Logo des Repositoriums

Auflistung nach Autor:in "Kortum, Henrik"

1 - 5 von 5
  • Zeitschriftenartikel
    Data-based Customer-Retention-as-a-Service: Induktive Entwicklung eines datenbasierten Geschäftsmodells auf Basis einer Fallstudie der Automobilbranche
    (HMD Praxis der Wirtschaftsinformatik: Vol. 58, No. 3, 2021) Kortum, Henrik; Rebstadt, Jonas; Gravemeier, Laura Sophie; Thomas, Oliver
    Viele Unternehmen setzen Künstliche Intelligenz zur Verarbeitung großer Datenmengen bereits heute erfolgreich für die Kundenbindung ein. So schaffen große Unternehmen individuelle Kundenerlebnisse basierend auf der Auswertung großer kundenbezogener Datenmengen zur kurz- aber auch langfristigen Kundenbindung, z. B. durch intelligente Empfehlungen von Inhalten auf Videoplattformen. Bei Unternehmen mit traditioneller Wertschöpfung wird dieses Potenzial jedoch noch nicht ausreichend genutzt. Vor diesem Hintergrund wird im Rahmen einer Fallstudie exemplarisch ein datengetriebenes Kundenbindungsszenario in Kooperation mit einer Autowerkstatt umgesetzt. Im konkreten Fall wurde eine zeitlich optimierte Kundenansprache auf Basis von KI-basierten Prognosen der täglichen Fahrleistung von Kunden angestrebt. Grundlage dafür war die Analyse eines Kundendatensatzes einer Autowerkstatt und die anschließende Entwicklung einer Künstlichen Intelligenz. Aufbauend auf der Fallstudie wird ein datenbasiertes Geschäftsmodell konzipiert, dessen Werteangebot vor allem Unternehmen mit traditioneller Wertschöpfung und wenig Wissen im Bereich Künstlicher Intelligenz dazu befähigt, datenbasierte Technologien in der Kundenbindung einzusetzen. Das dem Geschäftsmodell zugrundeliegende Plattformkonzept wird dabei als Open-Innovation-Modell entwickelt und soll neben der Entwicklung eigener Services auch die Interaktion von Datenkonsumenten, Datenlieferanten und anderen Datenbefähigern, mit dem Ziel sich als Datenökosystem für Kundenbindung zu etablieren, unterstützen. Many companies are already successfully using artificial intelligence (AI) to process large volumes of data for the purpose of customer retention. Large companies create individualized customer experiences and analyze massive amounts of data to achieve customer loyalty through intelligent recommendations, for example. However, companies with traditional value creation, as of yet often fail to sufficiently address this topic. Therefore, this contribution tackles the implementation of an exemplary use case for data-driven customer retention in a car repair shop. In particular, the aim was to optimize the timing of customer communication based on forecasts of the customers’ daily driving behavior. The basis for this analysis was a data set provided by a car repair shop and the subsequent development of a machine learning model. Based on this case study, a business model is developed that enables companies with traditional value creation and little AI-know-how to use data-driven technologies in customer retention. The underlying platform concept is conceptualized as an open innovation model and supports the interaction of data consumers, data providers and data enablers. In this way, the target is not only to develop own services, but also to establish a data ecosystem for customer loyalty.
