.1 Problemdefinition
5.2.2 Durchführung
5.3 Kommunikation mit Robotern
5.4 Einsatz in Unternehmen
5.5 Zusammenfassung
Teil II - Weiterführende Konzepte
Kapitel 6 - Operationalisierung von KI-Systemen
6.1 Vom Prototyp zum Go-live
6.1.1 Beispielanwendung
6.1.2 Automatisierung der Modellerstellung
6.1.3 Deployment von ML-Modellen
6.2 Monitoring von KI-Systemen
6.2.1 Vom Fehler zur Katastrophe
6.2.2 Die Rolle der Datenverteilung
6.2.3 ML-Monitoring in der Praxis
6.3 ML-Operations
6.4 Zusammenfassung
Kapitel 7 - Vorgehensmodelle für die Entwicklung von KI-Anwendungen am Beispiel von DASC-PM
7.1 Aktueller Stand: ein kurzer Überblick
7.2 Data Science Process Model
7.3 Projektauftrag
7.4 Datenbereitstellung
7.5 Analyse
7.6 Nutzbarmachung
7.7 Nutzung
7.8 Übergreifende Schlüsselbereiche
7.9 Zusammenfassung
Kapitel 8 - Datenvorbereitung als Erfolgsfaktor in KI-Projekten
8.1 Einleitung
8.2 Datenbeschaffung
8.3 Datenbereinigung
8.4 Datentransformation
8.5 Datenbereitstellung
8.6 Zusammenfassung
Kapitel 9 - Aufbau einer KI-Einheit im Unternehmen
9.1 Einleitung
9.2 Aufgaben einer KI-Einheit
9.2.1 Teufels Advokat für neue Lösungen: aufklären und Awareness schaffen
9.2.2 Management-Buy-in sicherstellen
9.2.3 KI-Plattform-Management
9.2.4 Identifikation, Entwicklung und Betrieb von KI-Anwendungen
9.2.5 First und Second Line für KI
9.2.6 Heimathafen für Data Scientists
9.3 KI-Organisation: vom Elfenbeinturm zum integrierten KI-Hub
9.4 Erfolgsfaktoren
9.5 Zusammenfassung
Kapitel 10 - Wertschöpfung mit KI: vom Quick Win zum Geschäftsmodell
10.1 Einleitung: Warum KI-Wertschöpfung jetzt auf die Agenda gehört
10.1.1 Direkte Wertschöpfung durch KI: die drei zentralen Hebel
10.1.2 Indirekte Wertschöpfung durch KI: qualitative Effekte nutzen
10.1.3 Generative KI als Beschleuniger: schnelle Erfolge ohne Großprojekte
10.2 Rahmen schaffen: Governance und Kompetenzen für breite KI-Nutzung
10.2.1 KI-Policy und Lizenzen: Klare Regeln schaffen Freiräume
10.2.2 Upskilling: vom Ausprobieren zur Anwendungskompetenz
10.3 Use-Case-Ideation und Portfolioaufbau: von der Idee zur Umsetzung
10.3.1 Workshops: Katalysatoren für Awareness und Ideensammlung
10.3.2 Use-Case-Identifikation: Pain Points als Schlüssel zum Erfolg
10.3.3 Schulungen: gezielte Skills für erfolgreiche Anwendungsfälle
10.3.4 Portfolio: Sichtbarkeit macht Synergien möglich
10.4 KI-Enabling: eigene Daten und Prozesse für tiefe Wertschöpfung
10.4.1 Prompt-Datenbanken: Eingabevorlagen zentral verfügbar machen
10.4.2 KI-Assistenten: Spezialisten für wiederkehrende Aufgaben
10.4.3 RAG-Systeme: interne Wissensquellen intelligent nutzen
10.4.4 KI-Agenten: vom Tool zur autonomen Aufgabenlösung
10.5 Formalisierte KI-Projekte: Effizienz und Innovation systematisch umsetzen
10.5.1 Effizienzprojekte: bestehende Prozesse mit KI verbessern
10.5.2 Neuproduktprojekte: KI als Treiber für innovative Produkte und Services
10.5.3 KI-Portfolio: Balance zwischen Optimierung und Innovation finden
10.5.4 Phasenmodell: in vier Schritten vom Anwendungsfall zur Umsetzung
10.6 Geschäftsmodelle: Ansätze für den KI-basierten Wandel
10.7 Zusammenfassung
Kapitel 11 - Betriebliche Wertschöpfung durch KI: Prozessmodell für eine langfristige Perspektive
