Abschlussarbeiten

Es besteht die Möglichkeit, eigene Themen für die Abschlussarbeiten (Bachelor, Master) vorzuschlagen. Diese sollten an die Forschungsgebiete der Professur für Anwendungssysteme angelehnt sein (z. B. überbetriebliche Prozesse, digitale Plattformen, Distributed-Ledger-Technologien, Fintech, Methoden des Geschäftsprozess- und/oder Servicemanagements). Gerne können Sie Ihre Vorschläge mit einem kleinen Exposé und einer ersten Grobgliederung an einen wissenschaftlichen Mitarbeiter der Professur oder an das Sekretariat zu senden.

Regulatorische Einordnung Agentischer KI-Systeme in der Finanzbranche nach EU AI Act

Mit „Agents for Financial Services"  von Anthropic stehen erstmals vorgefertigte, agentisch handelnde KI-Systeme für sensible Finanzprozesse wie KYC-Screening, Kreditwürdigkeitsbeurteilung, Research und Monatsabschluss bereit. Ein produktiver Einsatz solcher Systeme setzt jedoch deren Vereinbarkeit mit dem EU AI Act voraus, welcher einen risikobasierten Regulierungsrahmen für KI vorgibt und je nach Einordnung weitreichende Pflichten an Anbieter und betreibende Finanzinstitute knüpft. Die vorliegende Arbeit soll untersuchen, welcher Risikoklasse agentische KI-Systeme in der Finanzbranche zuzuordnen sind und welche konkreten Anforderungen sich daraus ableiten lassen, etwa an Risikomanagement, Data Governance, Transparenz, menschliche Aufsicht sowie Genauigkeit und Robustheit. Methodisch sollen leitfadengestützte Experteninterviews mit Vertretern aus Compliance, Aufsicht und KI-Entwicklung durchgeführt und systematisch ausgewertet werden. Die Anthropic-Agenten dienen dabei als exemplarischer Untersuchungsgegenstand, anhand dessen die abgeleiteten Anforderungen konkretisiert und auf ihre praktische Umsetzbarkeit hin bewertet werden.

• Literatur:
  • Joshi, S. (2025). A Comprehensive Review of Gen AI Agents: Applications and Frameworks in Finance, Investments and Risk Domains. International Journal of Innovative Science and Research Technology, 1339–1355. doi:10.38124/ijisrt/25may964
  • Denga, M., & Hornuf, L. (Eds.). (2025). Regulatory competition in the digital economy: Artificial intelligence, data, and platforms. Springer. https://doi.org/10.1007/978-3-031-81089-3
• Kontakt: Robin Wagler

Robo-Advisor-Systeme auf Basis von Reinforcement Learning

Die Arbeit soll untersuchen inwieweit Reinforcement Learning (RL) im Rahmen von Robo-Advisors genutzt wird. Die Ausrichtung der Arbeit ist flexibel: Es kann bspw. untersucht werden, welche Algorithmen eingesetzt werden und welche Daten in die Erstellung der Trainingsumgebung einfließen. Es ist auch möglich zu untersuchen, ob bestehende Robo Advisor bereits RL einsetzen und wenn ja, wie es umgesetzt ist. 

• Literatur: 1. Rao, A., Jelvis, T. (2023). Foundations of Reinforcement Learning with Applications in Finance, CRC Press, Boca Raton  stanford.edu/~ashlearn/RLForFinanceBook/book.pdf
• Kontakt: Robin Wagler

KI-Lösung zur Ableitung von Tax-Compliance-Risiken aus Prozessabweichungen und deren Verknüpfung mit Prozessanforderungen

In KMU entstehen steuerliche Compliance-Risiken häufig durch Abweichungen im Prozessvollzug (z. B. fehlende Prüfhandlungen, unvollständige Nachweise, falsche Zuordnungen im Rechnungs-/Buchungsablauf). Solche Abweichungen werden in der Praxis oft als Tickets, E-Mails oder kurze Fallbeschreibungen dokumentiert. Für ein Tax Compliance Management System (TCMS) ist entscheidend, diese Informationen systematisch in Risikoartefakte zu überführen und zugleich an Prozessanforderungen bzw. Kontrollpunkte zu binden (z. B. Soll-Prozessschritt, Nachweispflicht, Freigaberegel).

