54.72 Künstliche Intelligenz
Filtern
Dokumenttyp
- Masterarbeit (9)
Sprache
- Deutsch (9)
Volltext vorhanden
- ja (9)
Gehört zur Bibliographie
- ja (9)
Schlagworte
- Künstliche Intelligenz (7)
- ChatGPT (1)
- Computersicherheit (1)
- Data Mining (1)
- Graphische Benutzeroberfläche (1)
- Human Resource Management (1)
- Kundenmanagement (1)
- Maschinelles Lernen (1)
Angesichts der fortschreitenden Digitalisierung und der stetige Anstieg von Informationstechnologien, gewinnt der Einsatz von Künstlicher Intelligenz im Human Resource Bereich zunehmend an Bedeutung. Unternehmen suchen ständig nach Möglichkeiten, ihre HR-Prozesse zu optimieren und den Herausforderungen des Arbeitsmarktes gerecht zu werden. Durch die Integration von KI-Anwendungen sollen zahlreiche HR-Aufgaben effizienter und genauer gestaltet werden, was Zeit und Ressourceneinspart. Das Ziel dieser Masterarbeit ist es, einen umfassenden Überblick über den derzeitigen Stand der Technologie im Bereich Künstlicher Intelligenz im Human Resources Bereich zu geben. Dabei soll aufgezeigt werden, welche KI-unterstutzten Technologien zurzeit am Markt verfügbar sind und welche weitreichenden Auswirkungen diese auf verschiedenste Teilbereiche eines Unternehmens haben können, von der Personalbeschaffung über die Mitarbeiterentwicklung bis hin zur Leistungsbeurteilung und Automatisierung administrativer Aufgaben. Um dieses Ziel zu erreichen, wurde eine systematische Literaturrecherche durchgeführt, um fundierte Übersichten und detaillierte Informationen zu diesem Thema zu sammeln. Die Literaturrecherche umfasste drei verschiedene Literaturdatenbanken, um eine möglichst breite und repräsentative Basis zu schaffen. Durch diese Literaturrecherche wurden relevante Informationen und Daten gesammelt, die es ermöglichten, fundierte Hypothesen zu formulieren. Diese Hypothesen wurden im Rahmen dieser Literaturanalyse eingehend untersucht, um verlässliche Rückschlüsse auf den Einsatz und die Wirksamkeit von KI in Personalabteilungen zu ziehen.
Diese Masterarbeit erforscht die Integration künstlicher Intelligenz (KI) in die DevOps- und ITOps-Prozesse. Durch eine systematische Literaturübersicht wurden insgesamt 75 relevante Arbeiten in verschiedenen Bereichen eingehend untersucht, darunter Chancen, Herausforderungen und die verschiedenen Arten von künstlicher Intelligenz, die genutzt werden. Der Hauptfokus dieser Forschung liegt darin, eine Abbildung zu erstellen, die potenzielle KI-Integrationen innerhalb des DevOps-Prozesses aufzeigt. Zahlreiche Studien zu KI und Software- oder Betriebssystemen lösen unbeabsichtigt verschiedene Probleme in verschiedenen Phasen von DevOps. Diese Studie fasst eine bedeutende Anzahl wissenschaftlicher Arbeiten zusammen, die diese Phasen unterstützen, und fasst ihre Methoden zusammen. Dieser Ansatz bietet einen Überblick über die Unterstützung von KI für DevOps und die damit verbundenen Herausforderungen. Darüber hinaus listet diese Arbeit die häufig erwähnten Vorteile der KI-Integration sowie die verschiedenen KPIs und Metriken auf, die zur Messung des Erfolgs der KI-Methode oder der Integration selbst verwendet werden. Diese Arbeit hebt die Bedeutung hervor, zu verstehen, wie KI in DevOps und ITOps passt. Nach der Betrachtung verschiedener Studien ist klar, dass KI die Arbeitsweise dieser Prozesse erheblich verbessern kann, indem sie sie schneller und genauer macht. Die Forschung schlägt einen ganzheitlichen Ansatz vor, der nicht nur die positiven und herausfordernden Aspekte zeigt, sondern auch Möglichkeiten aufzeigt, KI in DevOps und ITOps einzusetzen und zu messen, wie gut sie funktioniert. Alle diese Ergebnisse zielen darauf ab, einen Leitfaden zu erstellen, der Fachleuten und Unternehmen dabei hilft, KI in diesem Prozessen klug und effektiv zu nutzen.
