Logo des Repositoriums

Auflistung nach Autor:in "Zschech, Patrick"

1 - 8 von 8
  • Zeitschriftenartikel
    Das aufstrebende Berufsbild des Data Scientist
    (HMD Praxis der Wirtschaftsinformatik: Vol. 53, No. 4, 2016) Schumann, Conny; Zschech, Patrick; Hilbert, Andreas
    Um die Vielzahl an heterogenen Datenströmen im Zeitalter von Big Data in für Unternehmen entscheidungsrelevante Informationen zu transformieren, wurden in den letzten Jahren nicht nur Business-Analytics-Ansätze entwickelt. Auch ein neues Berufsbild wurde Mittelpunkt zahlreicher Diskussionen: der Data Scientist. Die Vielzahl an Kompetenzen, die diese neue Berufsgruppe mit sich bringen sollte, wurde in verschiedenen Fachbeiträgen beschrieben und wird in diesem Artikel durch ein systematisches Literature Review zusammengefasst. Dabei werden die einzelnen, durch die Inhaltsanalyse ermittelten Kompetenzen nicht nur aufgezählt, sondern erstmalig in ein Kompetenzmodell eingeordnet. Der Data Scientist sollte zahlreiche Fachkompetenzen, wie Kenntnisse in Statistik oder den KDD-Prozess betreffende Kompetenzen zur Datenselektion-, -aufbereitung, -analyse und Interpretation, aber auch Sozialkompetenzen, wie Team- und Kommunikationsfähigkeit, sowie Selbstkompetenzen, wie Neugier oder Kreativität, mit sich bringen. Hierbei wird ersichtlich, dass ein Data Scientist allein nicht alle Kompetenzen erfüllen kann. Es bedarf vielmehr an die Aufgaben und Rollen im Unternehmen angepasste Typen von Data Scientists mit unterschiedlichen Kompetenzschwerpunkten. Folglich werden ausgehend von den Erkenntnissen der Literatur- und Inhaltsanalyse Handlungsempfehlungen zur Entwicklung von spezifischeren Anforderungsprofilen ausgesprochen.AbstractTo transform the variety of heterogeneous data streams into enterprise decision-relevant information, not just modern business analytics approaches have been developed in recent years. In addition, a new job profile called for attention within the rising era of Big Data: the Data Scientist. The variety of skills that come along with this new profession has been described in various technical papers and is now summarized in this article through a systematic literature review. For this purpose, the identified competences are not only enumerated, but also classified within a competency model using a content analysis. The result of this examination is that according to the literature a Data Scientist should provide an extensive skill set – including professional skills such as statistics or KDD-relevant skills for the selection, preprocessing, analysis and interpretation of data, but also social skills such as teamwork and communication, as well as personal skills such as curiosity or creativity. Here it becomes evident that a Data Scientist alone cannot meet all these competencies. Rather, it requires individual types of Data Scientists with different major focus depending on the roles and duties within the enterprise. For this purpose the article provides recommendations for the development of specific Data Scientist profiles based on the results of the literature and content analysis.
  • Konferenzbeitrag
    Existieren Wissensmanagement-Schulen? Eine Clusteranalyse von Wissensmanagement-Beiträgen aus den letzten 10 Jahren
    (Workshop Gemeinschaften in Neuen Medien (GeNeMe) 2014, 2014) Kruse, Paul; Kummer, Christian; Zschech, Patrick
    Die Kommunikation in Forschungsgemeinschaften ist seit jeher ein vielschichtiger und komplexer Prozess. In den meisten Communities kommt es daher häufig zu Missverständnissen oder widersprüchlichen Auffassungen. Trotz seiner über 20-jährigen Historie ist besonders das Forschungsfeld Wissensmanagement mit einer Reihe von Schwierigkeiten und tiefgehenden Missverständnissen konfrontiert. Allem voran fällt die mangelnde Kumulativität der Debatte auf.Statt von einer interdisziplinär-synergetischen Betrachtung zu profitieren, liegt eine heterogene Landschaft an Grundbegriffen, Modellen, Theorien und Instrumenten vor, welche in ihren Aussagen teilweise unvereinbar und konkurrierend zueinander stehen – ein Hinweis auf die noch geringe wissenschaftliche Reife des Forschungsfeldes Wissensmanagement.
