Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien - Wie mit neuronalen Netzen Lebensmittelabfälle reduziert werden können

Bachelorarbeit aus dem Jahr 2019 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,0, Universität Ulm (Institut für Technologie- und Prozessmanagement), Sprache: Deutsch, Abstract: Die Arbeit will herausfinden, ob künstliche neuronale Netze im Bereich der Bedarfsplanung von Großgastronomien erfolgreich eingesetzt werden können, um durch Überproduktion entstandene Lebensmittelabfälle zu reduzieren. Dabei liegt der Fokus auf künstlichen neuronalen Feed-Forward-Netzen, die zur Prognose der zukünftig verkauften Essensmengen verwendet werden. Dieses Vorhaben soll am Beispiel der Mensa der Universität Ulm umgesetzt werden, da hierfür ein repräsentativer Datensatz als Basis für die empirische Analyse zur Verfügung gestellt wurde. Dazu wird die folgende Forschungsfrage beantwortet: Können tiefe Feed-Forward-Netze bei der Bedarfsplanung von Großgastronomien erfolgreich eingesetzt werden, um Lebensmittelabfälle zu reduzieren? Die Arbeit gliedert sich in fünf Themenbereiche. In Kapitel 2 wird der theoretische Rahmen der Arbeit dargelegt. Dabei wird zunächst erklärt, wie maschinelles Lernen in künstlichen neuronalen Netzen funktioniert. Im weiteren Verlauf werden die mathematischen Grundlagen, mögliche Optimierungsverfahren und die verschiedenen Parameter eines künstlichen neuronalen Netzes vorgestellt. Im dritten Kapitel wird dann erläutert, wie der Datensatz erstellt wurde und welche Eingabevariablen für die empirische Analyse verwendet wurden. Das Kapitel konzentriert sich außerdem auf die Architektur der verwendeten Netze und Datenaufbereitungsmethoden. In Kapitel 4 werden dann die erzielten Ergebnisse vorgestellt. Anschließend wird im fünften Kapitel eine Diskussion der erzielten Ergebnisse vorgenommen. Im letzten Kapitel wir dann die Forschungsfrage beantwortet. Zudem wird das Ergebnis zusammengefasst und ein Ausblick auf Erweiterungen der Arbeit gegeben.