HMD 57(1) - Februar 2020 - Business Impact Künstliche Intelligenz
Auflistung nach:
Auflistung HMD 57(1) - Februar 2020 - Business Impact Künstliche Intelligenz nach Titel
1 - 10 von 14
Treffer pro Seite
Sortieroptionen
- ZeitschriftenartikelAgile Dokumentation: Anspruch und Wirklichkeit – eine fallstudienbezogene Analyse mehrerer Softwareentwicklungsprojekte(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Mathews, Laura; Holzweißig, KaiDie agile Softwareentwicklung gewinnt in der heutigen Unternehmenspraxis zunehmend an Bedeutung und löst an vielen Stellen klassische Vorgehensmodelle ab. Dies wirft aus wissenschaftlicher Sicht die Frage auf, welche Konsequenzen für etablierte Praktiken, wie beispielsweise die Softwaredokumentation, damit verbunden sind. Während die Dokumentation in der klassischen Softwareentwicklung einen hervorgehobenen Stellenwert besitzt, wird ihr Wert im Rahmen agiler Praktiken hingegen relativiert. Da weder im Agilen Manifest noch in den agilen Methoden konkrete Vorgaben hinsichtlich der Dokumentation existieren, stellt die Gestaltung dieser eine große Herausforderung für agile Projekte dar. Im Rahmen des vorliegenden Artikels wird daher eine kritische Betrachtung des Themas vorgenommen. Hierzu wird der aktuelle Stand der Forschung erhoben sowie eine fallstudienbezogene Analyse mehrerer Softwareentwicklungsprojekte bei einem weltweit tätigen Unternehmen der Softwareentwicklungsbranche durchgeführt. Die Ergebnisse zeigen, dass weder in Theorie noch Praxis verbindliche oder einheitliche Standards bezüglich der empfohlenen Dokumentationsartefakte sowie eines Dokumentationsvorgehens existieren. Dennoch werden durch die betrachteten Fallbeispiele verschiedene Realisierungsmöglichkeiten einer Softwaredokumentation im agilen Umfeld aufgezeigt. Ferner werden mögliche Gründe für die Heterogenität agiler Dokumentationspraktiken diskutiert, um Anhaltspunkte für weiteren Forschungsbedarf zu geben. Agile software development is becoming more and more relevant in today’s business practices and supersedes classical approaches in many places. From a scientific point of view, this change entails many consequences for established practices, such as for software documentation. While documentation is ascribed high importance in classical software development, its role is often subordinate in agile practices. As neither in the Agile Manifesto nor in the different agile methods any concrete guidelines regarding documentation are given, the criteria of good documentation are unclear for agile projects. This situation provides the motivation for the present article, which conducts a critical analysis of agile documentation. The current state of research is discussed and a case study of multiple software development projects is conducted at a global player in the software development industry. The results show that neither in theory nor in practice binding or uniform standards regarding recommended documentation artefacts and documentation approaches exist. However, the different case samples studied offer deeper insights into different options of software documentation in the agile context. Furthermore, potential reasons for the heterogeneity of agile documentation practices are discussed in order to provide indications for further research.
- ZeitschriftenartikelBusiness Impact Künstliche Intelligenz(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) van Giffen, Benjamin; Knoll, Matthias
- ZeitschriftenartikelImplikationen von Machine Learning auf das Datenmanagement in Unternehmen(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Kessler, René; Gómez, Jorge MarxMachine 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.
