machine learning

Die Digitalisierung ist ein zentraler gesellschaftlicher Trend des 21. Jahrhunderts. Digitale Informations- und Kommunikationstechnologien gewinnen in nahezu allen öffentlichen und privaten Lebensbereichen an Bedeutung. Auch im Bereich des freiwilligen Engagements werden zunehmend Möglichkeiten der Digitalisierung genutzt, wie z.B. die Terminkommunikation einer Übungsleiterin im Sportverein per E-Mail. Ob und wie Engagierte digitale Techniken für ihre freiwillige Tätigkeit überhaupt nutzen können, hängt u.a. davon ab, ob sie Zugang zum Internet haben und ihnen entsprechende Infrastruktur zur Verfügung steht. Neben den technischen Voraussetzungen spielt aber auch der Wille, IT im Ehrenamt zu nutzen, eine wesentliche Rolle. Diese Studie soll einen Beitrag dazu leisten, mehr über mögliche Akzeptanzkriterien bei der Nutzung digitaler Tools im Ehrenamt zu erfahren.

In volatilen Zeiten, in denen die verfügbare Datenmenge stetig steigt, nehmen Unternehmen das IM in den Fokus, um ihre Wettbewerbsfähigkeit zu sichern. Aus diesem Grund ist eine stetig steigende Anzahl an Publikationen zu verzeichnen, welche sich aktuell insbesondere mit der frühphasigen Ideengenerierung mithilfe natürlich sprachlicher Texte beschäftigen. Zur Analyse werden sowohl unüberwachte als auch überwachte Lernverfahren angewendet, wobei insbesondere Clustering- Algorithmen sowie Klassifikations- und Regressionsanalysen genutzt werden. Die präskriptive Analyse sowie die geschäftsbezogenen Innovationen sind in diesem Zusammenhang noch kaum untersucht, weswegen sich hieraus weitergehender Forschungsbedarf ableiten lässt.

AKWI-Tagungsband zur 35. AKWI-Jahrestagung. Jahrgang, 2022, Seite S. 261–272 Dieser Beitrag entwickelt ein Konzept zur praktischen Umsetzung eines Machine-Learning-Verfahrens zum Lösen von Vehicle Routing Problemen im Kontext einer nachhaltigen “Letzte-Meile”-Logistik, welches durch einen Prototyp umgesetzt und getestet wurde. Dabei wurden Aspekte von kombinatorischen Optimierungsalgorithmen in Form eines Ameisenalgorithmus zur Unterstützung des angewendeten Machine-Learning-Systems verwendet. Der Prototyp basiert auf einem “Reinforcement Learning”-System und verwendet als Algorithmus “REINFORCE mit Baseline”. In einer Vergleichsanalyse wird der Prototyp mit dem bekannten Vertreter für kombinatorische Optimierungsalgorithmen, Google-OR, an Hand von zwei Anwendungsszenarien verglichen. Die kombinatorischen Optimierungsalgorithmen konnten sich hinsichtlich der Lösungsqualität gegenüber dem Prototyp durchsetzen. Dafür überzeugt der Prototyp in der Laufzeit ...