  • Zeitschriftenartikel
    Generative AI
    (Business & Information Systems Engineering: Vol. 66, No. 1, 2024) Feuerriegel, Stefan; Hartmann, Jochen; Janiesch, Christian; Zschech, Patrick
  • Zeitschriftenartikel
    Intelligent User Assistance for Automated Data Mining Method Selection
    (Business & Information Systems Engineering: Vol. 62, No. 3, 2020) Zschech, Patrick; Horn, Richard; Höschele, Daniel; Janiesch, Christian; Heinrich, Kai
    In any data science and analytics project, the task of mapping a domain-specific problem to an adequate set of data mining methods by experts of the field is a crucial step. However, these experts are not always available and data mining novices may be required to perform the task. While there are several research efforts for automated method selection as a means of support, only a few approaches consider the particularities of problems expressed in the natural and domain-specific language of the novice. The study proposes the design of an intelligent assistance system that takes problem descriptions articulated in natural language as an input and offers advice regarding the most suitable class of data mining methods. Following a design science research approach, the paper (i) outlines the problem setting with an exemplary scenario from industrial practice, (ii) derives design requirements, (iii) develops design principles and proposes design features, (iv) develops and implements the IT artifact using several methods such as embeddings, keyword extractions, topic models, and text classifiers, (v) demonstrates and evaluates the implemented prototype based on different classification pipelines, and (vi) discusses the results' practical and theoretical contributions. The best performing classification pipelines show high accuracies when applied to validation data and are capable of creating a suitable mapping that exceeds the performance of joint novice assessments and simpler means of text mining. The research provides a promising foundation for further enhancements, either as a stand-alone intelligent assistance system or as an add-on to already existing data science and analytics platforms.
  • Zeitschriftenartikel
    Mit Computer Vision zur automatisierten Qualitätssicherung in der industriellen Fertigung: Eine Fallstudie zur Klassifizierung von Fehlern in Solarzellen mittels Elektrolumineszenz-Bildern
    (HMD Praxis der Wirtschaftsinformatik: Vol. 58, No. 2, 2021) Zschech, Patrick; Sager, Christoph; Siebers, Philipp; Pertermann, Maik
    Die Qualitätssicherung bei der Produktion von Solarzellen ist ein entscheidender Faktor, um langfristige Leistungsgarantien auf Solarpanels gewähren zu können. Die vorliegende Arbeit leistet hierzu einen Beitrag zur automatisierten Fehlererkennung auf Wafern, indem Elektrolumineszenz-Bilder eines realen Herstellungsszenarios mithilfe von verschiedenen Computer-Vision-Modellen klassifiziert werden. Die Herausforderung besteht hierbei nicht nur darin, defekte Wafer von funktionsfähigen zu separieren, sondern gleichzeitig auch zwischen spezifischen Fehlerarten zu unterscheiden, während geringe Inferenzzeiten sicherzustellen sind. Zu diesem Zweck werden neben einfachen statistischen Modellen verschiedene Deep-Learning-Architekturen auf Basis von Convolutional Neural Networks (CNNs) verprobt und miteinander vergleichen. Ziel der Arbeit ist es, verschiedene Klassifizierungsansätze unterschiedlicher Komplexität zu testen und auf ihre praktische Einsatzfähigkeit unter realen Bedingungen zu untersuchen. Die Fallstudie zeigt, dass je nach Situation unterschiedliche Modelle ihre Existenzberechtigung haben und in Kombination sehr gute Ergebnisse erzielen. So lassen sich bereits mit statistischen Modellen und einfachen CNN-Varianten zuverlässige Aussagen mit Genauigkeiten von über 99 % bei Fehlertypen einfacher bis mittlerer Erkennbarkeit realisieren. Werden die Fehlerbilder demgegenüber diffuser und soll die Nachvollziehbarkeit der Ergebnisse durch positionsgenaue Lokalisierung von Fehlerobjekten gewährleistet werden, sind fortgeschrittenere Ansätze auf Basis sogenannter Region-Proposal-Netzwerke erforderlich, die allerdings auch mit einem erhöhten Labeling-Aufwand beim Annotieren der Fehlerobjekte einhergehen. Da die Umsetzung sämtlicher Modelle ausschließlich auf Open Source Tools wie zum Beispiel TensorFlow, Keras und OpenCV basiert, demonstriert die Fallstudie zudem, welche Möglichkeiten durch frei verfügbare Lösungen im Bereich von Computer Vision geboten werden. Quality assurance in the production of solar cells is a decisive factor for long-term performance guarantees on solar panels. This work contributes to this area in developing computer vision models to automatically detect defects on wafers by classifying electroluminescence images from a real manufacturing scenario. The challenge is not only to separate defective wafers from flawless ones but also to distinguish between specific types of defects while ensuring low inference times. For this purpose, simple statistical models, as well as different kinds of deep learning architectures based on convolutional neural networks (CNNs), are tested and compared with each other. Therefore, this work aims to evaluate multiple classification approaches of varying complexity levels while examining their practical applicability under real industrial conditions. The case study shows that all models have their right to exist and achieve excellent results in combination. While statistical models and simple CNNs provide reliable statements with accuracies up to 99% for defect types of simple to medium detectability, more advanced approaches based on region proposal networks are required once the defect images become more diffuse. The more advanced approaches allow a precise object localization of defects; however, they are also associated with increased labeling effort when annotating wafer images. Since the implementation of all models is based exclusively on open source tools such as TensorFlow, Keras, and OpenCV, the case study also demonstrates the possibilities offered by freely accessible solutions in the field of computer vision.
