Refine
Document Type
- Article (unreviewed) (4)
- Contribution to a Periodical (3)
- Book (2)
- Part of a Book (2)
- Article (reviewed) (1)
- Conference Proceeding (1)
- Other (1)
Conference Type
- Konferenzartikel (1)
Language
- German (14) (remove)
Is part of the Bibliography
- yes (14) (remove)
Keywords
- Künstliche Intelligenz (14) (remove)
Institute
- Fakultät Wirtschaft (W) (8)
- Fakultät Medien und Informationswesen (M+I) (bis 21.04.2021) (2)
- ACI - Affective and Cognitive Institute (1)
- Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019) (1)
- Fakultät Maschinenbau und Verfahrenstechnik (M+V) (1)
- Fakultät Medien (M) (ab 22.04.2021) (1)
- IMLA - Institute for Machine Learning and Analytics (1)
- Zentrale Einrichtungen (1)
Open Access
- Open Access (8)
- Closed Access (5)
- Closed (1)
- Diamond (1)
Das Zeitalter der Digitalisierung ist geprägt durch einen erhöhten Wettbewerb. Eine Chance, bei steigendem Wettbewerb erfolgreich zu bestehen, liegt daher nur in der durchgängigen Digitalisierung von Produktionsunternehmen. Dieser Beitrag stellt eine dreistufige generische Unternehmensmodellplattform Industrie 4.0 vor, die die Durchgängigkeit von Prozessen vom Kunden bis zum Lieferanten auf allen Unternehmensebenen in den Mittelpunkt stellt. Die Schritte zur Bewertung und Gestaltung des Fortschritts auf dem Weg zum digitalisierten Produktionsunternehmen werden aufgezeigt.
Künstliche Intelligenz (KI) durchdringt unser Leben immer stärker. Studierende werden im Alltag und an Hochschulen zunehmend mit KI-Anwendungen konfrontiert. An der Hochschule Offenburg werden deshalb KI-bezogene Lehrangebote curricular verankert, um Studierende im Erwerb von KI-Kompetenz zu unterstützen.
Der Beitrag stellt ein Konzept für die Entwicklung von Lehrveranstaltungen nach der Idee des pädagogischen Makings zur Förderung von KI-Kompetenz in der Hochschullehre vor. Konkretisiert wird das Konzept anhand eines Moduls zum Thema Chatbots, dessen Lehrinhalte interdisziplinär aus verschiedenen Perspektiven ausgearbeitet werden.
Intelligentes Data Governance und Data Management – Neue Chancen für die Kundendatenbewirtschaftung
(2022)
Mit der Digitalisierung haben sich für Marketing und Vertrieb vielzählige unterschiedliche neue Kanäle, Werbeformate und Zielgruppen eröffnet. Expertinnen und Experten schätzen, dass ca. 4.000 bis 10.000 Werbe- und Markenbotschaften täglich auf jede und jeden von uns einprasseln. Mögen diese Zahlen umstritten und eine Zahl zwischen 300 bis 500 Botschaften pro Tag realistischer sein, so ist dies noch immer eine Menge, die kaum noch verarbeitet und wahrgenommen werden kann. Als Reaktion auf diese Werbemasse und Reizüberflutung haben Konsumentinnen und Konsumenten zum Teil eine Art „Werbeblindheit“ entwickelt.
Für Unternehmen wird daher zunehmend herausfordernder, ihre Zielgruppe aktiv zu erreichen. Was können Unternehmen nun tun, um dennoch nachhaltig Aufmerksamkeit zu gewinnen, und wie kann Künstliche-Intelligenz-gestütztes Kundendatenmanagement dabei helfen?
Dieses Fachbuch gibt einen vertieften Einblick in das dynamische Verhalten von thermoaktiven Bauteilsystemen. Es wird eine neu entwickelte und vielfach erprobte, selbstlernende und vorausschauende TABS-Steuerung vorgestellt. Dazu wird auf die Erfordernisse einer effektiven TABS-Steuerung eingegangen und die Grundlagen und Funktionsweise der neu entwickelten AMLR-Steuerung erläutert. Anhand mehrerer Anwendungsbeispiele wird die Umsetzung in die bauliche Praxis erläutert und mit Hilfe von umfangreichen Messergebnissen die Funktion der neuen AMLR-Steuerung nachgewiesen. Abschließend werden Empfehlungen für die Anwendung von AMLR in der baulichen TABS-Praxis hinsichtlich Anlagenhydraulik und Umsetzung in der Gebäudeautomation gegeben.
