TY - GEN A1 - Koch, Christian A1 - Riehle, Dirk T1 - Schema Inference with Explainable AI for Data Engineering in Government Institutions BT - Systematic Review Protocol N2 - Data engineering is an integral part of the data science process. It comprises tasks such as data ingestion, data transformation, and data quality assurance. In order to fulfill these tasks, schema inference is an important capability. Its goal is to detect the structure of a dataset and to derive metadata on hierarchies, data types, etc. Artificial intelligence (AI) has the potential to automate schema inference and thus increase the efficiency of the data science process. However, as government institutions are subject to special regulations, explainability of AI models can be a mandatory requirement. Goal of this research protocol is to plan a systematic review of literature on schema inference with explainable AI (XAI) for data engineering in government institutions. KW - Explainable Artificial Intelligence KW - Explainable Artificial Intelligence KW - Schema Inference KW - Data Engineering KW - Data Science KW - Government Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-11609 SP - 2 EP - 6 ER - TY - RPRT A1 - Koch, Christian A1 - Stadi, Markus T1 - Why Retraining Can Be Harder Than Training BT - A neural network perspective on learning, unlearning and relearning T2 - Towards Data Science N2 - In a rapidly changing world, humans are required to quickly adapt to a new environment. Neural networks show why this is easier said than done. Our article uses a perceptron to demonstrate why unlearning and relearning can be costlier than learning from scratch. KW - Künstliche Intelligenz KW - maschinelles Lernen KW - neuronales Netz Y1 - 2024 UR - https://towardsdatascience.com/why-retraining-can-be-harder-than-training-489b3bc6ae02 SP - ohne Zählung PB - Medium ER - TY - RPRT A1 - Roth, Anna A1 - Zimmermann, Roland A1 - Bahlinger, Thomas T1 - KI-Potenzial-Scanning für die Stadt Nürnberg BT - Einsatzbereiche KI-basierter digitaler Systeme in der öffentlichen Verwaltung gezielt identifizieren N2 - Mit dem im Jahr 2022 initiierten Projekt „KI-Potenzial-Scanning“ soll ein Vorgehensmodell erprobt werden, um für die Stadt Nürnberg konkrete Einsatzpotenziale identifizierbar zu machen. Für das KI-Potenzial-Scanning ist das Ziel, für die Stadt Nürnberg anhand eines ausgewählten, städtischen Arbeitsfeldes Potenzialbereiche für den Einsatz von KI-basierten, digitalen Systemen zu eruieren. Die Eingrenzung des zu untersuchenden Arbeitsfeldes erfolgt über mehrere Workshops in enger Abstimmung mit dem Amt für Digitalisierung und Prozessorganisation. KW - Verwaltung KW - Künstliche Intelligenz Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-11976 VL - 2023 SP - 2 EP - 18 ER - TY - RPRT A1 - Bahlinger, Thomas A1 - Zimmermann, Roland A1 - Roth, Anna T1 - Erfahrungsfeld KI BT - Technologie in der Verwaltungspraxis gestalten und in praktischen Anwendungsszenarien erleben N2 - Im Rahmen eines Gemeinschaftsprojekts haben die Stadt Nürnberg und die Technische Hochschule Nürnberg unter Einbindung didaktischer Ansätze aus Forschung und Lehre ein Grobkonzept erarbeitet, welches KI für Verwaltungsmitarbeitende greifbar machen soll – das Erfahrungsfeld KI KW - KI KW - Künstliche Intelligenz KW - Erfahrungsfeld KW - Weiterbildung KW - Verwaltung KW - Künstliche Intelligenz KW - Verwaltung Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-11912 SP - 2 EP - 14 ER - TY - GEN A1 - Koch, Christian A1 - Riehle, Dirk T1 - Schema Inference with Explainable AI for Data Engineering in Government Institutions BT - Systematic Review Protocol - Second Version N2 - Data engineering is an integral part of the data science process. It comprises tasks such as data ingestion, data transformation, and data quality assurance. In order to fulfill these tasks, schema inference is an important capability. Its goal is to detect the structure of a dataset and to derive metadata on hierarchies, data types, etc. Artificial intelligence (AI) has the potential to automate schema inference and thus increase the efficiency of the data science process. However, as government institutions are subject to special regulations, explainability of AI models can be a mandatory requirement. Goal of this research protocol is to plan a systematic review of literature on schema inference with explainable AI (XAI) for data engineering in government institutions. This second version includes adjustments resulting from the first iteration of the review. KW - Explainable Artificial Intelligence KW - Data Engineering KW - Data Science KW - Explainable Artificial Intelligence KW - Government KW - Schema Inference Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-15059 SP - 2 EP - 6 ER - TY - GEN A1 - Koch, Christian A1 - Kogelheide, Lucie A1 - Lorenz, Raphael T1 - Post-Quantum Cryptography with Python and Linux BT - A beginner’s guide T2 - Towards Data Science N2 - If we believe Edward Snowden, encryption is "the only true protection against surveillance". However, advances in quantum technology might endanger this safeguard. Our article discusses why quantum computing poses a threat to data security and what to do about it. Instead of a purely theoretical analysis, we build on code examples using Python, C, and Linux. KW - Computersicherheit KW - Cybersecurity KW - Encryption KW - Quantum Computing KW - Python KW - Linux Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-10814 UR - https://medium.com/towards-data-science/post-quantum-cryptography-with-python-and-linux-17b1ca1b3e1 