Themenvorschläge für Projektarbeiten im WiSe 2023/24

Durch die Fortschritte im Bereich der künstlichen Intelligenz, insbesondere im Hinblick auf Large-Language-Modelle (LLM), ergeben sich tiefgreifende Veränderungen für die Gesellschaft und Unternehmen. LLMs sind künstliche neuronale Netzwerke, die in der Lage sind, natürliche Sprache zu verstehen, zu verarbeiten und Antworten zu generieren. Mit der Einführung von ChatGPT durch das Unternehmen Open AI im November 2022 haben Mitarbeitende nun die Möglichkeit, LLMs wie ChatGPT zur Automatisierung von Prozessen und zur Optimierung von Aufgaben einzusetzen. Zum Beispiel können sie die Kommunikation mit Kundinnen und Kunden mithilfe von ChatGPT unterstützen oder vollständig übernehmen. Es ist jedoch wichtig zu beachten, dass ein grundlegendes Verständnis für den Einsatz von LLMs in Unternehmen nicht weit verbreitet ist. Die effektive Verwendung von LLMs hängt maßgeblich von der richtigen Formulierung von Anfragen an das LLM, den sogenannten "Prompts", ab. Mögliche Projektarbeiten können von der Untersuchung der Anwendungsmöglichkeiten von ChatGPT in Unternehmen über die Entwicklung von Best Practices für das Design von Prompts in verschiedenen Unternehmenskontexten bis hin zur Erforschung ethischer Herausforderungen reichen, die mit der Nutzung von LLMs verbunden sind.

In der heutigen Unternehmenswelt ist die Visualisierung von Daten und Prozessen zunehmend entscheidend, um verschiedene Aspekte ihrer Prozesse zu veranschaulichen, wie den Fortschritt in der Produktion, der Zustand von Maschinen oder sogar die Darstellung von digitalen Zwillingsmodellen. Dabei erweist sich Visual Analytics als ein nützlicher Ansatz, um aus komplexen Datensätzen Erkenntnisse zu gewinnen und fundierte Entscheidungen zu treffen. Visual Analytics vereint verschiedene Fachbereiche zur Datenanalyse, der visuellen Darstellung sowie der menschlichen Wahrnehmung. Unternehmen nutzen Visual Analytics und können dabei auf verschiedene Tools und Plattformen zurückgreifen, darunter Lösungen wie Tableau oder Microsoft Power BI. Diese ermöglichen es Unternehmen, Daten in ansprechende Diagramme, Grafiken und Dashboards umzuwandeln. Dadurch wird die Kommunikation von Informationen innerhalb des Unternehmens unterstützt und Entscheidungsträger können fundiertere Entscheidungen treffen. Mögliche Projektarbeiten können von dem Vergleich unterschiedlicher Visual Analytics-Tools bis hin zur Einführung von Visual Analytics-Tools in Unternehmen reichen.

Durch den fortschreitenden Prozess der Digitalisierung entstehen in zunehmendem Maße umfangreiche Datenbestände in Unternehmen. Diese Daten repräsentieren einen erheblichen Wert. Aus diesem Grund haben sich Datenmarktplätze entwickelt, auf denen der An- und Verkauf von Daten möglich ist. Die auf diesen Marktplätzen gehandelten Daten stammen aus diversen Quellen, darunter beispielsweise soziale Medien, Prozess- und Maschinendaten sowie Open Data. Die Möglichkeit, unterschiedliche Datenquellen miteinander zu verknüpfen, erleichtert die Nutzung und ermöglicht den unternehmensübergreifenden Austausch von Daten. Die Anwendungsmöglichkeiten von Datenmarktplätzen in Unternehmen sind vielfältig - insbesondere wird Open Data als eine immer bedeutsamere Ressource für Unternehmen betrachtet. Mögliche Projektarbeiten könnten sich auf die Nutzung dieser Datenquelle für die eigenen unternehmerischen Belange oder die Analyse von Open Data zur Lösung eines realen oder fiktiven Analytics-Problems konzentrieren.