Sollen soziale Roboter Teil unserer Gesellschaft werden?
Eingebettet in eine spannende Kriminalgeschichte vermittelt der Wissenschaftscomic von Oliver Korn und Jonas Grund den aktuellen Stand und Ausblick der Wissenschaft auf Social Robots.
Die Geschichte spielt in der nahen Zukunft: In einem internationalen Projekt erforschen Wissenschaftler die Anforderungen an soziale Roboter für den Gesundheitsbereich. Kurz bevor der Prototyp eines Pflegeroboters in einer Feldstudie zum Einsatz kommt, verschwindet er spurlos. In ihrem ersten großen Fall begibt sich die junge Kommissarin Kira auf eine Reise in die Welt der Wissenschaft. Dabei lernt sie viel über soziale Roboter, KI und die Welt internationaler wissenschaftlicher Kooperationen. Immer wieder kommen kritische Stimmen zu Wort: Anti-Roboter-Aktivisten protestieren gegen Automatisierung und ein Schwinden von Menschlichkeit und Empathie. Selbst in der Familie der Kommissarin wird die mögliche Pflege älterer Menschen durch Roboter kontrovers diskutiert.
Übergreifendes Ziel ist es, über alle Altersstufen hinweg Wissen aufzubauen, damit die Vor- und Nachteile dieser neuen Technologien kontrovers, aber kenntnisreich diskutiert werden können. „Soziale Roboter – ein Science Comic“ ist ein Beitrag zu einer informierten Diskussion in den Feldern Robotik, künstliche Intelligenz, Ethik und Politik und damit auch als Lehr- und Lernmittel geeignet.
Der Comic wurde für Jugendliche und Erwachsene konzipiert und gestaltet. Insbesondere aber für jene, die bisher kaum in Berührung mit sozialen Robotern und künstlicher Intelligenz gekommen sind. Eine weitere Zielgruppe sind im Gesundheitswesen tätige Personen, denn die Betreuung und Pflege älterer Menschen gelten als einer der zukünftig wichtigsten Anwendungsbereiche für soziale Roboter.
DINA4 Hochformat, Hardcover Fadenheftung, erschienen in Deutsch und Englisch. Herausgegeben im Selbstverlag Affective & Cognitive Institute (ACI), Hochschule Offenburg
Künstliche Intelligenz (KI) kommt laut einer Interxion-Studie bei 96 Prozent der Schweizer Unternehmen zum Einsatz. Allerdings gaben nur 22 Prozent der Schweizer IT-Entscheider an, dass sie KI bereits für einen ersten Anwendungsfall einsetzen. Dabei ist KI etwa im Datenmanagement sehr hilfreich – sofern Qualität und Quantität der Trainingsdaten stimmen.
Die Mehrheit der deutschen Unternehmen verspricht sich aus KI-gestützter Datenanalyse einen großen Geschäftsvorteil. Doch gerade das Thema Datenbestand ist eine der größten, immer noch häufig unterschätzten Hürde beim Trainieren und Einführen von KI-Algorithmen. Im Folgenden sind vier konkrete Erfahrungen und Tipps für KI- & Datenanalyseprojekte in Unternehmen aufgeführt.
Datenanalyse mithilfe von Künstlicher Intelligenz (KI) – für 70 Prozent der von den Beratern von PWC befragten Unternehmen ist dies das vielversprechendste Einsatzszenario. Doch so attraktiv die Vision erscheint, mittels KI das eigene Geschäft oder gar eine ganze Branche zu revolutionieren, so handfest sind die Herausforderungen, die sich in der Praxis ergeben. Ein häufiges Problem ist ein bereits beim Start eines Projekts mangelhafter Datenbestand. Die KI mit qualitativ schlechten Daten zu trainieren, macht keinen Sinn, da sie falsche Informationen lernt. Ohne den Einsatz gewisser Automatisierungen und KI ist es wiederum mühsam, die unzureichende Datenbasis zu verbessern.
