Logo des Repositoriums

Auflistung nach Autor:in "Neuhaus, Uwe"

1 - 3 von 3
  • Zeitschriftenartikel
    Kompetenzfelder künftiger Beschäftigter im Bereich Künstlicher Intelligenz
    (HMD Praxis der Wirtschaftsinformatik: Vol. 61, No. 2, 2024) Neuhaus, Uwe; Schulz, Michael; Schröder, Hinrich; Herrmann, Franziska
    In dem Beitrag wird basierend auf einer Literaturrecherche herausgearbeitet, welche Kompetenzfelder zu adressieren sind, um Mitarbeitende von Unternehmen zu befähigen, Systeme aus dem Bereich der Künstlichen Intelligenz (KI) einsetzen und/oder mit ihnen umgehen zu können. Im Fokus stehen dabei nicht nur die Kompetenzanforderungen an KI-Expert*innen, sondern an alle Mitarbeitenden, die aktuell oder zukünftig mit KI-Systemen interagieren. Die Untersuchung basiert auf einem Kompetenzschema, das bereits zur Einordnung der Kompetenzen im Bereich Business Analytics verwendet wurde. Als Ergebnis wird die Unterscheidung von fünf Kompetenzfeldern und drei Kompetenzstufen vorgeschlagen, auf deren Grundlage Unternehmen und deren aktuelle und potenzielle Beschäftigte gezielt künftig benötigte KI-Kompetenzen erwerben bzw. entwickeln können. Based on a literature review, this article identifies the competencies that need to be addressed to enable company employees to use and/or deal with artificial intelligence (AI) systems. The focus is not only on the competence requirements for AI experts, but also for all employees who interact with AI systems now or in the future. The study is based on a competency scheme that has already been used to classify competencies in the field of business analytics. As a result, a distinction between five competence fields and three competence levels is proposed, based on which companies and their current and potential employees can acquire or develop the AI skills they will need in the future.
  • Zeitschriftenartikel
    Vorschlag eines morphologischen Kastens zur Charakterisierung von Data-Science-Projekten
    (Informatik Spektrum: Vol. 45, No. 6, 2022) Theuerkauf, René; Daurer, Stephan; Hoseini, Sayed; Kaufmann, Jens; Kühnel, Stephan; Schwade, Florian; Alekozai, Emal M.; Neuhaus, Uwe; Rohde, Heiko; Schulz, Michael
    Data-Science-Projekte sind typischerweise interdisziplinär, adressieren vielfältige Problemstellungen aus unterschiedlichen Domänen und sind häufig durch heterogene Projektmerkmale geprägt. Bestrebungen in Richtung einer einheitlichen Charakterisierung von Data-Science-Projekten sind insbesondere dann relevant, wenn über deren Durchführung entschieden werden soll – beispielsweise anhand von Kriterien wie Ressourcenbedarf, Datenverfügbarkeit oder potenziellen Risiken. Nach bestem Wissen der Autoren fehlt es jedoch in Wissenschaft und Praxis bisher an einschlägigen Ansätzen. Mit diesem Artikel wird ein erster Schritt auf dem Weg hin zu einem Ansatz für eine einheitliche Charakterisierung von Data-Science-Projekten gegangen, indem ein morphologischer Kasten vorgeschlagen wird, der im Rahmen einer dreischrittigen Analyse auf Basis eines Fragenkataloges abgeleitet wurde. Er umfasst sieben Dimensionen mit 32 Dimensionsausprägungen und wird anhand einer Fallstudie aus dem Gebiet der Predictive Maintenance illustriert. Der morphologische Kasten bietet theoretische und praktische Anwendungspotenziale für den strukturierten Vergleich von Data-Science-Projekten und die Definition von Projektportfolios, erhebt jedoch keinen Anspruch auf Vollständigkeit. Er ist somit als Vorschlag und Anstoß zum Einstieg in einen weiterführenden Diskurs anzusehen.
  • Textdokument
    Where is the Science in Data Science Projects?
    (INFORMATIK 2021, 2021) Kaufmann, Jens; Kühnel, Stephan; Theuerkauf, René; Alekosai, Emal M.; Hoseini, Sayed; Neuhaus, Uwe; Schulz, Michael
    Als Ergebnis einer virtuellen Arbeitsgruppe ausWissenschaftler:innen und Praktiker:innen entstand zwischen April 2019 und Februar 2020 das Data-Science-Vorgehensmodell DASC-PM, dessen Ziel es ist, vorhandenes Wissen über die Durchführung von Data-Science-Projekten für alle Interessensgruppen in geeigneter F Form zu strukturieren. Unter Berücksichtigung dieses Modells, aber nicht exklusiv darauf gestützt, soll der Aspekt der Wissenschaftlichkeit bei der Umsetzung von Data-Science-Projekten im Rahmen des Workshops besonders betrachtet werden.