Ziel der Arbeit ist die Konzeption und prototypische Umsetzung einer KI-gestützten Lösung, die Prozessabweichungen aus un- oder teilstrukturierten Beschreibungen identifiziert, Tax-Compliance-Risiken ableitet und eine eindeutige Verknüpfung zwischen Risiko und Prozessanforderung herstellt (Traceability: Abweichung → Anforderung/Kontrollpunkt → Risiko). LLM- und RAG-Ansätze können hierfür als mögliche technische Realisierungsoptionen untersucht werden, sind aber nicht als einziges Verfahren vorgegeben. Die leitende Forschungsfrage lautet: Wie kann eine KI-gestützte Verarbeitung von Abweichungsbeschreibungen dazu beitragen, Compliance-Anforderungen und Tax-Compliance-Risiken konsistent zu verbinden und als TCMS-Artefakte nutzbar zu machen?

• Literatur: Hong, Timperley & Kästner (arXiv): From Hazard Identification to Controller Design: Proactive and LLM-Supported Safety Engineering for ML-Powered Systems. DOI:10.48550/arXiv.2502.07974; Charan et al. (2026): A framework for automating FMEA using LLMs and RAG. DOI:10.1007/s13198-026-03171-6; IDW (2017). IDW Praxishinweis 1/2016: Ausgestaltung und Prüfung eines Tax Compliance Management Systems gemäß IDW PS 980 (Stand: 31.05.2017).
• Kontakt: Viet-Anh Do

KMU-taugliches, requirements-basiertes Risk-Assessment-Konzept für Prozess-Compliance im Tax CMS (Konzept + Prototyp)

In KMU muss ein Tax Compliance Management System (TCMS) operativ über Prozessanforderungen und Kontrollpunkte funktionieren: Welche Prüfung ist in welchem Prozessschritt erforderlich, welche Nachweise sind zu erstellen, und wann ist zu eskalieren? Häufig fehlt jedoch ein methodisch konsistentes Risk Assessment, das Prozessabweichungen systematisch als Verletzungen konkreter Requirements erfasst, priorisiert und nachvollziehbar in Maßnahmen- und Monitoringlogik überführt.

Ziel der Arbeit ist die Entwicklung eines KMU-tauglichen Risk-Assessment-Frameworks für Tax Process Compliance. Das Framework soll (1) ein einheitliches Schema für Abweichung–Requirement–Risiko definieren, (2) eine Priorisierungslogik (z. B. entlang Auswirkung, Eintritts-/Beobachtungshäufigkeit, Evidenzstatus) festlegen, (3) Review- und Eskalationspunkte als Bestandteil der Governance modellieren und (4) die Ableitung von Maßnahmen sowie Monitoring-Kennzahlen als Ergebnisartefakte strukturieren. Ergänzend wird ein Prototyp umgesetzt, der das Framework an einem exemplarischen Prozess (z. B. Rechnungseingang) demonstriert und die Anwendbarkeit in KMU-konformen Annahmen (begrenzte Rollen, geringe Datenverfügbarkeit, einfache Tool-Integration) zeigt.

• Literatur: IDW Prüfungsstandard IDW PS 980 n.F. (CMS) ; IDW Praxishinweis 1/2016 (Tax CMS gem. IDW PS 980), Stand 31.05.2017 ; Charan et al. (2026): DOI: 10.1007/s13198-026-03171-6
• Kontakt: Viet-Anh Do

Benchmarking Agent for Tax Compliance Tasks

KMU benötigen für Tax Compliance Unterstützung, die prozessgebundene Pflichten abbildet: Rollen führen definierte Prüfschritte aus, erzeugen Nachweise und behandeln Abweichungen gegenüber festgelegten Prozessanforderungen (Requirements). In dieser Arbeit bezeichnet LLM-Agent eine konfigurierte Assistenzinstanz aus (i) LLM, (ii) rollen- und aufgabenspezifischen Instruktionen (Pflichten, Verbote, Eskalationsregeln), (iii) einem strukturierten Ausgabeformat und (iv) optionalen Evidenzmechanismen (z. B. Retrieval/RAG). Entscheidend ist nicht „das beste Modell“ isoliert, sondern das für KMU geeignete Gesamt-Setup aus Qualität, Aufwand und Kontrollierbarkeit.