Die Diskussionen über die Bedeutung und Folgen der Digitalisierung sind kaum noch überschaubar. Einig sind sich die meisten, dass Digitalisierung und die sogenannte „Künstliche Intelligenz“ (sKI) sowohl „alternativlos“ wie entscheidend für die Zukunft seien. Wer bei diesen Techniken nicht an der Spitze stünde, würde wirtschaftlich abgehängt und letztlich zum Verlierer. Die erste Frage ist aber: Wer steht denn an der Spitze und ist es erstrebenswert, sich dazu zu gesellen? Die zweite Frage ist, was sich konkret an technischen Systemen hinter Schlagworten wie Big Data, Künstlicher Intelligenz und autonomen Systemen verbirgt. Nicht zuletzt steht in Frage, welche Konsequenzen diese Systeme für den Einzelnen haben (können und/oder werden).
Künstliche Intelligenz gilt immer noch als eine der zukunftsweisenden Technologien, die viele Bereiche wie etwa Medizin, Handel, Verkehr und öffentliche Verwaltung revolutioniert. So scheint es nicht verwunderlich, dass bereits knapp jedes fünfte Unternehmen in Deutschland zurzeit KI-Systeme implementiert oder zumindest ihren Einsatz plant. Besonders hoch im Kurs stehen KI-Projekte, um Daten zu analysieren. Ganze 70 Prozent der Unternehmen sehen hier das größte Potenzial, so die Ergebnisse einer Umfrage von PWC [1]. Dennoch lauern einige Stolpersteine, wollen Unternehmen intelligente Datenprojekte umsetzen. Welche Hürden auftauchen können und wie sich diese meistern lassen, erläutert dieser Artikel anhand eines KI-Projektes zur Analyse von Geschäftspartnerdaten [2].
Eine Frage der Qualität
(2021)
Im Rahmen des Forschungsprojekts Professional UX entwickelt die Hochschule Offenburg gemeinsam mit dem Softwarehaus Dr. Hornecker in Freiburg eine innovative Systemlösung, die es ermöglicht, anhand von Mimik, Stimme und Blickverlauf beim Nutzer entstehende Emotionen bei der Nutzung interaktiver Anwendungen zu erfassen und zu interpretieren. Ziel der Untersuchung ist es, Indikatoren zu identifizieren, die eine exakte Zuordnung von wahrgenommenen Reizen zu den jeweils ausgelösten Emotionen erlauben. Sobald negative Emotionen wie Ärger oder Unsicherheit auftreten, kann dieser erfasst und im Nachgang der jeweils irritierende Reiz eliminiert werden. Das Projektteam hat einen ersten Prototyp für die Professional UX Systemlösung in Form von Hard- und Software entwickelt, mit dem es möglich ist, UX-Messungen während der User Interaktion durchzuführen und automatisiert mithilfe von KI auswerten zu lassen.
Machine Learning als Schlüsseltechnologie für Digitalisierung: Wie funktioniert maschinelles Lernen?
(2019)
Seit 1997 finden jährlich Weltmeisterschaften im Roboterfußball statt. Das Ziel ist es dabei, bis 2050 eine Mannschaft aus Robotern zu stellen, die gegen den menschlichen Fußballweltmeister gewinnt. Dazu müssen die Roboter in der Lage sein, das Verhalten ihrer menschlichen Gegner einzuschätzen und ihre Entscheidungen vorauszuahnen. Während die gängigen Verfahren zur Entscheidungsfindung in unsicheren Umgebungen in der Regel auf rationalen Entscheidungen nach der Entscheidungstheorie basieren, zeigt sich, dass menschliches Entscheiden teilweise nicht dieser Rationalität folgt. Daniel Kahneman und Amos Tversky zeigten das in vielen Studien und entwickelten daraus die bekannte Prospect Theory für die Kahneman 2002 den Wirtschaftsnobelpreis erhielt. In diesem Artikel wird beschrieben, wie Extended Behavior Networks (EBNs) auf einfache Weise erweitert werden können, um menschliches Entscheidungsverhalten auch in Situationen reproduzieren zu können, die von der rationalen Entscheidungstheorie abweichen.