0 Informatik, Informationswissenschaft, allgemeine Werke
Refine
Year of publication
Document Type
- Part of Periodical (33)
- Report (13)
- Other (4)
- Working Paper (3)
- Article (2)
- conference proceeding (article) (2)
- Bachelor-/Diplom Thesis (1)
Has Fulltext
- yes (58) (remove)
Keywords
- Künstliche Intelligenz (5)
- Cybersecurity (3)
- Data Engineering (3)
- Data Science (3)
- Python (3)
- ChatBot (2)
- Computersicherheit (2)
- Digitalisierung (2)
- Explainable Artificial Intelligence (2)
- Government (2)
Jahresbericht 2012/13
(2017)
Best of efi 2013/14
(2017)
Jahresbericht 2005/06
(2006)
Jahresbericht 2004/05
(2005)
Best of efi 2015/16
(2017)
Best of efi 2014/15
(2017)
Die vorliegende Arbeit befasst sich mit der Migration von SIMIT-Projekten der Version 5.4 auf die Version 9. SIMIT ist ein von der Siemens AG entwickeltes Programm, das Hardware-Anlagen simuliert. Für die Migration von der alten Generation (V5.4) auf die neue Generation (V7 oder höher) ist in SIMIT eine Automatik implementiert, die jedoch wegen grundlegender struktureller Unterschiede zwischen den Generationen nicht fehlerfrei funktioniert. Die Arbeit erörtert verschiedene Migrationswege und wägt sie gegeneinander ab, listet jeweils Vor- und Nachteile auf und gibt Ratschläge zu der für jeden Projektbestandteil besten Migrationsoption. Aus Zeitgründen wird allerdings nur auf einen Migrationsweg genau eingegangen, ebenso wie nur ein Teil des Beispielprojekts in der Arbeit migriert wird. Das Ergebnis dieser Migration wird vor dem Hintergrund des Zeitaufwands und der Qualität des Ergebnisses kritisch betrachtet. Außerdem werden Möglichkeiten aufgezeigt, das Migrationsverfahren weiter zu verbessern.
Mit dem rapiden Wachstum der Informationstechnologie zum Anfang des 21. Jahrhunderts und der damit verbundenen starken Zunahme der Datenmenge, ist Software zum Filtern und Auffinden von relevanten Informationen unverzichtbar geworden. Gerade für Unternehmen, deren Geschäftsmodell auf digitalisierten Unternehmensprozessen beruht, ist es essenziell dem jeweiligen Kunden automatisiert passende Produkte anzubieten. Recommenderalgorithmen befassen sich genau mit dieser Problemstellung und versuchen Produktempfehlungen für Kunden möglichst gut zu personalisieren.
Die bislang vorliegenden Veröffentlichungen beschreiben Recommenderalgorithmen lediglich in groben Zügen. Der vorliegende Artikel befasst sich daher mit der didaktischen Aufarbeitung zweier grundlegender Algorithmen und bietet einen transparenten und allgemein verständlichen Zugang zu diesem Thema. Die beiden Algorithmen werden anhand eines durchgängigen Beispiels von der Berechnung der Ähnlichkeitsmaße bis zur Erstellung der Empfehlungsrangliste illustriert. Darüber hinaus wird eine Methodik vorgestellt, um die Empfehlungsqualität im Rahmen von Simulationsstudien mit ROC-Kurven zu evaluieren.