R
Grundschule Mathematik I Mathematik II Physik Chemie Wissen
Kurze Worte Worte nach Alter Terme Rechner
Mathfeed Physfeed Philfeed
Das Lexikon Die Mission Die Autoren Copyright Impressum
☰


Neuronal-organisationale Backpropagation


Modellbildung


Grundidee


Eine reale Organisation aus Menschen und Technik soll mit Hilfe von Methoden künstlicher neuronaler Netze leistungsfähiger gemacht werden. Dazu wird ein real-organisationales Neuron modelliert. Um dieses Netz lernfähig zu machen, kann ein als Back-Propagation bezeichneter Algorithmus genutzt werden. Der Grundgedanke hier ist nicht, dass bereits bestehende Organisationen so beschrieben werden, sondern neu zu schaffende Organisationen gezielt so gestaltet werden.

Die Problemstellung: der fehlende Lernalgorithmus


Eine Organisation bestehend aus Menschen, Maschinen, Computern und möglicherweise anderen Komponenten wird hier als neuronal bezeichnet, wenn sie Strukturen und Methoden realer neuronaler Netze (Nervenzellen) oder künstlicher neuronaler Netze (Software) zeigt oder gezielt nutzt. Einen gedanklichen Hintergrund bilden verschiedene Varianten der Globa Brain-Theorie. Angeregt durch das entstehende Internet wurden menschliche Kommunikationsstrukturen im Internet oft mit der Tätigkeit von Zellen in eine Gehirn verglichen[1]. All diesen Ansätzen gemein waren viele vermutete Analogien (Synapsen, Hebbsche Regel, Erregungsmuster etc.), es fehlte jedoch ein konkreter Vorschlag, wie ein solches hybrides Mensch-Maschinen Netz konkret systematisch lernen soll. Konkrete Vorschläge lieferte Howard Bloom[2], jedoch weniger auf strikt neuronaler Basis sondern auf der allgemeinen Basis einer kollektiven Intelligenz.

Unklare Lernprozesse


Für künstliche neuronale Netze als Software sind erprobte Algorithmen für ein neuronales Lernen ausgearbeitet und umfangreich getestet. Solche neuronalen Netze können leicht auch von Gelegenheitsprogrammierern umgesetzt werden, sie sind in sich also nicht besonders kompliziert. Dennoch zeigen sie eindeutig erfolgreiches Lernen. Eines, von mehreren solchen Algorithmen hat den Namen Backpropagation. Völlig unklar hingegen ist, wie reale biologische Nervennetze, etwa menschliche Gehirne lernen. Es ist sogar unklar, ob dabei Backpropagation überhaupt eine Rolle spielt[4].

Nötige Strukturen für eine Modellierung


Backpropagation als Lernalgorithmus setzt ein neuronales Netz voraus. Die wesentlichen Komponenten sind: Neuronen, Axone, Dendriten und Synapsen. Ohne klare Angabe, was etwa innerhalb eine Firma einem Neuron oder Axon entsprechen soll, kann kein Model ll im Sinne einer Theorie erstellt werden und alles bleibt nur vage Analogie. Mehr dazu unter Neuronal-organisationale Synapse ↗

Nötige Lerndaten


Wesentlich für eine Modellbildung ist auch, dass es einen ausreichend großen Datensatz für Lernprozesse gibt. Dieser Datensatz muss konkrete Aufgabenstellung mit konkreten Erfolszuweisungen für jeden Einzelfall beinhalten. Mehr dazu unter

Backpropagation in einer Organisation?


Backpropagation in künstlichen neuronalen Netzen verändert die Wichtung einzelner Signaleingänge für jedes einzelne Neuron in Abhängigkeit vom Erfolg des letzten Lernschrittes. In einer Organisation könnte das heißen, dass die Anordnung von Informationen auf einem begrenzt großen Bildschirm so verändert wird, dass verschiedene Informationskanäle von einem Mitarbeiter unterschiedlich leicht wahrgenommen werden können. Um das umsetzen zu können, müsste ein organisationaler Backpropagation Algorithmus die letzte bewältigte Aufgabe des Gesamtnetzes kenne sowie den dabei erreichen Erfolgsgrad als Zahlenwert. Mehr dazu unter Neuronal-organisationale Synapse ↗

Fußnoten