  • Zeitschriftenartikel
    Objekterkennung im Weinanbau – Eine Fallstudie zur Unterstützung von Winzertätigkeiten mithilfe von Deep Learning
    (HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 5, 2019) Heinrich, Kai; Zschech, Patrick; Möller, Björn; Breithaupt, Lukas; Maresch, Johannes
    Die voranschreitende Digitalisierung revolutioniert sämtliche Wirtschaftszweige und bringt somit auch langfristige Veränderungen für den landwirtschaftlichen Sektor mit sich, wo auf Basis intelligenter Informationssysteme zahlreiche Daten gesammelt und im Zuge neuer Geschäftsmodelle ausgewertet werden. Vor diesem Hintergrund präsentiert der vorliegende Beitrag eine Big-Data-Analytics-Fallstudie aus dem Bereich des Weinanbaus, wo mithilfe von mobilen Aufnahmegeräten umfangreiches Bildmaterial aufgezeichnet wurde, um eine automatisierte Objekterkennung zur Unterstützung von operativen Winzertätigkeiten, wie zum Beispiel das Zählen von Reben, die Identifikation von Rebfehlstellen oder die Prognose von potentiellem Erntegut, realisieren zu können. Hierbei bestand die Herausforderung unter anderem darin, landwirtschaftlich relevante Weinobjekte wie Reben, Trauben und Beeren über die einzelnen Hierarchieebenen hinweg erkennen zu können und diese auch in Bezug auf bewegtes Bildmaterial folgerichtig zu zählen. Zur Bewältigung derartiger Herausforderungen werden einige Lösungsansätze vorgestellt, die auf modernen Deep-Learning-Verfahren der bildbasierten Objekterkennung basieren. Der Beitrag wird abgerundet mit einer Diskussion und Implikationen für analytische Anwendungen in der landwirtschaftlichen Praxis. The transformation towards a digitized world introduces major changes to all economic sectors, among them the sector of agriculture, where intelligent information systems help to gather and analyze vast amounts of data to provide new business functions and models. Given this background, this article describes a big data analytics case study from the field of viticulture, where extensive image material was recorded using mobile recording devices in order to implement automated object detection to support operational vineyard activities, such as counting vines, identifying missing plants or predicting potential harvests. One of the challenges here was to correctly identify relevant wine objects such as vines, grapes and berries across their different hierarchical levels and to consistently count them in relation to moving image material. The authors provide a solution to those challenges by designing a data analysis process based on a deep learning framework for object detection. Additionally, the results as well as implications for the application of the proposed models in the field of agrarian management are discussed at the end of the article.
