Dr. Hans Georg Zimmermann

Leitender Wissenschaftler in der Abteilung »Analytics«

#

Die Welt oder auch nur Teile von ihr sind oft schwer verständlich: Viele Variablen wechselwirken in komplizierter Weise und in vielen Fällen können wir nicht einmal alle Einflussgrößen vollständig beobachten. Wenn es gelingt ein Stück Welt in ein mathematisches Modell zu übersetzen, haben wir zu mindestens im Modellrahmen die Chance eines vollständigen Verstehens und im Weiteren die Möglichkeit der Ausarbeitung optimaler Handlungsstrategien.

Künstliche Intelligenz versucht diesen Vorgang analog zur menschlichen Intelligenz nachzuvollziehen. Das verlangt die Entwicklung mathematischer Modelle für Beobachtung, Verstehen und Aktionsplanung. Die Erfolge der letzten Jahre sind einer umfangreichen mathematischen Forschung aber auch der Weiterentwicklung der Hardware und Software zu verdanken.

Viele der Presseartikel zum Thema Künstliche Intelligenz beziehen sich auf die Bildverarbeitung (also Beobachtung). Ohne den Wert dieser Anstrengungen in Abrede stellen zu wollen sei darauf hingewiesen, dass in vielen industriellen Anwendungen der Bau von Prognosemodellen und die Bestimmung optimaler Aktionsplanungen zentral ist: Der Wert einer Aktion kann nur auf Grund eines Modells bestimmt werden, welches die Konsequenzen des Aktionsvorschlages aufzeigt. Beispiele im Supply Chain Management sind Einkaufspreisprognosen, Qualitätsüberwachung in der Produktion und Nachfrageprognosen zur Produktionssteuerung oder Lagerhaltung.

 

Persönliche Forschungsschwerpunkte:

  • Machine Learning
  • Neural Networks
  • Artificial Intelligence
  • Optimal Control
  • Data Analytics
  • Forecasting

#

seit 2019
Chief Scientist in der Abteilung »Analytics« der Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS

seit 2017
Senior Research Scientist in der Abteilung »Analytics« der Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS

2001 bis 2017
Senior Principal Research Scientist und Oberer Führungskreis der Corporate Technology

1987 bis 2017
Mitglied der Siemens AG, Corporate Technology

1987
Universität Bonn, Promotion in Spieltheorie

1982
Universität Bonn, Diplom in Mathematik

#

Publikationen:

Zimmermann, H.G.; Tietz, C.; Grothmann, R.; Runkler, T.A.  (2012). Recurrent Neural Networks for Industrial Procurement Decisions. In: KI 26 (4), S. 403-406.

Zimmermann, H.G.; Tietz, C.; Grothmann, R.; Runkler, T.A.  (2012). Recurrent Neural Networks for Industrial Procurement Decisions. In: KI 26 (4), S. 403-406.

Neuneier, R.;, Zimmermann, H. G.  (2012). How to Train Neural Networks. In: Neural Networks: Tricks of the Trade (2nd ed.) 2012, S. 369-418.

Zimmermann, H.G.; Tietz, C.; Grothmann, R. (2012). Forecasting with Recurrent Neural Networks. In: Neural Networks: Tricks of the Trade (2nd ed.), S. 687-707.

Zimmermann, H.G.; Grothmann, R.; Tietz, C. (2012). Forecasting market prices with causal-retro-causal neural networks. In: H.-J. Lüthi et. al (Hg.): OR Proceedings 2011: Selected Papers of the Int. Conference on Operations Research (OR 2011), Zürich.

Zimmermann, H.G.; Tietz, C.; Grothmann, R.; von Jouanne-Diedrich, H. (2011). Market Modeling, Forecasting and Risk Analysis with Historical Consistent Neural Networks. In Proceedings of the International Conference on Operations Research, Munich 2010.

Zimmermann, H.G.; Grothmann, R.; Schäfer, A. M.;  Tietz, C. (2006). Identification and Forecasting of Large Dynamical Systems by Dynamical Consistent Neural Networks. In: S. Haykin et. al. (Hg.): New Directions in Statistical Signal Processing: From Systems to Brain.

Zimmermann, H.G.; Neuneier, R.; Grothmann, R. (2002). Modeling of Dynamical Systems by Error Correction Neural Networks. In: A. Soofi und L. Cao (HG.): Modeling and Forecasting Financial Data, Techniques of Nonlinear Dynamics.

Zimmermann, H.G.; Neuneier, R. (2000). Neural Network Architectures for the Modeling of Dynamical Systems. In: J. F. Kolen und S. C. Kremer (Hg.): A Field Guide to Dynamical Rec. Networks.

Zimmermann, H.G.  (1994). Neuronale Netze als Entscheidungskalkül. In: H. Rehkugler und H.G. Zimmermann (Hg.): Neuronale Netze in der Ökonomie, S. 1-87.

 

Vorträge:

History and Future of artificial neuronal networks (2020)
IPEC 2020

Welt im Wandel, Supply Chains im Umbruch (2020)
zusammen mit Benedikt Sonnleitner, Executive Convention Procurement & Supply 2020

Mathematische Grundlagen zu Data Analytics, Neuronale Netze und Künstliche Intelligenz 2019
Vorlesung an der Friedrich-Alexander Universität Erlangen-Nürnberg. Vorlesungsreihe als Video ansehen

Identification of Complex Dynamical Systems with Neural Networks (2016)
The CERN Lectures, Academic Training Lecture Regular Programme.

System Identification and Forecasting with Recurrent Neural Networks (2015)
Keynote Talk IntelliSys 2015.

Causality Versus Predictability In Neural Network Modeling (2015)
29th Conference on Modelling and Simulation.

Complex Valued Artificial Recurrent Neural Network as a Novel Approach to Model the Perceptual Binding Problem (2012)
zusammen mit A. Minin und A. Knoll, ESANN 2012.

 

Mitgliedschaften/ Auszeichnungen

  • Mitglied im Scientific Advisory Board der German Society of Operations Research (GOR), Leiter der Sektion »Neural Nets & Fuzzy Logic«
  • Mitglied der Deutschen Mathematiker-Vereinigung
  • Mitglied des Industry Advisory Boards der International Neural Network Society (INNS)
  • Mitglied der DPG
  • Leiter des SENN development (Simulation Environment for Neural Networks)
  • Berater der US National Science Foundation
  • Wissenschaftlicher des African Institute für Mathematical Sciences (AIMS) der Universität Cape Town