Ein User-Interface ist das zentrale Element eines jeden Systems und entscheidet über dessen Effektivität und wahrgenommene Qualität. Umso wichtiger ist daher die frühe Einbindung der Nutzer*innen bei der Entwicklung von Bedienoberflächen (Mohammed & Karagozlu, 2021; Sridevi, 2014). Die im ISO-Standard ISO 9241-210:2019 beschriebenen Prinzipien und Aktivitäten des sogenannten User-Centered-Design (UCD) Ansatzes bieten hierfür den Grundstein (ISO, 2023). Ziel dieser Arbeit ist es nun, das Potential von künstlicher Intelligenz im User-Centered-Design und im Speziellen für die Prototypenerstellung zu ermitteln. Dabei liegt der Fokus auf den sogenannten interaktiven Prototypen, welche eine Interaktion mit den Benutzern*Benutzerinnen ermöglichen (Arnowitz, 2010). Dazu wurde zu Beginn eine Literaturrecherche zu den Themen künstliche Intelligenz und User-Interface-Design vorgenommen, um eine Wissensgrundlage zu schaffen. Darauf aufbauend wurden dann die einzelnen Schritte des User-Centered-Design Prozesses und die dazugehörigen Einsatzmöglichkeiten von künstlicher Intelligenz untersucht. Im darauffolgenden praktischen Teil der Arbeit wurde eine Technologieakzeptanzstudie nach dem Modell der Unified Theory of Acceptance and Use of Technology (UTAUT) nach Venkatesh et al. (2003) in Form einer Onlineumfrage durchgeführt. Die Erkenntnisse aus der Onlineumfrage zeigen, dass sowohl die Leistungserwartung, die Aufwandserwartung, die sozialen Einflüsse als auch die erleichternden Bedingungen der Teilnehmer*innen miteinander korrelieren, aber einzig und allein die sozialen Einflüsse einen signifikant positiven Einfluss auf die Verhaltensabsicht und infolgedessen auch auf das Nutzungsverhalten von Personen haben. Im Zuge der Umfrage gab die Mehrheit der Teilnehmer*innen an, dass sie positive Erwartungen an die Leistung und den Aufwand der Nutzung von künstlicher Intelligenz zur Erstellung von interaktiven Prototypen hat. Die sozialen Einflüsse und erleichternden Umstände wurden genauso wie die Verhaltensabsicht eher neutral, aber mit positiven Tendenzen bewertet. Eine weiterführende Forschung im Bereich der Wirtschaftsinformatik könnte daher in Form einer qualitative Forschung durchgeführt werden, beispielsweise durch User-Tests unter überwachten Bedingungen. Dabei könnte das Verhalten der Benutzer*innen während der Interaktion mit der künstlichen Intelligenz beobachtet werden, um tiefere Einblicke zu gewinnen und die Ergebnisse vergleichbar zu machen.