  • Zeitschriftenartikel
    Predictive Maintenance in der industriellen Praxis
    (HMD Praxis der Wirtschaftsinformatik: Vol. 55, No. 3, 2018) Bink, Raphael; Zschech, Patrick
    Prädiktive Instandhaltung stellt eine vorrausschauende Wartungsstrategie dar, die darauf abzielt, bevorstehende Fehler oder die restliche Lebensdauer einer technischen Anlage zu prognostizieren. Mit den Vorhersagen können Wartungsmaßnahmen proaktiv und zustandsabhängig eingeleitet werden, was einen optimierten Ressourceneinsatz ermöglicht. Grundlage dieses Ansatzes ist die Aufzeichnung umfangreicher Maschinendaten und deren Analyse mit Verfahren des maschinellen Lernens, um komplexe Zusammenhänge zwischen Zustandsdaten und entsprechenden Zielvariablen (z. B. der Restlaufzeit) abzubilden. Das Vorhandensein zahlreicher Monitoring-Daten führt jedoch nicht per se zu einer guten Informationslage für die Entwicklung von zielführenden Prognosemodellen. Im vorliegenden Beitrag wird beispielsweise eine Fallstudie vorgestellt, wo die Herausforderung darin bestand, den optimalen Zeitpunkt für einen verschleißbedingten Werkzeugwechsel einer Fräsmaschine vorherzusagen. Da in der Vergangenheit die Fräswerkzeuge häufig weit vor ihrer tatsächlichen Laufzeit getauscht wurden, würde ein Prognosemodell auf Basis dieser Werkzeugstandzeiten ein irrtümliches (in diesem Fall zu risikoscheues) Bild wiedergeben. Vor diesem Hintergrund beschäftigt sich der vorliegende Beitrag mit der Entwicklung eines Verfahrens zur Optimierung einer Wartungsstrategie unter eingeschränkten Informationen ausgehend von einer Fallstudie der industriellen Praxis. Zum Einsatz kommen Verfahren zur Feature Extraction in Zeitreihen, Techniken des Unsupervised Learnings zum Clustern von Zustandsdaten sowie rekurrente neuronale Netze für die Entwicklung eines Prognosemodells zur Bestimmung der Restlaufzeit. Mit dem entwickelten Ansatz ist es möglich, bislang subjektive Entscheidungen durch datengetriebene Entscheidungen zu ersetzen und damit die durchschnittliche Werkzeugstandzeit zu verlängern. Der Beitrag demonstriert weiterhin, wie trotz zunächst unzureichender Informationslage mit Machine Learning Entscheidungsunterstützungssysteme entwickelt werden können. Predictive maintenance is an anticipatory maintenance strategy designed to predict impending errors or the remaining useful lifetime of a technical system. With its predictions, maintenance actions can be taken condition-based and proactively leading to an efficient use of resources. The basis for this approach is the recording of extensive machine data and their analysis with means of machine learning to learn complex relationships between condition data and related target variables, e. g. the remaining useful life. However, the existence of numerous monitoring data does not imply that there is a good information base for the development of meaningful predictive models. In this paper, for example, a study is presented where the challenge was to predict the optimal time to replace a wear-induced tool of a milling machine. Since in the past the milling tools were often replaced way before the end of their actual lifetime, a predictive model based on this training data would describe a risk averse and thus non-optimal maintenance strategy. Against this background, the present paper deals with the development of a methodology for optimizing a maintenance strategy based on incomplete information from industrial practice. The proposed methodology is based on a broad range of analytical techniques, including feature extraction for the preprocessing of time series data, unsupervised learning for clustering condition monitoring data and a recurrent neural network for the development of a predictive model to determine the remaining useful life. With the approach developed, it is possible to replace decisions which were so far taken based on subjective criteria with data-driven decisions to increase the milling tool lifetime. Additionally, this work contributes to the question how to develop decision support systems despite vague and insufficient information with the means of machine learning.
  • Konferenzbeitrag
    Tweeting in IIoT Ecosystems – Empirical Insights from Social Media Analytics about IIoT Platforms   
    (Software Management 2021, 2021) Petrik, Dimitri; Pantow, Katharina; Zschech, Patrick; Herzwurm, Georg
    This paper has been accepted and published as a Full Research Paper at the Wirtschaftsinformatik 2021 Conference in March 2021. The market for the Industrial Internet of Things (IIoT) platforms remains highly dynamic and is rapidly evolving regarding the growth of the platform-based ecosystems. However, digital platforms, used in the industrial business-to-business setting, differ significantly from the established platforms in the business-to-consumer domains and remain little researched. In this study, we apply a data-driven approach and conduct bottom-up and top-down content analysis, exploring social media data on the current state of IIoT platforms. For a top-down analysis, we draw on the theoretical concept of platform boundary resources. Specifically, we apply descriptive analytics and topic modeling on the Twitter data regarding the market-ready IIoT platforms Adamos, Cumulocity, Watson IoT, MindSphere, Leonardo, and ThingWorx, thus conducting an exploratory multiple case study. Our findings generate descriptive insights on the currently discussed topics in the area of IIoT platforms, contributing to the knowledge of the current state of digital platforms used in IIoT, highlighting the different focuses in ecosystem communication.