TY - THES A1 - Mateyka, Johannes T1 - Analyse und Bewertung der Anforderungen des EU AI Acts und Entwicklung eines Leitfadens für die erfolgreiche Implementierung von AI-Maßnahmen in KMU N2 - Die rasante Entwicklung der Digitalisierung und der zunehmende Einsatz von Künstlicher Intelligenz (KI), hat das Umfeld, in dem sich Unternehmen bewegen, erheblich verändert. Der AI-Act der EU, in Kraft getreten am 1. August 2024, zielt darauf ab, die Transformation im Bereich der Anwendung von KI zu gestalten und so den verantwortungsvollen Einsatz von KI-Technologien sicherzustellen, ohne die Innovationskraft der Wirtschaft zu hemmen. In einem Umfeld, das bereits jetzt von regulatorischen Anforderungen und technologischen Fortschritten geprägt ist, sind kleine und mittlere Unternehmen (KMU) umso mehr gefordert, wandelbaren gesetzlichen Rahmenbedingungen gerecht zu werden, den Vorteil des Einsatzes technologischer Innovationen abzuwägen und gleichzeitig ihre Wettbewerbsfähigkeit zu erhalten. Die vorliegende Abschlussarbeit widmet sich aus diesen Gründen den Herausforderungen und Chancen, die der AI-Act für KMU in Deutschland mit sich bringt. Im Rahmen der Arbeit wird die Effektivität des AI-Act hinsichtlich seiner Auswirkungen auf KMU untersucht, wobei den Herausforderungen, die durch die umfangreichen Regulierungsvorgaben entstehen, sowie den potenziellen Chancen, die sich durch differenzierte Anforderungen an verschiedene Unternehmensgrößen ergeben, besondere Aufmerksamkeit geschenkt wird. Darüber hinaus wird analysiert, inwiefern die Umsetzung der Bestimmungen des AI-Acts für KMU komplex und ressourcenintensiv sein könnten sowie welche regulatorischen Erleichterungen seitens der EU vorgesehen sind, um KMU zu entlasten. Der Einsatz von KI in Unternehmen bedingt die Anwendung des neuen AI-Acts. Aus diesem Grund wird auch ein Augenmerk auf die Beweggründe und potenziellen Vorteile eines verstärkten KI-Einsatzes in KMU gelegt. Die Integration von Nachhaltigkeitszielen in die Entwicklung und Implementierung von KI-Technologien kann darüber hinaus eine entscheidende Rolle spielen, um ökologische, ökonomische und soziale Vorteile zu erzielen. Der AI-Act könnte hierbei eine Brücke sein, um Nachhaltigkeit und technologische Innovation gleichzeitig zu fördern. T3 - Abschlussarbeiten 2025 - 14 KW - Künstliche Intelligenz KW - AI-Act KW - KI-Verordnung KW - Compliance KW - Wettbewerbsvorteile Y1 - ER - TY - THES A1 - Raihani, Jasmin T1 - Unionsrechtliche Grundrechtsgefährdungen, insbesondere des Art. 8 GRCh, durch Anwendungen der Künstlichen Intelligenz, mit dem Schwerpunkt auf einer möglichen Horizontalwirkung der Unionsgrundrechte N2 - Untersuchung der Beeinträchtigung europäischer Grundrechte, insbesondere des Art. 8 GRCh durch Anwendungen künstlicher Intelligenz mit einem Schwerpunkt auf der Horizontalwirkung der Grundrechtecharta. T3 - Abschlussarbeiten 2023 - 107 KW - Künstliche Intelligenz KW - Europäische Grundrechtecharta KW - Horizontalwirkung KW - Europarecht KW - Datenschutzrecht Y1 - ER - TY - THES A1 - Hirth, Oliver Maximilian T1 - Dynamische Anpassung eines Tower-Defense Spiels durch Analyse von Spielerdaten N2 - Im Kontext der Videospiele bezeichnet der Begriff „künstliche Intelligenz“ ein System zur Steuerung von nicht-menschlichen Spielenden. Obwohl KIs in nahezu allen modernen Spieleproduktionen präsent sind, erfüllen sie häufig nicht die Qualitätsansprüche der Spielerinnen und Spieler. In dieser Arbeit wird ein KI-Modell entwickelt, um die bestehenden Techniken der Spieleindustrie zu ergänzen. Dieses Modell verfolgt den Ansatz, Daten über das Verhalten des Spielers zur Laufzeit des Spiels zu erheben und diese zur Entscheidungsfindung zu nutzen. T3 - Abschlussarbeiten 2024 - 50 KW - Videospiele KW - Tower-Defense KW - Künstliche Intelligenz KW - KI KW - Adaptiv Y1 - ER - TY - THES A1 - Dägling, Lara T1 - Einfluss von Chatbots auf die