Zum Inhalt
Fakultät für Informatik
Enterprise Computing

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 (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)
  • Dashboard Entwicklung:
    • Dashboards können eingesetzt werden um die Mensch-Maschine-Interaktion zu unterstützen. Ziel ist die prototypische Implementierung eines solchen Systems (Maximilian Nebel).
    • Zur Unterstützung der Mensch-Maschine-Interaktion sollen Design Kriterien identifiziert, formuliert und evaluiert werden (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)
  • 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)
  • 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)
  • 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 (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)
  • Implementierung von RPA: Modellierung und Automatisierung eines BPMN-Models zur Optimierung der Mensch-Maschine-Interaktion. (Maximilian Nebel)
  • Entwicklung eines RPA-Labs: Installation von RPA-Systemen, Implementierung von Demo-Bots, Dokumentation (Christian Janiesch).
  • 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)
  • Ziel ist es einsetzbare Mittel zu identifizieren, um Anomalien im Kontext Industrie 4.0 angemessen zu behandeln. (Maximilian Nebel)
  • Generierung einer Übersicht und Sammlung von Anomalietypen in Sensordaten. (Maximilian Nebel)

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 Dissertationen.