11.1 Einleitung
11.2 Theoretischer Rahmen zur Untersuchung von Wertbeiträgen durch KI
11.3 Drei Mechanismen zur Schaffung von Unternehmenswert durch Machine Learning
11.3.1 Mechanismus 1: Wissensgenerierung
11.3.2 Mechanismus 2: Assistenzsysteme
11.3.3 Mechanismus 3: autonome Agenten
11.3.4 Einfluss der Wertschöpfungsmechanismen auf die Gestaltung von KI-Systemen
11.4 Prozesssicht auf KI-Vorhaben anstatt befristete Projektsicht
11.5 Data Scientists als Architekten der KI-Wertschöpfung
11.6 Zusammenfassung und Ausblick
Kapitel 12 - Recht im Zeitalter synthetischer Realitäten: Überdenken rechtlicher Normen für generative KI
12.1 Einleitung
12.2 Realitätszerstörung: die epistemische Krise von Deepfakes und synthetischen Inhalten
12.3 Synthetische Subjekte: die Regulierung nicht menschlicher Akteure
12.4 Von individuellen Rechten zu kollektiven Schäden
12.5 Die rechtliche Vorstellungskraft in der Krise: Fragmentierung, Soft Law und strukturelle Grenzen
12.6 Den Weg in die Zukunft weisen: Lex Syntheticum als Regulierungsprototyp
Kapitel 13 - Verantwortung und Erkenntnis
13.1 Einleitung
13.2 Reflexion als notwendige Praxis
13.3 Perspektiven auf Verantwortung im Zeitalter generativer KI
13.4 Zusammenfassung
Kapitel 14 - Arbeiten mit KI: Kollege oder Konkurrent?
14.1 KI-Einführung - ein Alltagsbeispiel
14.2 Vom Widerstand zur Wurzel: das KI-Paradoxon
14.3 Centaur vs. Cyborg: zwei Denkmodelle für die Zusammenarbeit von Mensch und KI
14.3.1 Das Centaur-Modell: Mensch und KI als Team mit klarer Arbeitsteilung
14.3.2 Das Cyborg-Modell: Mensch und KI als eng verwobene Einheit
14.3.3 Welches Modell ist wann sinnvoll?
14.4 Prinzipien wirksamer Augmentierung: das TRICUS-Modell
14.4.1 Sechs Prinzipien des TRICUS-Modells
14.4.2 TRICUS als Gestaltungsrahmen für KI-Projekte
14.5 Der Wandel von Aufgabenprofilen durch KI
14.5.1 Entry-Level-Dilemma
14.5.2 Von der Karrierepyramide zum Karrierediamant
14.5.3 Jobverlust durch KI? Zwischen Realität und Rhetorik
14.6 Handlungsempfehlungen für Führungskräfte
14.7 Fazit: KI als Kollege - wenn wir sie dazu machen
Teil III - Anwendungsfälle aus der Praxis
Kapitel 15 - Einführung einer Enterprise-GPT-Plattform bei der Provinzial Versicherung
15.1 ChatGPT als Disruption oder das Henne-AI-Problem
15.2 Herausforderungen bei der Einführung von ChatGPT
15.2.1 Neue dynamische Technologie
15.2.2 Make or Buy
15.2.3 Versicherungsbranche
15.2.4 Vorbereitung der Organisation: Vorträge, Schulungen und Change
15.2.5 Regulatorik
15.2.6 Besondere Herausforderung bei der Provinzial: #uP-IT-Programm
15.3 Strategische Vorgehensweise bei der Umsetzung
15.3.1 Flächendeckende Implementierung
15.3.2 Unternehmen im Unternehmen
15.3.3 Agnostische Umsetzung
15.3.4 Strategische Partnerschaften
15.4 Vorgehen bei der technologischen Umsetzung
15.4.1 Provinzial GPT (Basis)
15.4.2 Dokumentenchat
15.4.3 Retrieval-Augmented Generation
15.4.4 APIs und API-basierte Erweiterungen
15.4.5 ProHub
15.5 Organisatorische Umsetzung
15.5.1 KI-Regulativ: Prozesse für die Klassifizierung des Risikos nach EU AI Act und der Mitbestimmungsrelevanz
15.5.2 KI-Lösungsteam
15.6 Ausblick