Customer Experience N2 - Die vorliegende Arbeit beschäftigt sich mit dem Einfluss von Chatbots auf die Customer Experience unter Berücksichtigung des Aspektes der Kundenzufriedenheit. Chatbots spielen in Zeiten der Digitalisierung und des Fachkräftemangels eine immer größere Rolle, da sie helfen können, Prozesse zu automatisieren und somit Mitarbeiter zu entlasten. Anhand einer Online-Umfrage (N = 401) wird untersucht, wie Chatbots die Customer Experience und Kundenzufriedenheit beeinflussen. Aus den Ergebnissen lässt sich ableiten, dass Chatbots einen positiven Einfluss auf die Kundenzufriedenheit und somit auf die gesamte CX haben können. Damit Unternehmen Chatbots erfolgreich integrieren können, werden Implikationen für die praktische Umsetzung aufgestellt. Darüber hinaus gibt es auch Implikationen für zukünftige Forschung zu diesem Thema. N2 - This paper deals with the influence of chatbots on the customer experience, taking into account the aspect of customer satisfaction. Chatbots are playing an increasingly important role in times of digitalisation and the shortage of skilled workers, as they can help to automate processes and thus relieve employees. An online survey (N = 401) is used to investigate how chatbots influence the customer experience and customer satisfaction. The results show that chatbots can have a positive influence on customer satisfaction and thus on the entire CX. In order for companies to successfully integrate chatbots, implications for practical implementation are established. There are also implications for future research on the investigated topic. T3 - Abschlussarbeiten 2023 - 95 KW - Customer Experience KW - Chatbots KW - Künstliche Intelligenz Y1 - ER - TY - RPRT A1 - Schulz-Budick, Dorothée T1 - Bericht zur Nutzung und Bewertung generativer KI-Tools: Perspektiven von Lehrenden und Studierenden des FB 4 an der HTW Berlin im Vergleich N2 - Diese Studie untersucht die Nutzung und Bewertung generativer KI-Tools durch Lehrende und Studierende des Fachbereichs 4 der HTW Berlin. Die Ergebnisse zeigen, dass sowohl Studierende als auch Lehrende die Tools bereits nutzen, wobei Studierende diese häufiger verwenden und als nützlicher bewerten. Der größte Nutzen wird von beiden Gruppen in der Unterstützung des Schreib- und Forschungsprozesses gesehen. Beide Gruppen wünschen sich mehr Unterstützung im Umgang mit generativen KI-Tools, insbesondere Schulungen und klare hochschulweite Leitlinien. Die Handlungsempfehlungen beziehen sich auf die Felder: Weiterbildungsformate und Kompetenzentwicklung, klare Richtlinien und Rahmenbedingungen, ethische Reflexion und Diskussionen sowie technische Infrastruktur. KW - Künstliche Intelligenz KW - Künstliche Intelligenz KW - Umfrage KW - Umfrageergebnisse KW - Lehre und Studium Y1 - U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-19652 CY - Berlin ER - TY - THES A1 - Mayer, Sophia T1 - 149514 - The AI driven Fashion Project N2 - In einer Welt, in der Kunst und Technologie fortwährend die Grenzen des Möglichen verschieben, präsentiert die Kollektion 149514 eine visionäre Verschmelzung, die das Verständnis von Kreativität herausfordert. Die Designs, inspiriert von der wechselseitigen Beeinflussung von Kunst und Künstlicher Intelligenz (KI), gehen über die Grenzen der Avantgarde-Tradition hinaus und zeugen von einer leidenschaftlichen Neugier für das Unbekannte. Als Antwort auf das Anti-Fashion Manifesto, setzt diese Kollektion ein kühnes Statement gegen die Konformität der Modeindustrie, ist eine genderfluide Demonstration von Zeitlosigkeit und reflektiert eine sich ständig wandelnde Gesellschaft. T3 - Abschlussarbeiten 2023 - 61 KW - Künstliche Intelligenz KW - Avantgarde KW - Kunst KW - Realitätsverschiebung KW - Genderfluid Y1 - ER - TY - RPRT A1 - Simbeck, Katharina A1 - Wehner, Marius A1 - Fernsel, Linda A1 - Schmodde, Lynn A1 - Kalff, Yannick A1 - Georgy, Jasmin