  • Zeitschriftenartikel
    Non-Discrimination-by-Design: Handlungsempfehlungen für die Entwicklung von vertrauenswürdigen KI-Services
    (HMD Praxis der Wirtschaftsinformatik: Vol. 59, No. 2, 2022) Rebstadt, Jonas; Kortum, Henrik; Gravemeier, Laura Sophie; Eberhardt, Birgid; Thomas, Oliver
    Neben der menschen-induzierten Diskriminierung von Gruppen oder Einzelpersonen haben in der jüngeren Vergangenheit auch immer mehr KI-Systeme diskriminierendes Verhalten gezeigt. Beispiele hierfür sind KI-Systeme im Recruiting, die Kandidatinnen benachteiligen, Chatbots mit rassistischen Tendenzen, oder die in autonomen Fahrzeugen eingesetzte Objekterkennung, welche schwarze Menschen schlechter als weiße Menschen erkennt. Das Verhalten der KI-Systeme entsteht hierbei durch die absichtliche oder unabsichtliche Reproduktion von Vorurteilen in den genutzten Daten oder den Entwicklerteams. Da sich KI-Systeme zunehmend als integraler Bestandteil sowohl privater als auch wirtschaftlicher Lebensbereiche etablieren, müssen sich Wissenschaft und Praxis mit den ethischen Rahmenbedingungen für deren Einsatz auseinandersetzen. Daher soll im Kontext dieser Arbeit ein wirtschaftlich und wissenschaftlich relevanter Beitrag zu diesem Diskurs geleistet werden, wobei am Beispiel des Ökosystems Smart Living auf einen sehr privaten Bezug zu einer diversen Bevölkerung bezuggenommen wird. Im Rahmen der Arbeit wurden sowohl in der Literatur als auch durch Expertenbefragungen Anforderungen an KI-Systeme im Smart-Living-Ökosystem in Bezug auf Diskriminierungsfreiheit erhoben, um Handlungsempfehlungen für die Entwicklung von KI-Services abzuleiten. Die Handlungsempfehlungen sollen vor allem Praktiker dabei unterstützen, ihr Vorgehen zur Entwicklung von KI-Systemen um ethische Faktoren zu ergänzen und so die Entwicklung nicht-diskriminierender KI-Services voranzutreiben. In addition to human-induced discrimination of groups or individuals, more and more AI systems have also shown discriminatory behavior in the recent past. Examples include AI systems in recruiting that discriminate against female candidates, chatbots with racist tendencies, or the object recognition used in autonomous vehicles that shows a worse performance in recognizing black than white people. The behavior of AI systems here arises from the intentional or unintentional reproduction of pre-existing biases in the training data, but also the development teams. As AI systems increasingly establish themselves as an integral part of both private and economic spheres of life, science and practice must address the ethical framework for their use. Therefore, in the context of this work, an economically and scientifically relevant contribution to this discourse will be made, using the example of the Smart Living ecosystem to argue with a very private reference to a diverse population. In this paper, requirements for AI systems in the Smart Living ecosystem with respect to non-discrimination were collected both in the literature and through expert interviews in order to derive recommendations for action for the development of AI services. The recommendations for action are primarily intended to support practitioners in adding ethical factors to their procedural models for the development of AI systems, thus advancing the development of non-discriminatory AI services.
  • Konferenzbeitrag
    Privacy Aware Processing
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Eleks, Marian; Rebstadt, Jonas; Kortum, Henrik; Thomas, Oliver
    In many machine learning (ML) applications, the provision of data and the training as well as the analysis of machine learning systems are performed by distinct actors, a data owner and a data consumer. To protect sensitive information in these ML-scenarios, privacy aware machine learning (PAML) methods are often applied to the data before sharing. Based on the type of PAML methods used, data understanding and preparation as defined in the CRISP-DM model become more difficult if not impossible. To enable these steps, we propose a method to share a variety of uncritical information with the data consumer who is then able to define the necessary processing steps on a meta-level. These are then applied to the data in the data owners local trusted environment before the PAML-methods whereupon the prepared and protected data is shared.