Die Verbreitung von ChatGPT (Generative Pre-trained Transformer) und dessen Integration in verschiedene Bereiche unseres täglichen Lebens, hat umfangreiche Diskussionen über dessen Auswirkungen ausgelöst. Die Masterarbeit stellt eine umfassende Analyse dessozialen Diskurses im Kontext der generativen Künstlichen Intelligenz (KI), insbesondere von ChatGPT dar. Mit einer detaillierten empirischen Erhebung werden die vielfältigen Meinungen, Bedenken und Einschätzungen von Individuen zu diesem Thema eingehend untersucht. Das Ziel der Arbeit besteht darin, ein umfassendes Verständnis für die verschiedenen Perspektiven und potenziellen Auswirkungen von generativer KI auf die Gesellschaft zu erlangen. Besondere Aufmerksamkeit wird auf das Thema der Akzeptanz, sowie den potenziellen Auswirkungen von generativer KI auf sozialen, wirtschaftlichen und ethischen Kontexten gerichtet. Die Q-Methode wird genutzt, um die subjektiven Sichtweisen der Teilnehmenden zu ermitteln. Dadurch konnten drei Meinungs-Typen definiert werden: „die Bildungsinnovatorin“, „der/die Bewahrer*in der Gesellschaftswerte“ und „der technologische Realist“. Die Ergebnisse der Studie liefern wichtige Einblicke in die Vielfalt der Standpunkte und zeigen auf, wie die Öffentlichkeit auf die rasante Entwicklung von KI reagiert. Diese Erkenntnisse sind von großer Relevanz für Entscheidungsträger*innen in Politik, Wirtschaft und Technologie, da sie dazu beitragen, die Chancen und Herausforderungen von generativer KI besser zu verstehen, um fundierte Entscheidungen zu treffen. Die Masterarbeit reflektiert nicht nur die aktuelle Debatte über KI, sondern regt auch dazu an, die gesellschaftlichen Auswirkungen dieser Technologien kritisch zu hinterfragen, weiter zu erforschen und in anhaltenden Diskussionen zu vertiefen, um eine nachhaltige und ethisch verantwortungsvolle Integration von KI in die Gesellschaft zu fördern.
In diesem Beitrag wird die Rolle von Künstlicher Intelligenz (kurz KI) bei der Erlangung von IT-Sicherheitszertifizierungen untersucht. In einer zunehmend digitalisierten Welt sind Unternehmen verschiedenster Branchen auf die Implementierung effektiver Sicherheitsmaßnahmen angewiesen, um ihre Daten und Systeme vor Bedrohungen (wie zum Beispiel Hacker) zu schützen. Diese Arbeit beleuchtet, wie KI-Technologien in verschiedenen Phasen des Zertifizierungsprozesses eingesetzt werden können. Dazu gehören die Identifizierung von Sicherheitsrisiken durch die Analyse der Beschreibung von Unternehmen, die Entwicklung und Umsetzung von Sicherheitsrichtlinien sowie die Definition neuer Prozesse und Verfahren, um die Sicherheit von Unternehmen zu gewährleisten. Diese Arbeit gibt einen Überblick über die Potenziale und Herausforderungen, die mit dem Einsatz von KI im Rahmen der IT-Sicherheitszertifizierung verbunden sind, und zeigt auf, wie Organisationen ihre Sicherheitspraktiken durch intelligente Technologien optimieren können. Zu diesem Thema wurden Experten interviewt, die mit künstlicher Intelligenz bereits Erfahrung sammeln konnten und mit den Antworten der KI gegenübergestellt. Durch die Integration von KI in den Zertifizierungsprozess können Unternehmen nicht nur die Effizienz ihrer Sicherheitsbemühungen in Form von Analyse von Sicherheitslücken steigern, sondern auch dazu beitragen, die Einhaltung von Sicherheitsstandards und -richtlinien zu gewährleisten. Die KI hat aber zum jetzigen Zeitpunkt noch einige Mängel, die es gilt in Zukunft anzupassen respektive mit Trainingsdaten zu IT-Security Standards zu versehen, um so eine Künstliche Intelligenz zu schaffen, die wie ein Experte auf diesem Gebiet handeln kann. Ein Nebenprodukt dieser Arbeit ist eine - anhand der Experteninterviews - erstellte Prozesskarte zur Zertifizierung und Rezertifizierung von Sicherheitszertifikaten und -standards.