A1 - Resner, Monika T1 - Leitfaden zur Überprüfung von KI im Bildungsbereich auf Fairness N2 - Der Auditierungsprozess von KI-Systemen im Bildungsbereich umfasst die Abgrenzung der Systembestandteile, die Identifizierung möglicher Risiken, die Definition von Auditierungskriterien, die Vorbereitung der Überprüfung sowie die Überprüfung der Auditierungskriterien und ein kontinuierliches Monitoring. Die Auditierungskriterien sind domänenspezifisch und angelehnt an die sechs Prinzipien für ethische Learning Analytics Anwendungen nach Slade und Prinsloo (2013). Zur Überprüfung der Kriterien können unter anderem die Dokumentation des KI-Systems gesichtet, der Quellcode analysiert, die dem Algorithmus zugrundeliegenden Daten untersucht und datenbasierte Tests durchgeführt werden. Die Ziele des Audits und der erwünschte Nutzen sollten an die Lernenden kommuniziert werden. Nicht alle Lernenden haben den gleichen Wissensstand in Bezug auf KI-Systeme und können Bedenken gegenüber dem Einsatz von diesen haben (Ifenthaler & Schumacher, 2019). Die Prüfung des Systems durch eine externe Institution kann einen positiven Einfluss auf die Wahrnehmung der Lernenden haben. Lernende empfinden ein System als fairer, wenn sie nachvollziehen können, dass das KI-System geprüft wurde. Lernende nehmen KI-Systeme umso positiver wahr, je mehr Informationen sie erhalten – auch wenn sie auf mögliche Nachteile hingewiesen werden. Die transparente Offenlegung möglicher Nachteile (z. B. technische Grenzen) beim Einsatz eines KI-Systems in der Bildung ist aus ethischer Sicht unabdingbar. Durch regelmäßige Audits wird sichergestellt, dass die KI-Systeme in technischer Hinsicht funktionieren und gleichzeitig fair sind. Zugleich wird die Akzeptanz durch die Studierenden verbessert. Universitäten profitieren daher von Audits ihrer KI-Systeme. N2 - The audit process of AI systems in the education sector involves delineating the system components, identifying potential risks, defining audit criteria, preparing for the assessment, conducting the audit criteria review, and continuous monitoring. The audit criteria are domain-specific and aligned with the six principles for ethical learning analytics applications outlined by Slade and Prinsloo (2013). Activities such as reviewing documentation of the AI system, analyzing source code, examining the algorithm's underlying data, and conducting data-based tests can be employed to verify the criteria. The objectives of the audit and the desired benefits should be communicated to the learners. Not all learners have the same level of knowledge regarding AI systems and may have concerns about their use (Ifenthaler & Schumacher, 2019). Examining the system by an external institution can positively influence learners' perceptions. Learners perceive a system as fairer when they understand that the AI system has been audited. Learners view AI systems more positively when they receive more information—even when potential drawbacks are pointed out. Transparent disclosure of potential disadvantages (e.g., technical limitations) in using an AI system in education is essential from an ethical standpoint. Regular audits ensure that AI systems function technically while also being fair. Simultaneously, acceptance by students is enhanced. Therefore, universities benefit from audits of their AI systems. KW - Leitfaden KW - Auditierung KW - Fairness KW - Learning Analytics KW - Bildung KW - Einführung KW - Fairness KW - Bildung KW - Künstliche Intelligenz Y1 - U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-18115 ER - TY - JOUR A1 - Humm, Bernhard A1 - Bense, Hermann A1 - Bock, Jürgen A1 - Classen, Mario A1 - Halvani, Oren A1 - Herta, Christian A1 - Hoppe, Thomas A1 - Juwig, Oliver A1 - Siegel, Melanie T1 - Applying machine intelligence in practice JF - Informatik Spektrum N2 - The relevance of Machine Intelligence, a.k.a. Artificial Intelligence (AI), is undisputed at the present time. This is not only due to AI successes in research but, more prominently, its use in day-to-day practice. In 2014, we started a series of annual workshops at the Leibniz Zentrum für Informatik, Schloss Dagstuhl, Germany, initially focussing on Corporate Semantic Web and later widening the scope to Applied Machine Intelligence. This article presents a number of AI applications from various application domains, including medicine, industrial manufacturing and the insurance sector. Best practices, current trends, possibilities and limitations of new AI approaches for developing AI applications are also presented. Focus is put on the areas of natural language processing, ontologies and machine learning. The article concludes with a summary and outlook. KW - Computer Science, general KW - Computer Hardware KW - Computer Systems Organization and Communication Networks KW - Software Engineering/Programming and Operating Systems KW - Data Structures and Information Theory KW - Künstliche Intelligenz KW - Semantic Web KW - Maschinelles Lernen KW - Automatische Sprachanalyse Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-17065 SN - 0170-6012 SN - 1432-122X VL - 43 IS - 2 SP - 137 EP - 144 PB - Springer ER - TY - THES A1 - Gerdes, Philip T1 - Exploring automated decisionmaking in generative applications N2 - Ziel der Thesis war es, zu erkunden, inwieweit Entscheidungsprozesse bei generativen Algorithmen unter Zuhilfenahme von maschinellem Lernen automatisiert werden können und wie die Interaktion mit solchen Systemen intuitiv und greifbar gestaltet werden kann. Als praktische Auseinandersetzung entstand eine interaktive Installation: »Inter« ist der Versuch, mithilfe von maschinellem Lernen viele dieser Eindrücke zusammenzubringen. Dabei sucht eine Maschine nach Mustern in den Eingaben von Betrachtenden und formt so stetig ihr eigenes Verständnis von Wahrheit. T3 - Abschlussarbeiten 2023 - 17 KW - Interaktive Installation KW - Interaktives Maschinelles Lernen KW - Künstliche Intelligenz Y1 - 2023 ER - TY - JOUR A1 - Köchling, Alina A1 - Riazy, Shirin A1 - Wehner, Marius Claus A1 - Simbeck, Katharina T1 - Highly Accurate, But Still Discriminatory JF - Business & Information Systems Engineering N2 - The study aims to identify whether algorithmic decision making leads to unfair (i.e., unequal) treatment of certain protected groups in the recruitment context. Firms increasingly implement algorithmic decision making to save costs and increase efficiency. Moreover, algorithmic decision making is considered to be fairer than human decisions due to social prejudices. Recent publications, however, imply that the fairness of algorithmic decision making is not necessarily given. Therefore, to investigate this further, highly accurate algorithms were used to analyze a pre-existing data set of 10,000 video clips of individuals in self-presentation settings. The analysis shows that the under-representation concerning gender and ethnicity in the training data set leads to an unpredictable overestimation and/or underestimation of the likelihood of inviting representatives of these groups to a job interview. Furthermore, algorithms replicate the existing inequalities in the data set. Firms have to be careful when implementing algorithmic video analysis during recruitment as biases occur if the underlying training data set is unbalanced. KW - Künstliche Intelligenz KW - Fairness KW - Bias KW - Artificial algorithm decision making KW - Recruitment KW - Asynchronous video interview KW - Ethics KW - HR analytics KW - Artificial intelligence KW - Bias KW - Ethik KW - Personalbeschaffung KW - Personalorganisation Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-17115 SN - 2363-7005 SN - 1867-0202 VL - 63 IS - 1 SP - 39 EP - 54 PB - Springer Fachmedien Wiesbaden ER - TY - THES A1 - Wemmer, Dorian T1 - Erkennen von