Neuronale Netze als Basis für fortgeschrittenes Human Ressource Management

Künstliche NN erkennen und klassifizieren Muster, ohne dass dem System oder ihrer Konfiguration explizierbare Regelhaftigkeiten entlockt werden könnten. Gelegentlich wird der Vergleich mit einer black box herangezogen; es sei an das NN zur Diagnoseerstellung für Rückenbeschwerden erinnert. Das „Wissen“ steckt in der Einstellung der Synapsengewichte, eine Rückverfolgung der Leistungserbringung ist nicht möglich. Es gibt keinen Zugang. Zwar könnte ein menschlicher Experte aus der Datenmenge der erfolgreichen Diagnosen des NN im nachhinein und vielleicht unter Zuhilfenahme anderer wissenschaftlicher Methoden die eine oder andere Korrelation zwischen Symptom (-gruppen) und Beschwerdeursache erkennen. Doch bliebe dies immer auf ein lediglich partielles Verstehen beschränkt. Die größere Treffsicherheit liegt immer beim NN und dessen „Entscheidungsgrundlage“ wird nie vollständig ergründet werden können. Man kann auch sagen, die Grundlage seines Wissens sei nie vollständig explizierbar bzw. verbalisierbar. Und eben jene Diskrepanz zwischen Wissen und Können findet sich auch beim Menschen, wenn sie sich ihres Wissen nicht vollständig bewusst sind. Die nach Neuweg (2001, S. 16) „vielleicht häufigste Begriffsfassung [...] spricht von implizitem Wissen dann, wenn der Könner nicht nur mehr „weiß“, als er im Tun erinnert, sondern auch mehr „weiß“, als er überhaupt zu sagen weiß.“ Polanyi (nach Neuweg 2001, S. 16) stellt fest: „dass wir mehr wissen, als wir zu sagen wissen“. Als einfache Beispiele für solch implizites Wissen, welches zudem durch implizites Lernen entsteht, können „der Erwerb der Muttersprache“ oder die Fähigkeit „Stimmungen von einem menschlichen Gesicht abzulesen“ (Neuweg 2001, S. 20), angeführt werden. Es scheint also möglich, dass in unserem Kopf Wissen ruht, auf welches wir nicht bewusst zugreifen können. Die Relevanz einer solchen Annahme für das HRM wird ein Stück klarer, wenn die Ansicht Hackers hinzugezogen wird. Dieser betont die Bedeutung „nichtexplizierbaren Wissens“, welches „kein vernachlässigbarer, sondern ein ausschlaggebender Teil des Wissen/Könnens“ sei, und dies gelte „nicht etwa nur für vorwiegend körperliche Expertenschaft [...], sondern ebenso für geistige, z.B. Expertise im Lehrerberuf“ (Hacker nach Neuweg 2001, S. 16). Was die theoretischen Hintergründe einer Unterscheidung zwischen implizitem und explizitem Wissen angeht, sei an dieser Stelle auf Neuweg (2001, S. 24ff.) [...]

Studie bemerkt, dass „die Aktivitäten der internen Knoten [des NN, Anmerkung M.F.] (...) bemerkenswert den Reaktionen der natürlichen Neuronen, welche die Information aus der Netzhaut des Auges in aufbereiteter Form an tiefergelegene visuelle Regionen vermitteln“, ähneln. Demzufolge sind nicht nur im Gesamtverhalten, sondern auch im Verhalten der einzelnen Bausteine, enge Parallelen zwischen künstlichen und natürlichen NN zu erkennen. Aufbauend auf den genannten NN-Programmierungen (Algorithmen) „gelang es mittlerweile Modelle zu entwickeln, die ein flexibles Kurzzeitgedächtnis und Mechanismen der selektiven Aufmerksamkeit aufweisen“ (Gehm 2000, S. 49). „Computeralgorithmen“ dieser Art sind sogar in der Lage „logische Schlüsse“ zu ziehen, so Gehm. Hierin können weitere Indizien für die Zulässigkeit des Rückschlusses gesehen werden. Theo Gehm (1996, S. 49ff.) zitiert noch eine Reihe weiterer Studien, in denen Parallelen zwischen künstlichen NN und ihren natürlichen Vorbildern aufgezeigt werden. Genannt werden beispielsweise Autoren wie Rolf Eckmiller, Christof von der Malsburg und Rainer Goebel. Die Summe der Befunde zeigt, dass künstliche NN als tragfähiges Modell für menschliche Informationsverarbeitung herangezogen werden können. Manfred Spitzer (2000, S. 33) macht die Tragweite dieser Feststellung deutlich, indem er am Ende seines Kapitels zum Spracherwerb (Beugung von Verben) feststellt: „Durch diese Simulation wurde erstmals gezeigt, dass regelhaftes Sprechverhalten ganz ohne explizite interne Repräsentation der Regeln möglich ist.“ Und kurz danach fragt: „Was bedeutet dies für andere anscheinend regelgeleitete Fähigkeiten und Tätigkeiten des Menschen?“ Welche Konsequenzen sich aus dem Rückschluss vom Lernverhalten künstlicher NN zurück zum menschlichen Lernen ergeben können und welche Relevanz diese Ergebnisse beispielsweise für das HRM haben, wird im Abschnitt 3.1.2. mit der Einführung in die Arbeiten von Michael Polanyi noch detaillierter beleuchtet und im vierten Kapitel dann mit praktischen Beispielen unterlegt. [...]

In der angesprochenen Versuchanordnung von Rumelhart und McClelland nun wurde genau diese Situation aufgegriffen und damit erstmalig „die Theorie neuronaler Netzwerke [...] auf das Problem der Bildung der Vergangenheitsform angewandt.“ Ihre Datenbasis bestand aus 420 Wortstämmen, denen durch das künstliche NN jeweils die entsprechende Vergangenheitsform (ebenfalls vorgegeben) zugeordnet werden sollte. „Sowohl die Wortstämme als auch die Vergangenheitsformen wurden dem Netzwerk klanglich dargeboten.“ Das NN war aus jeweils 460 Input- und Outputneuronen aufgebaut, von denen jedes Neuron mit allen Neuronen der anderen Schicht verbunden war. Die gesamte Datenbasis wurde in der Trainingsphase 79.900 mal dargeboten, dann „hatte das Netzwerk die Zuordnung gelernt.“(detaillierter bei Spitzer 2000, S. 31). Dem Kontext angemessener könnte man auch formulieren, dass die Verbindungsstärken zwischen Hunderten von Neuronen im Netzwerk nach 79.900 Durchläufen eine Einstellung hatten, welche die gewünschte Zuordnungsleistung erbrachte. Bei Konfrontation mit neuen Verben „arbeitete das Netzwerk nahezu fehlerfrei und generierte die Vergangenheitsform von regelmäßigen Verben mit einer Genauigkeit von 92% und selbst die Vergangenheitsform von unregelmäßigen Verben mit einer Genauigkeit von 84%.“ Das eigenständige Extrahieren der anzuwendenden Regeln haben künstliche und menschliche Netzwerke in diesem Fall gemein. Doch die Parallelen im Lernverhalten gehen noch weiter. So berichten Rumelhart und McClelland (nach Spitzer 2000) dass die Lernkurven von Kindern und künstlichen NN übereinstimmen. [...]