Die vorliegende Masterarbeit widmet sich der Implementierung künstlicher Intelligenz (KI) im Bearbeitungsprozess von Serviceanfragen im Kundensupport. Dabei wird der Design Science Research Ansatz als Forschungsmethode verwendet, um eine effektive Gestaltung und Umsetzung der KI-Integration zu gewährleisten. Zu Beginn der Arbeit wird der Design Science Research Ansatz eingehend erläutert. Dieser methodische Rahmen ermöglicht die Entwicklung und Evaluation von artefaktbasierten Lösungen, in diesem Fall die Implementierung von KI im Kundensupport. Es werden Designziele definiert und eine iterative Vorgehensweise skizziert, die die praxisnahe Anwendung von Forschungsergebnissen gewährleistet. Im Anschluss bezieht sich der Fokus auf das Incident Management im Kundensupport. Es erfolgt eine detaillierte Analyse des bestehenden Prozesses, um Herausforderungen zu identifizieren, die durch KI gelöst werden können. Der Schwerpunkt liegt auf der Automatisierung von Routinetätigkeiten, der schnellen Klassifizierung von Anfragen und der Verbesserung der Wissensbasis. Abgeschlossen werden die Grundlagen mit dem Thema künstliche Intelligenz. Verschiedene KI-Technologien wie Supervised Learning und der KNN-Algorithmus werden erläutert, um eine fundierte Basis für die spätere Implementierung zu schaffen. Das vierte Kapitel widmet sich einer empirischen Studie zur Evaluation der implementierten KI im Kundensupport. Hierbei wird die ausgewählte KI-Technologie in der Praxis getestet, und die Ergebnisse werden auf ihre Wirksamkeit und Effizienz hin analysiert. Die Erkenntnisse aus der empirischen Studie fließen in die abschließende Reflexion und Handlungsempfehlungen für zukünftige Implementierungen im Kundensupport ein. Eine Schlussfolgerung bzw. der Ausblick schließen diese Arbeit ab.
Customer – Releationship Management Systeme haben in den letzten Jahren eine immer größere Bedeutung für Unternehmen bekommen. Das System wird ins Unternehmen sowie deren Prozesse integriert. Dies kann unter der richtigen Verwundung den Umsatz der Unternehmen steigern und Prozesse optimiert werden. Aktuelle CRM System wie Salesforce bieten die Möglichkeit der Integration einer Artificial Intelligence welche auf Basis der vorhandenen Daten Vorhersagen über Kosten eines Angebots und wie hoch die Wahrscheinlichkeit ist, dass es zu einem Auftrag kommen wird. Diese Informationen sollen dem Sales Mitarbeiter bzw. der Sales Mitarbeiterin bei der Angebotslegung sowie Kalkulation unterstützen. Für den Einsatz von Artificial Intelligence ist das Sammeln von Informationen ein wichtiger Punkt weshalb auch das Thema Big Data aufgearbeitet wird. Im Rahmen dieser Arbeit sollen die Auswirkungen des Einsatzes überprüft werden, im Speziellen wird die Artificial Intelligence mit dem Namen „Einstein“ des Salesforce CRM Systems untersucht. Um dies zu überprüfen wird ein Versuch durchgeführt, welcher zwei CRM Systeme miteinander vergleicht, zu diesem Zweck werden in unterschiedlichen Gruppen Aufgabenstellungen gestellt und die durchgeführt werden sollen. Die Teilnehmer / Teilnehmerinnen werden im Rahmen eines Interviews erfragt inwiefern sich die Systeme unterschieden haben, ob und welche Effekte auf das Vorgehen bei der Durchführung hatte. Auf Basis der Ergebnisse werden Schlussfolgerungen erstellt, ob es Auswirkungen gab und welche diese waren in Bezug auf die Angebotserstellung und dem allgemeinen Vorgehen. Aus der Arbeit wird hervorgehen, dass eine gute Informationsqualität eine Voraussetzung für den Einsatz von Artificial Intelligence ist, welche sich wiederum auf die Vorhersagen bzw. Unterstützung auswirkt. Das erarbeitete Wissen, welches aus dieser Arbeit hervorgeht, bietet eine Grundlage für die Verwendung und Integration einer Artificial Intelligence.
