Aktuelle Themen für Abschlussarbeiten
Die Möglichkeit zum Schreiben einer Bachelor- oder Masterarbeit ist ausdrücklich nicht auf die nachfolgenden Themenbereiche begrenzt. Diese geben lediglich einen Hinweis auf das Themenspektrum.
Themenübersicht
- Entwicklung eines BPM-Labs: Installation von BPM-Systemen, Implementierung von Demo-Prozessen, Dokumentation (Prof. Christian Janiesch).
- Advanced Analytics im sozio-technischen Kontext: Auswirkungen von prädiktiven und präskriptiven Analyseergebnissen auf Kognition und Emotionen von Anwender/innen von Informationssystemen können Aufschlüsse über Akzeptanz und Diffusion der Informationssysteme geben. (Philip Stahmann)
- AI Mindfulness, Human-AI Interaction und Hybrid Intelligence: Menschen müssen an vielen Stellen mit KI-Systemen interagieren. Dafür sind ggf. neue Prozesse und Formen oder Muster der Zusammenarbeit notwendig. (Prof. Christian Janiesch, Pauline Speckmann)
- Interaktionssystementwicklung: Im IIoT spielt die Mensch-Maschine-Interaktion vermehrt eine Rolle. Um produktive Arbeit zu gewährleisten, muss unter anderem Cognitive Load minimiert werden. Das Ziel der Arbeit ist das Formulieren von Design Kritierien und das prototypische Erstellen eines solchen Systems für Entscheider im Rahmen von IIoT unter Einbezug von Cognitive Load. (Maximilian Nebel)
- Biases in Machine Learning: Maschinelles Lernen fußt fast immer auf Daten, die von Menschen erstellt wurden. Damit sind diese Daten subjektiv und das erlernte Wissen der "künstlichen Intelligenz" befangen (bias). (Prof. Christian Janiesch, Pauline Speckmann)
- Explainable AI: Aufarbeitung der und Arbeit mit den gängigsten XAI-Techniken und XAI-Tools. Ggf. Implementierung visueller Komponenten für neue Anwendungsfälle wie das Prozessmanagement. (Prof. Christian Janiesch, Pauline Speckmann)
- Explainability in DSS/RS: Wie können die Mechaniken und Entscheidungen von Decision Support Systems (DSS) und Recommender Systems (RS) für ihre Nutzer erklärbar gemacht werden? (Pauline Speckmann)
- Künstliche Intelligenz in Industrie 4.0: Die Anwendungspotenziale künstlicher Intelligenz zur Optimierung betrieblicher Produktion sind breit gefächert, die praktischen Umsetzungen nehmen stetig zu, bspw. in der Robotik, Prozessautomatisierung oder maschinellen Kommunikation. (Philip Stahmann)
- Computer Vision in der Logistik: Im Rahmen der Arbeit sollen Verfahren der KI-gestützten Bilderkennung eingesetzt werden, um Anomalien im Material der Paletten zu identifizieren. Dazu werden reale Bilddaten mit Hilfe von praxisnahem Expertenwissen klassifiziert. (Maximilian Nebel)
- Automatisierungsgrade der Intelligent Process Automation: Intelligente Systeme werden, abhängig von der Prozesskomplexität und dem Einsatz von KI, in einem Spektrum von Automatisierungsgraden eingesetzt – von Robotic Process Automation bis hin zu Autonomous Agents. (Seyyid A. Ciftci)
- Implementierung Autonomer Agenten: Durch KI-gestützte Agenten werden autonome, effiziente Entscheidungen in komplexen Prozessen ermöglicht, die flexibel auf dynamische Veränderungen und Anforderungen reagieren. (Seyyid A. Ciftci)
- Realisierung von Trustworthy AI: Entwicklung und Instanziierung von Design Prinzipien für KI-Software, welche das Vertrauen von Nutzenden gewinnt, erhält oder kalibriert. Vertrauen kann und sollte dabei multidimensional betrachtet werden, zum Beispiel kann zwischen Vertrauen in Cybersicherheit und Datenschutz, Vertrauen in algorithmische Entscheidungen sowie Vertrauen in Software-Provider unterschieden werden. (Alexander van der Staay)
- Algorithmic Supply Chain: Entwicklung von Lösungsansätzen für das "Many hands problem" in algorithmischen Lieferketten mit speziellem Fokus auf KI-Cloud-Dienste (AI-as-a-Service). (Alexander van der Staay)
- Algorithmic Accountability: Entwicklung von Methoden und Frameworks, welche die Transparenz, Nachvollziehbarkeit und ethische Standards in der Entwicklung und Anwendung algorithmischer Systeme gewährleisten. (Alexander van der Staay)
- Ressourcenschonende KI in der betrieblichen Anwendung: Entwicklung von betrieblich realisierbaren Design Prinzipien oder Lösungen, die den Energieverbrauch und die Umweltbelastung durch KI minimieren. Zum Beispiel durch den Einsatz ML-optimierter Recheneinheiten wie TPUs. (Alexander van der Staay)
- Vorgehensmodell für Process Mining: Basierend auf Standardvorgehensmodellen wie CRISP-DM ein Modell für das Vorgehen in Process-Mining-Projekten entwicklen. (Prof. Christian Janiesch)
- Entwicklung eines Process-Mining-Labs: Installation von Process-Mining-Systemen, Implementierung von Demo-Prozessen, Dokumentation (Prof. Christian Janiesch).
