@unpublished{GeerkensSieberichsBraunetal.2023, author = {Geerkens, Simon and Sieberichs, Christian and Braun, Alexander and Waschulzik, Thomas}, title = {QI2 -- an Interactive Tool for Data Quality Assurance}, address = {arXiv}, year = {2023}, abstract = {The importance of high data quality is increasing with the growing impact and distribution of ML systems and big data. Also the planned AI Act from the European commission defines challenging legal requirements for data quality especially for the market introduction of safety relevant ML systems. In this paper we introduce a novel approach that supports the data quality assurance process of multiple data quality aspects. This approach enables the verification of quantitative data quality requirements. The concept and benefits are introduced and explained on small example data sets. How the method is applied is demonstrated on the well known MNIST data set based an handwritten digits.}, language = {en} } @unpublished{SieberichsGeerkensBraunetal.2023, author = {Sieberichs, Christian and Geerkens, Simon and Braun, Alexander and Waschulzik, Thomas}, title = {ECS -- an Interactive Tool for Data Quality Assurance}, publisher = {arXiv}, doi = {10.48550/arXiv.2307.04368}, year = {2023}, abstract = {With the increasing capabilities of machine learning systems and their potential use in safety-critical systems, ensuring high-quality data is becoming increasingly important. In this paper we present a novel approach for the assurance of data quality. For this purpose, the mathematical basics are first discussed and the approach is presented using multiple examples. This results in the detection of data points with potentially harmful properties for the use in safety-critical systems.}, language = {en} } @techreport{Kahraman2023, author = {Kahraman, Hamide}, title = {Machine Learning im Retourenmanagement}, volume = {Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2023}, editor = {Rakow, Thomas C.}, address = {D{\"u}sseldorf}, organization = {Hochschule D{\"u}sseldorf}, doi = {10.20385/opus4-4126}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:due62-opus-41260}, pages = {49}, year = {2023}, abstract = {Machine Learning - eine Disziplin der IT, die in letzter Zeit immens an Traktion gewonnen hat. Durch die verzeichneten Entwicklungen, wie z.B. autonomes Fahren, ChatGPT und noch vielen mehr, haben sich in zahlreichen Sparten neue Perspektiven er{\"o}ffnet. Die vorliegende Arbeit untersucht die Einsatzm{\"o}glichkeiten von Machine Learning in der Retourenmanagement Dom{\"a}ne, welche bislang noch wenig erforscht wurden. Gerade der boomende Online-Handel und die daraus resultierende Masse an Retouren verdeutlichen die Notwendigkeit einer Intervention mit dem Ziel, Retouren, die sowohl den Unternehmen als auch der Umwelt schaden, zu minimieren. Ob klassische Ans{\"a}tze wie logistische Regression und lineare Diskriminanzanalyse oder state-of-the-art Methoden wie neuronale Netzwerke, Entscheidungsb{\"a}ume, Ensemble Machine Learning, Graphen, etc. - Machine Learning bietet der Wirtschaft viele Werkzeuge, die f{\"u}r die L{\"o}sung des Retourenproblems eingesetzt werden k{\"o}nnen. Die Auswahl der Methoden h{\"a}ngt von dem Ziel und den verf{\"u}gbaren Daten ab, aber die schiere Anzahl der M{\"o}glichkeiten verdeutlicht, dass mehrere Wege f{\"u}r die Reduzierung von Retouren eingeschlagen werden k{\"o}nnen. Abh{\"a}ngig von Know-How und technischen Voraussetzungen k{\"o}nnen auch einfachere Methoden, die keine allzu hohe Rechenleistung bzw. wenig Expertise ben{\"o}tigen, den Unternehmen {\"a}ußerst n{\"u}tzliche Resultate liefern. Die vorliegende Arbeit versucht den aktuellen wissenschaftlichen Status-Quo darzustellen, um dadurch die den Online-H{\"a}ndlern verf{\"u}gbaren M{\"o}glichkeiten aufzuzeigen.}, language = {de} } @techreport{Jackszis2021, author = {Jackszis, Arabella}, title = {Diskriminierung im Machine Learning und Erkl{\"a}rbarkeit von Algorithmen}, volume = {Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021}, address = {D{\"u}sseldorf}, organization = {Hochschule D{\"u}sseldorf}, doi = {10.20385/93at-4795}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:due62-opus-25075}, pages = {72}, year = {2021}, abstract = {K{\"u}nstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder f{\"u}r Anwendungen, die Verhaltensweisen des Menschen erlernen und nachahmen. Dieses innovative Vorgehen birgt jedoch einige Gefahren. Das menschliche Verhalten ist nicht immer objektiv und korrekt. Oft beherrschen Vorurteile das Treffen menschlicher Entscheidungen, sodass Personen diskriminiert werden. Es besteht das Risiko, dass Maschinen diese Verhaltensweise {\"u}bernehmen. Hinzu kommt die fehlende Erkl{\"a}rbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauensw{\"u}rdigkeit des Systems. In dieser Arbeit werden Ursachen f{\"u}r Diskriminierung und fehlende Transparenz, sowie L{\"o}sungsmethoden erarbeitet. Dabei wird er{\"o}rtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualit{\"a}t der Software beitragen.}, subject = {K{\"u}nstliche Intelligenz}, language = {de} }