Ransomware durch Machine Learning N2 - Seit der Vernetzung der Computer nimmt die Zahl der entwickelten Malware rasant zu. Bereits Milliarden Endpunkte befinden sich im größten Netzwerk der Welt, dem Internet. Täglich verbinden sich neue Geräte mit dem Internet und sind somit potenziellen Gefahren ausgesetzt. Die Angriffsfläche erweitert sich proportional zur Anzahl der mit dem Internet verbundenen Systeme. Geräte sind mit schlechten oder keinen Sicherheitsmechanismen ausgestattet und der Endnutzer vergisst wichtige Sicherheitsupdates zu laden. Eine Familie von Schadsoftware taucht dabei auffällig oft auf Ransomware. Privatpersonen und Unternehmen unterschiedlichster Größe und Branchen werden immer öfter Opfer von Erpressungen. Die Zunahme von Malware hat auch dazu geführt, dass viele Schutzmaßnahmen zur Bekämpfung entwickelt wurden. Da auch Malware-Ersteller ihre Programme ständig weiterentwickeln, können klassische Antiviren-Systeme immer öfter umgangen werden. Maschinelles Lernen bietet im Rahmen der IT-Sicherheit vielversprechende Möglichkeiten. Diese Arbeit beschäftigt sich mit der Frage, ob Machine Learning dabei unterstützen kann, Ransomware frühzeitig zu erkennen und so praktische Unterstützung für klassische Verteidigung bieten kann. Dafür werden maschinelle Lernmethoden untersucht, die auf der Verhaltensanalyse des Maschinellen Lernens basieren und sich auf das Klassifizieren von Ransomware konzentrieren. T3 - Abschlussarbeiten 2022 - 30 KW - Machine Learning KW - Ransomware KW - Künstliche Intelligenz KW - WannaCry KW - Neuronale Netze Y1 - ER - TY - THES A1 - Reech, Maximilian Alexander T1 - Erstellung eines Leitfadens zum überwachten Training vollständig vernetzter tiefer neuronaler Netze für Klassifikationsprobleme mit Keras Tensorflow N2 - Neuronale Netze sind eine viel diskutierte Technologie. In den letzten Jahren konnte immer wieder von ihnen gelesen oder gehört werden. Gerade in der Bild- und Videoverarbeitung erfreuen sie sich einer großen Beliebtheit. Dabei können sie zum Lösen verschiedener Probleme aus dem maschinellen Lernen verwendet werden. Allerdings scheint der Umfang an Möglichkeiten und Einstellungen für das Erstellen neuronaler Netze vergleichsweise groß. Gerade die Menge an Möglichkeiten führt zu einer Herausforderung bei der Erstellung der neuronalen Netze. Um sich diesem Problem teilweise zu stellen, beschäftigt sich diese Arbeit mit der Lösung von Klassifikationsproblemen mithilfe von neuronalen Netzen. Dafür werden ihre Eigenschaften vorgestellt und Versuche anhand fünf verschiedener Datensätze durchgeführt. Auf Basis der Ergebnisse werden dann Handlungsempfehlungen für das Erstellen neuronaler Netze zur Lösung von Klassifikationsproblemen gegeben. Diese können dann entweder für das manuelle Erstellen oder für die Einschränkung einer Parametersuche verwendet werden. N2 - Neural networks are a frequently discussed technology. In recent years, it was possible to read or hear about them again and again. Especially in image and video processing they enjoy great popularity. Thereby, they can be used to solve various machine learning problems. However, the amount of possibilities and settings for creating neural networks seems comparatively large. Just the amount of possibilities leads to a challenge in creating the neural networks. To partially face this problem, this paper deals with solving classification problems using neural networks. For this purpose, their properties are presented and experiments are conducted using five different datasets. Based on the results, recommendations for the creation of neural networks for solving classification problems are given. These can then be used either for manual creation or for constraining a parameter search. T3 - Abschlussarbeiten 2022 - 25 KW - Maschinelles Lernen KW - Künstliche Intelligenz KW - Tensorflow KW - Grundlagen Neuronale Netze KW - deep neural