Kapitel 16 - KI-gestützte Analyse geldpolitischer Kommunikation bei der Bundesbank
16.1 Geldpolitische Kommunikation: von manueller zur KI-gestützten Analyse
16.2 Von Kontext bis Konsistenz: Anforderungen an KI in der geldpolitischen Analyse
16.2.1 Kontextverständnis
16.2.2 Nachvollziehbarkeit
16.2.3 Konsistenz
16.3 Monetary-Intelligent Language Agent
16.3.1 Vorteile
16.3.2 Funktionsweise
16.4 MILA in der Praxis
16.4.1 Ergebnisse
16.4.2 Implementierung
16.4.3 Evaluation
16.5 Zusammenfassung
Kapitel 17 - KI für das Wissensmanagement in der Energiewirtschaft
17.1 Einleitung
17.2 Traditionelle Wissensmanagementansätze und ihre Grenzen
17.3 Retrieval-Augmented Generation für den niederschwelligen Zugang zu Unternehmensinformationen
17.3.1 Von Unternehmensdokumenten zum RAG-System
17.3.2 Referenzarchitektur eines RAG-Systems
17.3.3 Integration von strukturierten Informationen und Live-Daten
17.4 Herausforderungen von RAG-Systemen in der Energiewirtschaft: Sicherheit und Compliance im KRITIS-Kontext
17.5 Anwendungsfall für die Energiewirtschaft
17.5.1 Chatbot-Zugriff auf Unternehmens- und Sensordaten
17.5.2 Automatisierte Inhaltsanalyse von Rechtstexten
17.6 Zusammenfassung und Ausblick
Kapitel 18 - KI-Bohrer: KI-gesteuerte Lärmreduzierung für urbane Geothermiebohrungen
18.1 Einleitung
18.2 Forschungsstand: generative Modelle und Deep Reinforcement Learning
18.3 Assistenzsystem
18.4 Drill-LSTM-Modell: Vorhersage von Maschinenzuständen für optimierte Bohrprozesse
18.5 Sound-GAN: Echtzeitprognose der Schallausbreitung für Lärmminimierung
18.6 DRL-Agent: intelligente Steuerungsempfehlung für lärmoptimierte Bohrprozesse
18.7 Zusammenfassung
Kapitel 19 - Digitalisierung im Sozialwesen: KI-gestützte Vertragsprüfung
19.1 Einleitung
19.2 Legal Tech: eine kurze Einordnung
19.3 Die Ausgangslage: analoge Prozesse und steigende Anforderungen
19.4 Die Lösung: KI-gestützte Webapplikation zur Vertragsprüfung
19.4.1 Formelle Prüfung - strukturierte Analyse durch KI
19.4.2 Inhaltliche Prüfung - intelligente Fragen und Compliance
19.4.3 Blick ins System: intuitive Bedienung und hohe Effizienz
19.4.4 Zahlen und Fakten
19.4.5 Erste Erfahrungen
19.5 Zusammenfassung und Ausblick
Kapitel 20 - KI für den Klimaschutz - ClimaClic als zukunftsweisendes Beispiel
20.1 Einleitung
20.2 ClimaClic - innovative Klimalotterie mit digitalem Fokus
20.3 Kooperation als Erfolgsfaktor
20.4 Automatisierung im Dialogmarketing bei ClimaClic
20.4.1 Generative KI als Produktivitätshebel im Dialogmarketing
20.4.2 System Prompts als Schlüssel zum automatisierten Content
20.5 Zusammenfassung und Ausblick
Kapitel 21 - Erfolgreiche Robotik-Integration: Kompetenzaufbau und Verankerung von KI-gestützter Robotik in Unternehmen
21.1 Einleitung
21.2 Strategische Robotikkompetenz in Unternehmen aufbauen
21.3 Change Management bei der Robotik-Einführung
21.4 Synergien zwischen Mensch und Roboter stärkenorientiert umsetzen
21.5 Schlussfolgerung
Anhang
Abkürzungen
Literaturverzeichnis
Autorenteam
Index
Die Autoren

Systemvoraussetzungen

Als PDF speichern Als Link merken

Künstliche Intelligenz für Business Analytics

Beschreibung

Weitere Details

Weitere Ausgaben

Andere Ausgaben

Personen

Inhalt

Systemvoraussetzungen