PB - Medium ER - TY - GEN A1 - Koch, Christian A1 - Stadi, Markus A1 - Berle, Lukas T1 - From Data Engineering to Prompt Engineering BT - Solving data preparation tasks with ChatGPT T2 - Towards Data Science N2 - Data engineering makes up a large part of the data science process. In CRISP-DM this process stage is called "data preparation". It comprises tasks such as data ingestion, data transformation and data quality assurance. In our article we solve typical data engineering tasks using ChatGPT and Python. By doing so, we explore the link between data engineering and the new discipline of prompt engineering. KW - Prompt Engineering KW - Data Engineering KW - ChatGPT KW - Large Language Model KW - Python KW - Künstliche Intelligenz KW - Natürlichsprachiges System Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-10829 UR - https://medium.com/towards-data-science/from-data-engineering-to-prompt-engineering-5debd1c636e0 PB - Medium ER - TY - GEN A1 - Koch, Christian A1 - Riehle, Dirk A1 - Müller, Katharina T1 - Schema Inference for Tabular Data with Explainable Artificial Intelligence BT - Systematic Review Protocol - Third Version N2 - Data engineering is an integral part of the data science process. It comprises tasks such as data ingestion, data transformation, and data quality assurance. In order to fulfill these tasks, schema inference is an important capability. Its goal is to detect the structure of a dataset and to derive metadata on hierarchies, data types, etc. Artificial intelligence (AI) has the potential to automate schema inference and thus increase the efficiency of the data science process. However, as government institutions are subject to special regulations, explainability of AI models can be a mandatory requirement. Goal of this research protocol is to plan a systematic review of literature on schema inference for tabular data with explainable AI (XAI). This third version was derived from two earlier review protocols. KW - Explainable Artificial Intelligence KW - Data Engineering KW - Data Science KW - Explainable Artificial Intelligence KW - Government KW - Schema Inference Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-15601 SP - 2 EP - 6 ER - TY - JOUR A1 - Mehrens-Raizner, Marie C. A1 - Gaugler, Tobias T1 - Was kosten Lebensmittel unter Einbeziehung von Umwelt-Folgekosten? JF - Die Unternehmung N2 - Ziel dieser Studie ist es, die externen Umweltfolgekosten von Lebensmitteln in Deutschland zu quantifizieren, die während des Produktionsprozess sowie der vorgelagerten Lieferkette entstehen. Um die Auswirkungen auf die Umwelt zu kompensieren, sollten externe Effekte nach dem Verursacherprinzip der UN in allen Lebensmittelpreisen berücksichtigt werden. Auf Basis einer umfassenden Literaturrecherche und in Anlehnung an die Methode von Fitzpatrick und Young (2017) werden die externen Kosten der deutschen Agrarproduktion im Jahr 2016 berechnet. Würden Umweltfolgen der deutschen Lebensmittelproduktion und des Konsums wie Treibhausgase, vermeidbare Lebensmittelabfälle und Biodiversitätsverluste in die Preise einfließen, wäre nach unseren Berechnungen eine durchschnittliche Preiserhöhung von 43 % auf der Einzelhandelsebene notwendig. Unsere Ergebnisse verdeutlichen das Ausmaß der aktuellen Fehlbepreisung und die damit verbundenen, dringenden Veränderungsbedarfe im Lebensmittelsektor. Y1 - 2022 U6 - https://doi.org/10.5771/0042-059X-2022-2-143 SN - 0042-059X VL - 76 IS - 2 SP - 143 EP - 163 PB - Nomos Verlag ER - TY - RPRT A1 - Fromm, Sabine A1 - Ebinger, Frank A1 - Heymann, Tiffany A1 - Simon-Erhardt, Franziska T1 - Zur Wohnsituation einkommensarmer Haushalte in Nürnberg BT - Abschlussbericht zum Projekt: Analyse der tatsächlichen Wohnsituation von Leistungsbezieher- und Grenzhaushalten (WohnLB) 01.01.2023 bis 31.08.2023 N2 - Ziel des Projektes ist es, die tatsächliche Wohnsituation von einkommensschwachen Haushalten in der Stadt Nürnberg empirisch zu erfassen. Als einkommensschwache Haushalte werden Haushalte in die Untersuchung aufgenommen, die Mindestsicherungsleistungen (MSL) beziehen sowie sogenannte Grenzhaushalte mit geringen Einkommen. Diese Haushalte werden im Rahmen der Studie hinsichtlich der aktuellen Wohnsituation untersucht, insbesondere in Hinblick auf den baulich-energetischen Sanierungszustand der Wohnung. Ferner sollte untersucht werden, ob hier mögliche Unterschiede zwischen MSL-Haushalten und „Grenzhaushalten“ existieren, um mögliche sozialpolitische Erkenntnisse ableiten zu können. Schließlich untersucht die Studie auch, inwieweit sich mögliche Sanierungsmaßnahmen auf die Wohnkosten und damit die finanzielle Gesamtbelastung der Haushalte auswirken. Methodisch wird ein Mixed-Methods-Ansatz gewählt, der drei unterschiedliche Forschungsansätze kombiniert: (1) die Durchführung von Fokusgruppen mit relevanten Akteuren aus Sozialverwaltung, Wohlfahrtspflege, Wohnungs- und Energiewirtschaft, (2) eine standardisierte Befragung von Haushalten mit Bezug von Mindestsicherungsleistungen bzw. Wohngeld und (3) eine Analyse von Erhebungsdaten aus dem kommunalen Projekt „EnergieSparProjekt (ESP)“. Die Ergebnisse der Studie liefern eine wichtige und differenzierte empirisch basierte Übersicht zu den Wohnverhältnissen einkommensschwacher Haushalte in Nürnberg, die bisher in dieser Form noch nicht vorlag. KW - Wohnen KW - Energetische Sanierung KW - Leistungsbezieher Haushalte KW - Grenzhaushalte KW - Grundsicherung Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:92-opus4-17508 ER -