- ZeitschriftenartikelKausalanalyse mit maschinellem Lernen(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Huber, MartinDie datenbasierte Kausalanalyse versucht, den kausalen Effekt einer Intervention auf ein interessierendes Ergebnis zu messen, häufig unter Kontrolle beobachtbarer Charakteristiken, die ebenfalls das Ergebnis beeinflussen. Beispiele für kausale Fragestellungen sind: Was ist der Effekt einer Marketingkampagne (Intervention) auf die Verkaufszahlen (Ergebnis) unter ansonsten identischen Marktbedingungen? Was ist der Effekt einer Zinsveränderung (Intervention) auf den Aktienkurs (Ergebnis) unter ansonsten identischen wirtschaftlichen Rahmenbedingungen? Die Kausalanalyse unterscheidet sich deshalb konzeptionell von der statistischen Vorhersage. Letztere versucht aus Kombinationen von Charakteristiken (zum Beispiel Zinssatz, Wirtschaftswachstum, Unternehmensgewinn) möglichst genau das Ergebnis (zum Beispiel Aktienkurs) vorherzusagen, ohne die kausalen Effekte der einzelnen Charakteristiken zu bestimmen. Im Zeitalter von „Big Data“ erfährt die Vorhersage in vielen Bereichen einen qualitativen Quantensprung aufgrund des Einsatzes von maschinellem Lernen. Letzteres vermag in großen Datensätzen jene Kombinationen von Charakteristiken zu lernen, die für die Vorhersage des Ergebnisses entscheidend sind. Dieser Beitrag diskutiert, wie die Vorzüge des maschinellen Lernens auch für die Kausalanalyse in großen Daten genutzt werden können. Die Messung eines kausalen Effektes ist möglich, wenn für Charakteristiken, welche die Intervention und das Ergebnis bedeutend beeinflussen, kontrolliert werden kann. Dies lässt sich durch sogenanntes „doppeltes maschinelles Lernen“ implementieren. Dabei werden sowohl die Intervention, als auch das Ergebnis als Funktion der anderen Charakteristiken vorhergesagt um letztendlich den Effekt der Intervention auf das Ergebnis zu schätzen. Der Beitrag diskutiert diesen Ansatz beispielhaft anhand eines bestimmten statistischen Modells und verweist auf mehrere Praxisbeispiele. Data-based causal analysis aims at evaluating the causal effect of some intervention on an outcome of interest, frequently by controlling for observed characteristics also affecting the outcome. Examples for causal questions are: What is the effect of a marketing campaign (intervention) on sales (outcome) under otherwise identical market conditions? What is the effect of a change in interest rates (intervention) on stock prices (outcome) under otherwise identical economic conditions? Therefore, causal analysis conceptually differs from statistical prediction. The latter aims at predicting an outcome (e.g. stock prices) from a combination of characteristics (e.g. interest rates, economic growth, profits), however, without determining the causal effects of the various characteristics. In the age of “big data”, the use of machine learning has entailed a boost in the quality of predictions in many domains. In sufficiently large data, machine learning is capable of learning those combinations of characteristics that are crucial for the prediction of the outcome. This article discusses how the benefits of machine learning can also be used for causal analysis in big data. Evaluating a causal effect is feasible if any characteristics that importantly affect both the intervention and the outcome can be controlled for. So-called “double machine learning” may achieve this goal. It consists of predicting both the intervention and the outcome as functions of the other characteristics to ultimately estimate the effect of the intervention on the outcome. The article discusses this approach based on a particular statistical model and refers the reader to several empirical examples.
- ZeitschriftenartikelKünstliche Intelligenz im öffentlichen Sektor(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) von Lucke, Jörn; Etscheid, JanKünstliche Intelligenz (KI) bietet das Potenzial, um Vorgänge und Prozesse in der öffentlichen Verwaltung zu verändern und zu optimieren. Bislang durch den Menschen durchgeführte Vorgänge können durch technische Systeme unterstützt oder sogar automatisiert werden. KI liefert hierfür die Grundlage, indem bislang dem Menschen vorbehaltene Fähigkeiten durch technische Systeme simuliert werden. Zahlreiche Anwendungsmöglichkeiten finden sich sowohl im täglichen Kontakt mit den Bürgern als auch in der Hintergrundverwaltung. Dabei darf nicht außer Acht gelassen werden, dass die öffentliche Verwaltung in besonderem Maße dem Gemeinwohl verpflichtet ist. Der Einsatz künstlicher Intelligenz und autonom agierender Systeme bedarf einer gewissenhaften Abwägung. In den kommenden Jahren müssen sich Politiker gemeinsam mit Verwaltungsspitzen, Wissenschaftlern und Softwareanbietern dieser Thematik strategisch nähern. Der vorliegende Beitrag soll Anwendungsmöglichkeiten künstlicher Intelligenz aufzeigen und erste Handlungsempfehlungen geben. Artificial intelligence (AI) offers potential to change and optimize processes in public administration. Processes previously performed by humans can be supported or even automated by technical systems. AI provides the basis by simulating capabilities previously reserved for humans through technical systems. Numerous possible applications can be found in daily contact with citizens as well as in background management. It should not be neglected that public administration is especially committed to the common good. The use of artificial intelligence and autonomous systems requires careful consideration. In the upcoming years, politicians will have to approach this topic strategically together with top administrators, scientists and software providers. This article is intended to show possible applications of artificial intelligence and give initial recommendations for action.
