Logo des Repositoriums

Auflistung nach Autor:in "Herm, Lukas-Valentin"

1 - 3 von 3
  • Zeitschriftenartikel
    A Consolidated Framework for Implementing Robotic Process Automation Projects (Extended Abstract)
    (EMISA Forum: Vol. 41, No. 1, 2021) Herm, Lukas-Valentin; Janiesch, Christian; Helm, Alexander; Imgrund, Florian; Fuchs, Kevin; Hofmann, Adrian; Winkelmann, Axel
  • Zeitschriftenartikel
    Der Einfluss von menschlichen Denkmustern auf künstliche Intelligenz – Eine strukturierte Untersuchung von kognitiven Verzerrungen
    (HMD Praxis der Wirtschaftsinformatik: Vol. 59, No. 2, 2022) Herm, Lukas-Valentin; Janiesch, Christian; Fuchs, Patrick
    Künstliche Intelligenz (KI) dringt vermehrt in sensible Bereiche des alltäglichen menschlichen Lebens ein. Es werden nicht mehr nur noch einfache Entscheidungen durch intelligente Systeme getroffen, sondern zunehmend auch komplexe Entscheidungen. So entscheiden z. B. intelligente Systeme, ob Bewerber in ein Unternehmen eingestellt werden sollen oder nicht. Oftmals kann die zugrundeliegende Entscheidungsfindung nur schwer nachvollzogen werden und ungerechtfertigte Entscheidungen können dadurch unerkannt bleiben, weshalb die Implementierung einer solchen KI auch häufig als sogenannte Blackbox bezeichnet wird. Folglich steigt die Bedrohung, durch unfaire und diskriminierende Entscheidungen einer KI benachteiligt behandelt zu werden. Resultieren diese Verzerrungen aus menschlichen Handlungen und Denkmustern spricht man von einer kognitiven Verzerrung oder einem kognitiven Bias. Aufgrund der Neuigkeit dieser Thematik ist jedoch bisher nicht ersichtlich, welche verschiedenen kognitiven Bias innerhalb eines KI-Projektes auftreten können. Ziel dieses Beitrages ist es, anhand einer strukturierten Literaturanalyse, eine gesamtheitliche Darstellung zu ermöglichen. Die gewonnenen Erkenntnisse werden anhand des in der Praxis weit verbreiten Cross-Industry Standard Process for Data Mining (CRISP-DM) Modell aufgearbeitet und klassifiziert. Diese Betrachtung zeigt, dass der menschliche Einfluss auf eine KI in jeder Entwicklungsphase des Modells gegeben ist und es daher wichtig ist „mensch-ähnlichen“ Bias in einer KI explizit zu untersuchen. Artificial intelligence (AI) is increasingly penetrating sensitive areas of everyday human life, resulting in the ability to support humans in complex and difficult tasks. The result is that intelligent systems are capable of handling not only simple but also complex tasks. For example, this includes deciding whether an applicant should be hired or not. Oftentimes, this decision-making can be difficult to comprehend, and consequently incorrect decisions may remain undetected, which is why these implementations are often referred to as a so-called black box. Consequently, there is the threat of unfair and discriminatory decisions by an intelligent system. If these distortions result from human actions and thought patterns, it is referred to as a cognitive bias. However, due to the novelty of this subject, it is not yet apparent which different cognitive biases can occur within an AI project. The aim of this paper is to provide a holistic view through a structured literature review. Our insights are processed and classified according to the Cross-Industry Standard Process for Data Mining (CRISP-DM) model, which is widely used in practice. This review reveals that human influence on an AI is present in every stage of the model’s development process and that “human-like” biases in an AI must be examined explicitly.
  • Zeitschriftenartikel
    Verwendung binärer Datenwerte für eine KI-gestützte Instandhaltung 4.0
    (HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 6, 2019) Wanner, Jonas; Herm, Lukas-Valentin; Hartel, Dennis; Janiesch, Christian
    Die vierte industrielle Revolution forciert den digitalen Wandel von Fertigungsanlagen und schafft neue Optimierungspotenziale. Ein Kernbereich, der von einer Nutzenmachung digitaler Informationen entscheidend profitieren kann, ist die Instandhaltung von Maschinen. Sie dient der Gewährleistung eines reibungslosen Fertigungsablaufs. Aktuell führen dabei noch immer unerwartete Probleme zu hohen Opportunitätskosten. Eine effektive Adressierung ist durch mangelnde Information über den Maschinenzustand gehemmt, sodass Servicemitarbeitern sowohl eine Fehlererkennung, -lokalisierung, als auch -identifizierung schwerfallen. Abhilfe versprechen innovative Verfahren der Datenanalyse, welche Maschinenzustandsdaten intelligent auswerten und nutzbar machen. Diese sollen zukünftig bei Instandhaltungsfragen unterstützen und den Gesamtprozess optimieren. Fraglich erscheint in diesem Zusammenhang jedoch die Beschaffenheit aktueller Fertigungsanlagen im deutschen, produzierenden Mittelstand. Wie eine von uns durchgeführte Befragung zeigt, stammen Zustandsdaten noch überwiegend aus Lichtschranken, Motorspannungen und Positionierungstastern. Derartige, binäre Datenwerte erschweren die maschinelle Datenanalyse über moderne Auswertungsverfahren. Der Beitrag nimmt sich der Problemstellung unter Verzicht von Erweiterungen an der Fertigungsanlage selbst an. Gemeinsam mit Partnern aus der Industrie wurde ein schrittweiser Entwicklungsansatz erarbeitet, wie trotz einer Restriktion auf binäre Datenwerte eine umfassende Instandhaltungsunterstützung möglich ist. Die Umsetzung basiert auf Techniken aus den Bereichen des Process Mining und des maschinellen Lernens. Ein Demonstrator evaluiert die Praxistauglichkeit. The fourth industrial revolution is quickening the digital transformation of shop floors, enabling immense potential for optimization. Maintenance is an important area that can profit decisively from making digital information serviceable. It serves to guarantee a smooth production process. Currently, unexpected problems still lead to high opportunity costs. Effectively addressing them is hampered by a lack of transparency, which makes it difficult for service staff to detect, localize, and identify faults. Innovative data analysis methods, which allow to intelligently evaluate and use machine condition data, promise a remedy. In the future, these will support maintenance issues and optimize the overall process. However, the condition of current shop floors in German medium-sized manufacturing companies appears inadequate. As a survey conducted by us revealed, machinery data still comes mainly from light sensors, motor voltages, and positioning scanners. Such binary data values complicate data analysis of modern evaluation methods. The paper at hand addresses this problem without a need for shop floor extensions. Together with partners from industry, a step-by-step development approach was developed to show how comprehensive maintenance support is possible despite restrictions on binary data values. The implementation is based on techniques from the areas of process mining and machine learning. A demonstrator evaluates the practical suitability.