Ziel der Arbeit ist die Ableitung und experimentelle Prüfung eines KMU-tauglichen LLM-Agent-Setups für requirements-gebundene Tax-Compliance-Aufgaben. Dazu werden Varianten des Agent-Setups (z. B. Prompt-Policies, Output-Schemata, Rollenprompts, optional Retrieval, Prüfschritte/Guardrails) systematisch kombiniert und für typische Aufgabenklassen bewertet, etwa: Zuordnung eines Falls zu Prozessschritt/Kontrollpunkt, Prüfung der Requirement-Erfüllung anhand vorliegender Nachweise, konsistente Abweichungsbegründung mit Soll-Kontrollbezug sowie Maßnahmenvorschläge mit Requirement-Coverage. Ergebnis sind (i) ein begründetes Referenz-Setup („Best-Fit“) für KMU je Aufgabenklasse/Rolle, (ii) ein Katalog erwartbarer Fehlertypen und geeigneter Review-Mechanismen (Human-in-the-loop, Eskalationsregeln) sowie (iii) Gestaltungsempfehlungen, welche Agent-Komponenten für KMU minimal erforderlich sind und welche nur optionalen Mehrwert liefern.

• Literatur: Dokas (2026): From hallucinations to hazards: benchmarking LLMs for hazard analysis in safety-critical systems. DOI: 10.1016/j.ssci.2025.107056; IDW Praxishinweis 1/2016.
• Kontakt: Viet-Anh Do

Agentische Repositorien: Auffindung, Verifizierung und Governance von KI-Agenten

Die Arbeit soll untersuchen, wie sich KI-Agenten, Werkzeuge (Tools) und Fähigkeiten (Skills) über ein „agentisches Repositorium“ – eine Registry bzw. einen Katalog – auffindbar, verifizierbar und governance-konform bereitstellen lassen. Ein solches Register fungiert als „Telefonbuch“ für autonome Agenten: Über standardisierte Metadaten (z. B. sogenannte Agent Cards) werden Identität, Version, Fähigkeiten und Vertrauensnachweise beschrieben, sodass Agenten und Orchestrierungsdienste zur Laufzeit den passenden Dienst finden und sicher anbinden können. Die Ausrichtung der Arbeit ist flexibel: Es kann bspw. ein systematischer Vergleich bestehender Ansätze (zentralisiert, unternehmensintern und dezentral/föderiert – etwa Google Agent Registry, Agentic Resource Discovery oder Agent Name Service) erstellt werden. Ebenso ist es möglich, ein prototypisches Repositorium auf Basis offener Protokolle (z. B. MCP oder A2A) zu implementieren, oder den Schwerpunkt auf Sicherheits- und Trust-Mechanismen (PKI, kryptografische Verifizierung, Zugriffskontrolle, Auditierung) und deren Evaluation zu legen.

Literatur:

• Singh, A., Ehtesham, A., Lambe, M. et al. (2025). Evolution of AI Agent Registry Solutions: Centralized, Enterprise, and Distributed Approaches. Proc. 7th IEEE Int. Conf. on Cognitive Machine Intelligence (CogMI), 507–515. https://doi.org/10.1109/CogMI67134.2025.00067 (Preprint: arXiv:2508.03095)
• Huang, K., Narajala, V. S., Habler, I., Sheriff, A. (2025). Agent Name Service (ANS): A Universal Directory for Secure AI Agent Discovery and Interoperability. arXiv:2505.10609. https://arxiv.org/abs/2505.10609

Kontakt: 

• Robin Wagler

Agentische Repositorien: Auffindung, Verifizierung und Governance von KI-Agenten

Die Arbeit soll untersuchen, wie sich KI-Agenten, Werkzeuge (Tools) und Fähigkeiten (Skills) über ein „agentisches Repositorium“ – eine Registry bzw. einen Katalog – auffindbar, verifizierbar und governance-konform bereitstellen lassen. Ein solches Register fungiert als „Telefonbuch“ für autonome Agenten: Über standardisierte Metadaten (z. B. sogenannte Agent Cards) werden Identität, Version, Fähigkeiten und Vertrauensnachweise beschrieben, sodass Agenten und Orchestrierungsdienste zur Laufzeit den passenden Dienst finden und sicher anbinden können. Die Ausrichtung der Arbeit ist flexibel: Es kann bspw. ein systematischer Vergleich bestehender Ansätze (zentralisiert, unternehmensintern und dezentral/föderiert – etwa Google Agent Registry, Agentic Resource Discovery oder Agent Name Service) erstellt werden. Ebenso ist es möglich, ein prototypisches Repositorium auf Basis offener Protokolle (z. B. MCP oder A2A) zu implementieren, oder den Schwerpunkt auf Sicherheits- und Trust-Mechanismen (PKI, kryptografische Verifizierung, Zugriffskontrolle, Auditierung) und deren Evaluation zu legen.