Eine aktuelle Studie der Bertelsmann-Stiftung zeigt, dass in Deutschland mehr als drei Viertel der Befragten vollautomatisierte Entscheidungen ablehnen, während nur 31 Prozent der Bevölkerung darin Chancen erkennen. Auf der anderen Seite werden intelligente Systeme in vielen Alltagsbereichen (beispielweise in der medizinischen Diagnostik oder bei der Beurteilung der Kreditwürdigkeit) bereits erfolgreich eingesetzt und gewinnen in der Praxis zunehmend an Bedeutung. Daher ist es insbesondere für Unternehmen, die intelligente Systeme einsetzen, unausweichlich, deren Akzeptanz bei ihren Kunden und Verbrauchern zu erhöhen. Hierzu ist nicht in erster Linie „Algorithmentransparenz“ gefragt, wie sie seit einiger Zeit von der Politik diskutiert und gefordert wird. Die Lösung sind vielmehr für Laien verständliche Erklärungen, welche die von künstlichen Intelligenzen im Einzelfall getroffenen Entscheidungen nachvollziehbar und verständlich machen. Mögliche Projektarbeiten können sich beispielsweise mit der Vermittlung von AI Literacy mittels Erklärbarer Künstlicher Intelligenz oder Fairness und Bias in KI-Systemen beschäftigten. Aber auch andere inhaltliche und methodische Themen sind möglich und werden mit den Studierenden individuell abgestimmt und konkretisiert.

Im Zuge der Digitalisierung stehen Organisationen heutzutage sehr umfangreiche und immer weiter wachsende Mengen an Daten zur Verfügung (Stichwort: „Big Data“). Allerdings zeigt die Empirie, dass die analysierten und genutzten Daten häufig durch eine geringe Datenqualität charakterisiert sind – selbst in unternehmensinternen Kundendatenbanken sind durchschnittlich ca. 30% der gespeicherten Datenwerte nicht korrekt. Auf diese Weise entstehen bspw. für ein durchschnittliches amerikanisches Unternehmen jährlich Mehrkosten in Höhe von 15 Millionen Dollar. Mangelnde Datenqualität stellt allerdings nicht nur in Unternehmen ein großes Problem dar – auch in Politik und Gesellschaft steigt in Zeiten von „Fake News“ der Bedarf an zuverlässigen Informationen. Deshalb werden quantitative Methoden zur Messung, Steuerung und Verbesserung der Datenqualität benötigt. Mögliche Projektarbeiten können sich beispielsweise mit der Entwicklung von Datenqualitätsmetriken oder dem Einfluss von Datenqualitätsdefekten auf KI-Systeme beschäftigten. Aber auch andere inhaltliche und methodische Themen sind möglich und werden mit den Studierenden individuell abgestimmt und konkretisiert.

Unternehmen stehen heutzutage – bspw. über soziale Medien und das Internet (z. B. Online Social Networks, Wikis, Bewertungs- und Rezensions-Communities, Diskussionsforen), aber auch in traditionellen Datenbanken (z. B. Data-Warehouse, Kundendatenbanken) und im direkten Kundenkontakt (z. B. humanoide Roboter wie Pepper) – sehr umfangreiche und immer weiter wachsende Datenmengen zur Verfügung. Dabei wird der überwiegende Großteil der verfügbaren Daten in unstrukturierter Form (Bilder, Videos, Texte) gespeichert. Um diesen Datenschatz zu heben, werden Methoden für eine automatisierte Analyse benötigt. Im Themenfeld Big Data Analytics & KI werden konkrete Einsatzmöglichkeiten und der daraus resultierende Nutzen von Methoden der Künstlichen Intelligenz bei der Analyse (un)strukturierter Daten erforscht. Mögliche Projektarbeiten können sich beispielsweise mit der Anwendung von Machine Learning im Sport oder der verbesserten Klassifikation von Telematikdaten beschäftigten. Aber auch andere inhaltliche und methodische Themen sind möglich und werden mit den Studierenden individuell abgestimmt und konkretisiert.

Traditionelle Verkaufsprozesse stoßen hinsichtlich der Datenverfügbarkeit sowie der Analyse- und Verarbeitungsmöglichkeiten oft an ihre Grenzen. Im stationären Handel können die Mitarbeiter in der Regel nicht alle Produkt- und Kundendetails auswendig parat haben. Selbst wenn diese Informationen den Serviceexperten zur Verfügung stünden (z.B. über ein traditionelles IT-System), wäre die Verarbeitung aufgrund der großen Menge an relevanten Daten und ihrer Komplexität manuell kaum zu bewältigen oder durch subjektive persönliche Ansichten verzerrt. Recommender Systeme ermöglichen es objektiv auf Basis von großen Datenmengen Nutzern Produkte zu empfehlen. Roboter wie Pepper haben die Möglichkeit, den Kunden in der physischen Welt wahrzunehmen, mit ihm in Interaktion zu treten und besitzen zudem die Rechenleistung um die so gewonnen Daten objektiver, schneller und genauer zu verarbeiten als Menschen. Mögliche Projektarbeiten können sich beispielsweise mit dem Einsatz des humanoiden Roboters Pepper im Kundenservice oder Explainable & Conversational Recommender Systemen beschäftigten. Aber auch andere inhaltliche und methodische Themen sind möglich und werden mit den Studierenden individuell abgestimmt und konkretisiert.