Die vorliegende Arbeit gibt einen Einblick in die Anwendung maschinellen Lernens zur Informationsextraktion aus natürlichsprachlichem Text. Das Ziel besteht darin, TechnikerInnen bei der Angebotslegung für Transformatoren zu unterstützen, indem Algorithmen Routineaufgaben übernehmen, und damit mehr Zeit für die Bearbeitung neuer oder besonderer Anforderungen zu schaffen. Hierzu werden einführend Fachbegriffe erklärt, um einen Überblick über das Fachgebiet zu geben. Im folgenden Theorieteil werden die Grundlagen beginnend bei relativer Wahrscheinlichkeit über endliche Automaten bis hin zu neuronalen Netzen anhand von Beispielen bearbeitet. Danach wurde im praktischen Teil der Arbeit anhand prototypischer Umsetzungen die Eignung einzelner Methoden des maschinellen Lernens getestet. Um den Entwicklungen, die im Jahr 2019 im Bereich Sprachverständnis stattfanden, Rechnung zu tragen, wurden im praktischen Teil ebenfalls Methoden des Transfer Learnings eingeführt und am Beispiel ausprobiert. Neben diesen wurden zudem softwaretechnische Aspekte, wie die Visualisierung der Daten in einer Webapplikation, prototypisch umgesetzt . Abschließend wird ein Weg aufgezeigt, der auf Basis der aus den prototypischen Umsetzungen gewonnenen Erfahrung empfehlenswert erscheint.
Die vorliegende Arbeit beschäftigt sich mit der Lernfähigkeit von Data Mining Modellen im Bereich des Smart Homes. Es wird der Frage nachgegangen, welche Auswirkungen ein kontinuierliches Training von Data Mining Modellen zur intelligenten Automatisierung der Beleuchtungssteuerung in einem Smart Home, auf die Fehlerrate des Data Mining Modells hat. Ziel ist es zu klären, ob durch kontinuierliches Training, auch zeitnah, die Fehlerrate von Data Mining Modellen zur Beleuchtungssteuerung im Smart Home verbessert werden kann. Zu Beginn werden die Begriffe Data Mining und Machine Learning mit Hilfe einer Literaturrecherche, im Bereich des Smart Homes, definiert und ein Überblick über die Funktionsweise von Data Mining geschaffen, sowie das allgemeine Vorgehen zur Implementierung einer Data Mining Anwendung anhand des standardisierten CRISP-DM Prozesses erörtert. Anschließend wurden für die vorliegende Arbeit geeignete Data Mining Verfahren mit Hilfe von Literatur erörtert. Aus diesen Data Mining Verfahren und den erhobenen Anforderungen an den Anwendungsfall der vorliegenden Arbeit, wurde das Data Mining Verfahren der Entscheidungsbäume für die Umsetzung des Prototyps ausgewählt. Im zweiten Teil der Arbeit wurde mit Hilfe des CRISP-DM Prozesses, ein Prototyp zur intelligenten Automatisierung der Beleuchtungssteuerung entwickelt und in ein bestehendes Smart Home integriert. Dieser Prototyp wurde im Zuge einer einfachen Fallstudie evaluiert. Dabei wurde die Fallstudie in zwei Iterationen evaluiert. In der ersten Iteration wurden einmalig trainierte Data Mining Modelle evaluiert und in der zweiten Iteration wurden kontinuierlich trainierte Data Mining Modelle evaluiert. Basierend auf der Auswertung der Daten und dem Vergleich der Vorhersageleistung, konnte die Erkenntnis gewonnen werden, dass ein kontinuierliches Training zeitnah zu einer Verbesserung der Vorhersageleistung beitragen kann.
