Offene Abschlussarbeiten

Künstliche Neuronale Netze (KNN) sind inspiriert durch das menschliche Gehirn. Mit Hilfe von KNN lassen sich verschiedene Problemstellungen ohne explizite Anweisungen ‚lösen‘. KNNs benötigen hierzu jedoch eine große Menge an – teils personenbezogenen und sensitiven – Daten.Ziel der Arbeit(en) ist es, die vielen verschiedenen Facetten von ‚Privacy‘ und ‚Security‘ etc. im Kontext von Machine Learning zu betrachten.Die Erstellung der Arbeit erfordert keine expliziten Kenntnisse in einer Programmiersprache, allerdings werden grundlegende Kenntnisse in Mathematik vorausgesetzt (z.B. Monotonie einer Funktion). Die Arbeit eignet sich auch als empirische Analyse auf Basis eines Prototypen.Nähere Informationen zu den einzelnen Arbeiten finden Sie auf meinem Profil oder per E-Mail.

We are all familiar with queues and waiting times—but none of us like them. However, queues are an important concept for companies, where “queuing” as a service is emerging as an important Business model. The thesis should involve in developing a prototype system for predicting and visualizing distributed product information Queues. It contributes to the ongoing academic discourse regarding the applications of artificial intelligence to business and the practical development of prediction and visualization solutions.The prototype can be found on GitHub https://github.com/Sultanow/dc_cubesVoraussetzungen:

• Diese Arbeit richtet sich vor allem an Studierende der Studiengänge Wirtschaftsinformatik mit praktischen Erfahrungen in gängigen Programmiersprachen (Insbesondere Python) und Tools.

Die Assoziationsanalyse ist ein maschinelles Lernverfahren aus dem Bereich des unüberwachten Lernens, das ursprünglich durch Anwendungen aus dem Handelsumfeld motiviert ist. Ihr liegt das Prinzip zugrunde, bedingte Wahrscheinlichkeiten des Erwerbs eines Produkts A unter der Bedingung des Erwerbs eines anderen Produkts B zu ermitteln. Das Verfahren wird hier auf die statische Codeanalyse (SCA) zur Identifizierung potenzieller Fehler eines missionskritischen Großsystems im öffentlichen Sektor angewendet. Verzögert sich dort die Fehlerbereinigung, kann es je nach Schwere des Fehlers teuer werden – ein Hotfix ist dann unabdingbar. Im Rahmen der Abschlussarbeit soll ein Algorithmus und Werkzeug optimiert werden, dass sich die Assoziationsanalyse für SCA in einem derart kritischen Umfeld zunutze macht.Machine Learning is often associated with predictive analytics, for example with the prediction of buying and termination behavior, with maintenance times or the lifespan of parts, tools or products. However, Machine Learning can also serve other purposes such as identifying potential errors in a mission-critical large-scale IT process of the public sector. A delay of troubleshooting can be expensive depending on the error’s severity – a hotfix may become essential. The Thesis should optimize an algorithm and tool that uses unsupervised machine learning techniques for SCA in such a critical Environment.Voraussetzungen:

• Diese Arbeit richtet sich vor allem an Studierende der Studiengänge Wirtschaftsinformatik mit praktischen Erfahrungen in gängigen Programmiersprachen (Insbesondere Python) und Tools.

Analyse von Automatisierungspotenzialen durch Künstliche Intelligenz

Der Fortschritt von künstlicher Intelligenz eröffnet viele Möglichkeiten für die Automatisierung von Prozessen und Aufgaben. Organisationen, die als strategisches Ziel die Erhöhung des Digitalisierungs- und Automatisierungsgrads haben, müssen zuerst Aufgabenbereiche und Prozesse identifizieren. Diese Bewertung von Automatisierungspotenzialen in Organisationen ist ein wichtiger Schritt, um nachgelagerte Projekte planen zu können.

Ziel der Abschlussarbeit ist es, eine systematische Literaturanalyse zu Methoden für die Identifizierung von Automatisierungspotenzialen mit Hinblick auf den Einsatz von KI in Unternehmen durchzuführen.

Intelligente Entscheidungsunterstützung am Beispiel der Kursbelegung im (E-)Learning Bereich

Entscheidungsunterstützende Systeme sind allgegenwärtig geworden. Insbesondere im E-Commerce und B2C Bereich finden sich etliche Beispiele dafür, wie sogenannte Recommender Engines mit Hilfe von neuester KI-Technologie die Auswahl von passenden Produkten und Dienstleistungen erleichtern. Einige bekannte Beispiele sind Spotify (Lieder, Podcasts, etc.), Amazon (Produkte), Airbnb (Aktivitäten vor Ort) und Netflix (Filme und Serien).

In den letzten Jahren lässt sich jedoch beobachten, wie diese Systeme für Entscheidungsprozesse innerhalb einer Organisation angewandt werden. Im Healtchare-Bereich, beispielsweise, wird untersucht, wie die Auswahl der passenden Therapien durch derartige Systeme effizienter und effektiver gestaltet werden kann.

Dieses spannende Themengebiet bietet viele Forschungsmöglichkeiten an, die innerhalb einer Abschlussarbeit bearbeitet werden können. Die Abschlussarbeiten können dabei konzeptionellen (Entwicklung einer Methodik, Prototyp oder Konzept) oder analytischen Charakter haben (Literaturanalyse, qualitative/quantitative Forschung). Das Thema kann gerne im Kontext des akademischen Bereichs untersucht werden.

Mögliche Forschungsrichtungen sind:

1. Entscheidungskomplexität und Entscheidungsprozesse im Kontext von Entscheidungsunterstützende Systeme
   1. Wie wird Entscheidungskomplexität gemessen? Wie werden Entscheidungsprozesse identifiziert, modelliert und analysiert?
   1. Wie lassen sich Anforderungen für Entscheidungsutnerstützende Systeme ableiten?
2. Decision Intelligence
   1. Anwendungen von KI für die Entscheidungsunterstützung
3. Recommender Engines als spezielle Form von Entscheidungsunterstützung
4. Entscheidungsfindung und Unterstützung bei der Kursbelegung im akademischen Umfeld