- ZeitschriftenartikelManagement von Künstlicher Intelligenz in Unternehmen(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) van Giffen, Benjamin; Borth, Damian; Brenner, WalterKünstliche Intelligenz bietet Unternehmen neue Möglichkeiten Prozesse, Produkte, Dienstleistungen und Geschäftsmodelle zu innovieren und bestehende zu verändern. Daher wird das professionelle Management Künstlicher Intelligenz in Unternehmen zu einer zentralen Aufgabe, um die neuen Wertversprechen mit produktiven Systemen zu realisieren. Der Beitrag stellt das St. Galler Management Modell für KI (SGMM-KI) vor und zeigt sieben Handlungfelder für den betrieblichen Einsatz von KI: (1) Management von Künstlicher Intelligenz, (2) Organisation des Betriebs, (3) Rechtliche Gestaltung, (4) Regulierung und Compliance, (5) Lebenszyklus-Management, (6) Management der Technologie-Infrastruktur, sowie (7) Cybersicherheit. Der vorliegende Artikel leitet konkrete erste Schritte an und richtet sich primär an Geschäftsleitungsmitglieder, IT- und Innovationsverantwortliche sowie Projektleiter, welche die neuen Wertversprechen der KI in der betrieblichen Praxis verwirklichen möchten. Artificial intelligence offers firms new opportunities to innovate processes, products, services and business models and to change existing ones. Therefore, the professional management of artificial intelligence in companies becomes an increasingly important task to realize the new value propositions with productive systems. The article presents the St. Gallen Management Model for AI (SGMM-AI) and highlights seven areas of action for the operational use of AI: (1) management of artificial intelligence, (2) organization of business operations, (3) legal, (4) regulation and compliance, (5) life-cycle management, (6) management of technology infrastructure, and (7) cyber security. This article provides guidance on the first steps of implementing AI. It is primarily targeted board members, IT, innovation and project managers who want to put the new value propositions of AI into practice.
- ZeitschriftenartikelPotenziale von Chatbots für den innerbetrieblichen IT-Support(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Fiore, Dario; Thiel, Christian; Baldauf, MatthiasChatbots sind Software-Assistenten, mit denen in geschriebener Sprache interagiert werden kann. Die Fortschritte in der künstlichen Intelligenz und insbesondere in der Verarbeitung natürlicher Sprache haben der Technologie in den letzten Jahren einen Schub verliehen. Während diese im Kontakt mit Kunden bereits häufig anzutreffen sind, existieren wenige wissenschaftliche Studien zur innerbetrieblichen Anwendung von Chatbots. Diese Arbeit untersucht anhand eines funktionalen Prototyps mit Mitarbeitenden einer Bank und eines Krankenhauses in der Schweiz die Frage, inwiefern ein innerbetrieblicher Chatbot den IT Service Desk in relevanten Use Cases entlasten kann. Basierend auf den Erkenntnissen zur Benutzerfreundlichkeit und zur Eignung einzelner Anwendungsfälle kann auf die Nutzungsabsicht und somit eine tatsächliche Nutzung durch Mitarbeitende geschlossen werden. Für die Beurteilung des Entlastungspotenzials für den IT Services Desk durch innerbetriebliche Chatbots müssen allerdings Nutzen und Aufwände (z. B. für Entwicklung und Betrieb des Chatbots) abgewogen und unternehmensspezifisch beurteilt werden. Chatbots are software-based assistants which enable interaction using written language. Advances in artificial intelligence and especially in natural language processing have given a boost to the technology in recent years. While such bots are already commonly used for customer interactions, in-company applications and related scientific studies are rare. This work uses a functional prototype with employees of a bank and a hospital to investigate the question of how an in-company chatbot can relieve the IT service desk in relevant use cases. Based on the findings on user-friendliness and the suitability of individual use cases, the intention of use and thus the actual use by employees can be inferred. For the assessment of the potential of burden reduction of the IT services desk through internal chatbots, however, benefits and expenses (e.g., for the development and operation of the chatbots) must be weighed up and assessed on a company-specific basis.
- ZeitschriftenartikelRezension „Künstliche Intelligenz für Sales, Marketing und Service“(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Knoll, Matthias
- ZeitschriftenartikelRezension „Künstliche Intelligenz – Eine Einführung“(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Knoll, Matthias
- ZeitschriftenartikelRezension „Künstliche Intelligenz“(HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) van Giffen, Benjamin