- Management von RPA: Praktische Relevanz, Wirtschaftlichkeit, Auswahlentscheidung, Implementierung, Reifegradmodelle, Success Stories sowie technologische Schulden von RPA. (Prof. Christian Janiesch)
- Machine Learning und RPA: Entwicklung von RPA-Bots, welche durch die Integration von Machine-Learning-Verfahren Flexibilität in RPA-Anwendungsszenarien bringen und damit bestehende Limitationen von RPA überwinden. (Prof. Christian Janiesch)
- Entwicklung eines RPA-Labs: Installation von RPA-Systemen, Implementierung von Demo-Bots, Dokumentation (Prof. Christian Janiesch).
- Implementierung von RPA: Modellierung und Automatisierung eines BPMN-Models zur Optimierung der Mensch-Maschine-Interaktion. (Seyyid A. Ciftci)
- Die Entwicklung von Sensortechnologie und der damit einhergehende Einsatz in industrieller Produktion ermöglichen den Zugriff auf Zustandsdaten in Echtzeit. Hieraus entstehen Potenziale in der Datenanalyse, wie bspw. die Erkennung von Anomalien ohne zeitliche Verzögerungen. (Philip Stahmann)
- Learning Classifier Systems sind auf Basis von evolutionären Algorithmen in der Lage, Daten zu klassifizieren. Hieraus ergeben sich Potenziale in der Echtzeit-Klassifikation bspw. zur Anomalieerkennung. (Philip Stahmann)
- Die Verfügbarkeit qualitativ hochwertiger Trainingsdaten ist ein häufiges Problem in maschinellem Lernen in der betrieblichen Praxis, so auch in der Echtzeit-Datenklassifikation zur Erkennung von Anomalien. Few Shot Learning Ansätze versuchen mit wenigen Daten möglichst gute Trainingsergebnisse für künstlich intelligente Modelle zu erwirken. (Philip Stahmann)
- Status Quo Anomaly Detection in IIoT: Im Rahmen einer systematischen Literaturarbeit soll dargestellt werden, welche Rolle Anomaly Detection für die Praxis von IIoT spielt und zukünftig spielen wird. (Maximilian Nebel)
- Generierung einer Übersicht und Sammlung von Anomalietypen in Sensordaten des IIoT: Damit Entscheidern in Produktionsunternehmen ermöglicht wird die richtigen Schlüsse aus erkannten Anomalien zu ziehen, ist es notwendig diese zu Differenzieren. Ziel ist es in der Literatur und Daten generalisierbare Anomalietypen zu identifizieren und zu beschreiben. (Maximilian Nebel)
Weiterhin betreuen wir Abschlussarbeiten in Kooperation mit Firmen wie: viadee Unternehmensberatung AG, MotionMiners GmbH, thyssenkrupp Industrial Solutions AG oder e.venture consulting GmbH.
Abschlussarbeiten können auch in Kooperation mit der Queenland University of Technology (QUT) in Brisbane, Australien geschrieben werden. Themen der Arbeiten wird zwischen dem Kandidaten, Prof. Rosemann und Prof. Janiesch vereinbart und konzentrieren sich auf das "algorithmic" bzw. "trusted enterprise", wobei die Schnittstelle zwischen Informatik und Management, insbesondere in den Bereichen Digitalisierung und künstliche Intelligenz, hervorgehoben wird. Bei Interesse wenden Sie sich bitte direkt an Prof. Janiesch außerhalb des üblichen Bewerbungszyklus für Abschlussarbeiten.