  • Zeitschriftenartikel
    SECAI – Sustainable Heating through Edge-Cloud-based AI Systems
    (HMD Praxis der Wirtschaftsinformatik: Vol. 60, No. 4, 2023) Kortum, Henrik; Hagen, Simon; Eleks, Marian; Rebstadt, Jonas; Remark, Florian; Lowin, Maximilian; Wilson, Cristina Mihale; Eberhardt, Birgid; Roß, Andree; Maihöfner, Dominik; Hinz, Oliver; Thomas, Oliver
    Etwa 18 % der CO 2 -Emissionen in Deutschland entstehen durch die Beheizung, Kühlung und Warmwasserbereitstellung von Gebäuden, wobei mehr als 75 % der deutschen Haushalte fossile Brennstoffe wie Erdgas und Erdöl nutzen. Der in dieser Arbeit vorgestellte SECAI ( S ustainable heating through E dge- C loud-based A rtificial I ntelligence Systems)-Ansatz verfolgt das Ziel, die Heizungssteuerung in Mehrfamilienhäusern und damit den CO 2 -Verbrauch durch den Einsatz von Informationstechnologien zu reduzieren. Der SECAI-Ansatz betrachtet dabei das gesamte Ökosystem bestehend aus Sensoren, Einzelraumregelungen, Zentralheizung, Mietenden und Vermietenden. Dabei wird der Heizbedarf von Privatwohnungen KI-basiert analysiert, um darauf aufbauend optimierte und abgestimmte Heizpläne für Gebäudekomplexe und Wohnungen zu erstellen, die in der Lage sind, durch Edge-Cloud-Technologien, Sensorik und Federated Learning ad hoc und datenschutzkonform auf Änderungen im Nutzungsverhalten zu reagieren. Diese Informationen werden zudem für die KI-basierte Steuerung der zentralen Heizanlagen im Gebäude verwendet, in denen Wärme und Warmwasser für alle Wohnungen erzeugt wird. Hierfür betrachtet SECAI vier Ebenen. Diese reichen von Sensoren und Aktoren (Nano), über die Wohnung (Mikro) und das Gebäude (Meso) bis zu Gebäudekomplexen und gleicharten Gebäuden (Makro) und stehen bei der Beheizung in starker Abhängigkeit zueinander. Rund um die SECAI-Lösung entsteht dabei ein komplexes Ökosystem in dem Mietende, die Wohnungswirtschaft, Heizungshersteller und Anbieter von IoT-Lösungen mit Produkten und Diensten in Interaktion treten. Approximately 18% of CO2 emissions in Germany are caused by the heating, cooling and hot water supply of buildings, with more than 75% of households using fossil fuels such as natural gas and oil. The SECAI (Sustainable heating through Edge-Cloud-based Artificial Intelligence Systems) approach presented in this paper aims to reduce heating control in multi-residential buildings, and thus CO2 consumption, through the use of information technology. The SECAI approach considers the entire ecosystem consisting of sensors, individual room controls, central heating, tenants and landlords. This involves an AI-based analysis of the heating requirements of private apartments, based on which optimized and coordinated heating plans can be created for building complexes. Edge cloud technologies, sensor technology and federated learning enable these plans to react ad hoc and in compliance with data protection regulations to changes in usage behavior. The information is also used for AI-based control of the central heating systems within the building, where heating and hot water are generated for all apartments. For this purpose, SECAI considers four layers. These range from sensors and actuators (nano), to the apartment (micro), to the building (meso), to building complexes and same-type buildings (macro), and are highly interdependent. A complex ecosystem is being created around the SECAI solution in which tenants, the housing industry, heating manufacturers and providers of IoT solutions interact with products and services.
  • Textdokument
    Towards a transparency-oriented and integrating Service Registry for the Smart Living Ecosystem
    (INFORMATIK 2021, 2021) Rebstadt, Jonas; Kortum, Henrik; Hagen, Simon; Thomas, Oliver
    Many domains are increasingly dominated by interdependent services and data exchange between different actors, leading to the emergence of data ecosystems. As a result, service engineers are increasingly tasked with integrating existing service components and data sources into service systems and orchestrating them. In complex areas such as smart living, these tasks are even more difficult by the particular relevance of individual data protection requirements and the low fault tolerance of security-related systems. To address these issues, a central service registry for the domain smart living has been prototypically developed and evaluated, focusing especially on the transparency of data flows and the technical exchangeability of service components. In this way, added value is achieved for data providers and for data users by providing information on the forwarding of their own data as well as on the origin of the data and possible data quality.