networks Y1 - ER - TY - JOUR A1 - Humm, Bernhard G. A1 - Bense, Hermann A1 - Fuchs, Michael A1 - Gernhardt, Benjamin A1 - Hemmje, Matthias A1 - Hoppe, Thomas A1 - Kaupp, Lukas A1 - Lothary, Sebastian A1 - Schäfer, Kai-Uwe A1 - Thull, Bernhard A1 - Vogel, Tobias A1 - Wenning, Rigo T1 - Machine intelligence today: applications, methodology, and technology JF - Informatik Spektrum N2 - Machine intelligence, a.k.a. artificial intelligence (AI) is one of the most prominent and relevant technologies today. It is in everyday use in the form of AI applications and has a strong impact on society. This article presents selected results of the 2020 Dagstuhl workshop on applied machine intelligence. Selected AI applications in various domains, namely culture, education, and industrial manufacturing are presented. Current trends, best practices, and recommendations regarding AI methodology and technology are explained. The focus is on ontologies (knowledge-based AI) and machine learning. KW - Maschinelles Lernen KW - Computer Science, general KW - Computer Hardware KW - Computer Systems Organization and Communication Networks KW - Software Engineering/Programming and Operating Systems KW - Data Structures and Information Theory KW - Künstliche Intelligenz KW - Ontologie Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-16759 SN - 0170-6012 SN - 1432-122X VL - 44 IS - 2 SP - 104 EP - 114 PB - Springer Berlin Heidelberg ER - TY - THES A1 - Kepezkaya, Sakir T1 - Die Anwendung künstlicher neuronaler Netze auf stochastische Simulationen N2 - Diese Arbeit beschäftigt sich mit der Anwendung künstlicher neuronaler Netze. Dabei wird im Detail untersucht, ob neuronale Netze, die mit simulierten Daten trainiert wurden, gute Ergebnisse für Vorhersagen liefern können. So dient die Sterberate als Beispielgröße, woran das Lee-Carter Modell angewendet wird, um neben Vorhersagen auch Simulationen zu erzeugen. Mithilfe eines Optimierungsprozesses konnte ein passendes neuronales Netz identifiziert werden. Bevor es zur Anwendung kommt, werden beide Modelle aus mathematischer Sicht erörtert. Die Ergebnisse der Vorhersagen konnten schlussendlich als überzeugend eingestuft werden. T3 - Abschlussarbeiten 2022 - 14 KW - Künstliche Neuronale Netze KW - Machine Learning KW - Künstliche Intelligenz KW - Stochastische Simulation KW - Lee-Carter Modell Y1 - ER - TY - JOUR A1 - von Richthofen, Georg A1 - Ogolla, Shirley A1 - Send, Hendrik ED - Pereira, Rúben T1 - Adopting AI in the Context of Knowledge Work: Empirical Insights from German Organizations JF - Information N2 - Artificial Intelligence (AI) is increasingly adopted by organizations. In general, scholars agree that the adoption of AI will be associated with substantial changes in the workplace. Empirical evidence on the phenomenon remains scarce, however. In this article, we explore the adoption of AI in the context of knowledge work. Drawing on case study research in eight German organizations that have either implemented AI or are in the process of developing AI systems, we identify three pervasive changes that knowledge workers perceive: a shift from manual labor and repetitive tasks to tasks that involve reasoning and empathy, an emergence of new tasks and roles, and an emergence of new skill requirements. In addition, we identify three factors that are conducive to the development of AI systems in the context of knowledge work: leadership support, participative change management, and effective integration of domain knowledge. Theoretical and managerial implications are discussed. KW - Geistige Arbeit KW - artificial intelligence KW - AI KW - knowledge work KW - automation KW - augmentation KW - domain knowledge KW - Künstliche Intelligenz KW - Augmentation KW - Automation KW - Fachwissen Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:523-15716 SN - 2078-2489 VL - 13 IS - 4 SP - 1 EP - 16 PB - MDPI ER -