Logo des Repositoriums

Auflistung nach Schlagwort "Data Management"

1 - 5 von 5
  • Textdokument
    Data Science - more than just Machine Learning
    (INFORMATIK 2020, 2021) König-Ries, Birgitta; Böhm, Klemens
    In this short article, we briefly summarize the Data Science session at INFORMATIK 2020. With three invited talks, the session focused on data-science challenges beyond the development of new machine learning models.
  • Zeitschriftenartikel
    Datentreuhandstellen gestalten: Status quo und Perspektiven für Geschäftsmodelle
    (HMD Praxis der Wirtschaftsinformatik: Vol. 58, No. 3, 2021) Arlinghaus, Tim; Kus, Kevin; Kajüter, Patricia; Teuteberg, Frank
    Der Umgang mit großen Datenmengen stellt Unternehmen bei der Konzeption sicherer digitaler Prozesse vor große Herausforderungen, besonders wenn personenbezogene oder sensible Daten verarbeitet werden. Dies gilt gleichermaßen für Forschungsprojekte, bei denen Daten mit höchstem Schutz und hoher Sensibilität behandelt werden müssen. Um diesen hohen Datenschutz zu gewährleisten sowie Ethikrichtlinien einzuhalten, können Datentreuhandstellen eingesetzt werden. Inzwischen sind auch einige Use Cases von privaten Treuhandstellen bekannt, die einen großen Mehrwert für Unternehmen versprechen. Dieser Beitrag gibt erste Einblicke in die Geschäftsmodelle der Datentreuhandstellen sowie deren Anwendungsbereiche. Hierfür wurde das Digital Canvas verwendet, das neun Säulen digitaler Geschäftsmodelle postuliert. Zusätzlich werden Unterschiede zwischen staatlichen und privatwirtschaftlichen Anbietern analysiert sowie die Potenziale von Treuhandstellen herausgestellt und gezeigt, dass deren Dienste zunehmend an Nachfrage gewinnen werden. Die Erkenntnisse beruhen auf sechs Experteninterviews, die mit Leitern von in Deutschland bereits praktizierenden Datentreuhandstellen geführt wurden. Dealing with large data volumes presents major challenges to companies when it comes to designing secure digital processes, especially when personal or sensitive data need to be processed. This applies equally to research projects, where data must be handled with the highest level of protection and sensitivity. Data trustees can be used to ensure this high level of data protection and compliance with ethical guidelines. In the meantime, some use cases of private trustees are known, which promise noticeable added value for companies. This article provides initial insights into the business models of data trustees as well as their areas of application. For this purpose, the Digital Canvas was used, which postulates nine pillars of digital business models. In addition, differences between governmental and commercial providers are analyzed as well as the potential of data trustees are highlighted and it is shown that their services will increasingly gain demand in the future. The findings are based on six expert interviews conducted with the heads of data trustees already operating in Germany.
  • Konferenzbeitrag
    Development of a framework for decision support in the context of climate adaptation
    (EnviroInfo 2022, 2022) Wetzel, Simeon; Mäs, Stephan
    Implementing effective adaptation data that enable this knowledge transfer. For this purpose, this article presents a framework that shall simplify the development of these tools and the measures to climate change impacts concerns policymakers worldwide. At the local scale, there is a gap between scientific findings and a translation of these into concrete measures. It requires a network of tools and access to climate data. The underlying data management concept is intended to provide an infrastructure that requires only a few interventions in the operating process for both data suppliers and system administrators. Most of the infrastructure components have already been realised in the context of the ongoing research project KlimaKonform. In addition, there is an outlook on future implementations.
  • Textdokument
    FactStack
    (BTW 2021, 2021) Gleim, Lars; Pennekamp, Jan; Tirpitz, Liam; Welten, Sascha; Brillowski, Florian; Decker Stefan
    The management and preservation of the diverse and constantly evolving data of Industry 4.0 remains an open challenge to date. Interoganizational and interoperable solutions are needed to power the digital manufacturing supply chain of the future. Principles from research data management recently address this problem through the use of global, persistent identifiers in combination with resource versioning and data provenance. We present FactStack, a data management and preservation solution based on open Web technologies and the FactDAG data interoperability model. We outline the system’s implementation, evaluate its performance and illustrate its applicability to industry using a real-world use case in textile engineering. Considering risks and opportunities of practical industry adoption and remaining open challenges, we conclude that FactStack simplifies the on-demand integration of persistence and provenance into existing resource-oriented architectures, facilitating data management and preservation for the agile and interorganizational manufacturing processes of Industry 4.0.
  • Zeitschriftenartikel
    Implikationen von Machine Learning auf das Datenmanagement in Unternehmen
    (HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Kessler, René; Gómez, Jorge Marx
    Machine Learning ist ein Forschungsfeld mit großen Potenzialen und weitreichenden Anwendungspotenzialen. Big Data kann dabei als Enabler angesehen werden, da große und qualitativ hochwertige Daten stets die Grundlage für erfolgreiche Machine Learning-Algorithmen und -Modelle darstellen. Aktuell gibt es noch keinen voll etablierten Standardprozess für den Machine Learning-Life Cycle, wie es im Data Mining mit dem CRISP-DM beispielsweise der Fall ist, was zur Folge hat, dass gerade die Operationalisierung von Machine Learning-Modellen Unternehmen vor große Herausforderungen stellen kann. In diesem Beitrag werden anhand der Sicht auf die Beschaffenheit der Daten, die verschiedenen Rollen in Machine Learning-Teams und den Lebenszyklus von Machine Learning-Modellen Implikationen für das Datenmanagement in Unternehmen herausgearbeitet. Machine Learning is a trend research area with great potential and far-reaching application potentials. Big Data is an enabler, as large and high-quality data are always the basis for successful machine learning algorithms and models. There is currently no fully established standard process for the machine learning life cycle, as is the case in data mining with the CRISP-DM-Process, which means that the operationalization of machine learning models in particular can present companies with major challenges. In this article, the implications for data management in companies are worked out on the basis of the view of the nature of the data, the various roles in machine learning teams and the life cycle of machine learning models.