Literatur:

• Singh, A., Ehtesham, A., Lambe, M. et al. (2025). Evolution of AI Agent Registry Solutions: Centralized, Enterprise, and Distributed Approaches. Proc. 7th IEEE Int. Conf. on Cognitive Machine Intelligence (CogMI), 507–515. https://doi.org/10.1109/CogMI67134.2025.00067 (Preprint: arXiv:2508.03095)
• Huang, K., Narajala, V. S., Habler, I., Sheriff, A. (2025). Agent Name Service (ANS): A Universal Directory for Secure AI Agent Discovery and Interoperability. arXiv:2505.10609. https://arxiv.org/abs/2505.10609

Kontakt: 

• Robin Wagler

Datenschutzkonforme Location Intelligence & Marketing-Schnittstellen

Die Arbeit soll untersuchen, wie sich der doppelte wirtschaftliche Wert standortbezogener Bewegungsdaten – personalisiertes Location-Based Marketing einerseits, anonymisierte Personenstromanalysen andererseits – datenschutzkonform erschließen lässt. Im Mittelpunkt steht ein hybrides Datenverarbeitungskonzept (Edge-Computing auf dem Endgerät kombiniert mit serverseitiger Aggregation), bei dem auf dem Server ausschließlich mathematisch unumkehrbar anonymisierte Bewegungsmuster gespeichert werden. Die Ausrichtung der Arbeit ist flexibel: Es können bspw. Anonymisierungsverfahren für raum-zeitliche Trajektorien (z. B. Differential Privacy oder k-Anonymisierung) analysiert werden, eine dezentrale Datenhaltungs-Schnittstelle nach dem Local-First-Prinzip konzipiert werden, oder die Datenverfremdung prototypisch simuliert und der verbleibende analytische Nutzwert für Drittparteien (B2B-Heatmaps) gemessen werden.

Literatur:

• Gruteser, M., Grunwald, D. (2003). Anonymous Usage of Location-Based Services Through Spatial and Temporal Cloaking. Proc. 1st Int. Conf. on Mobile Systems, Applications and Services (MobiSys '03), 31–42. https://www.winlab.rutgers.edu/~gruteser/papers/gruteser_anonymous_lbs.pdf
• Andrés, M. E., Bordenabe, N. E., Chatzikokolakis, K., Palamidessi, C. (2013). Geo-Indistinguishability: Differential Privacy for Location-Based Systems. ACM CCS '13, 901–914. https://arxiv.org/abs/1212.1984

Kontakt:

• Robin Wagler

Privacy-by-Design in der Location-Intelligence

Die Arbeit soll untersuchen, wie standortbezogene Anwendungen relevante Push-Inhalte ausspielen können, ohne kontinuierlich hochpräzise Geolocation-Daten zentral zu speichern. Im Mittelpunkt steht die Konzeption eines „Privacy-by-Design“-Frameworks, bei dem Bewegungsdaten möglichst dezentral direkt auf dem Endgerät verarbeitet (Local-First Processing) oder vor der Serverübertragung in anonymisierte Vektoren transformiert werden. Die Ausrichtung der Arbeit ist flexibel: Es können bspw. Geofencing- und Tracking-Methoden im Kontext der DSGVO systematisiert werden, eine dezentrale Architektur zur sensorbasierten Ereignisauslösung entworfen werden, oder das vorgeschlagene Konzept einem Sicherheits- und Datenschutz-Audit unterzogen werden.

Literatur:

• Kleppmann, M., Wiggins, A., van Hardenberg, P., McGranaghan, M. (2019). Local-First Software: You Own Your Data, in spite of the Cloud. Onward! 2019. https://martin.kleppmann.com/papers/local-first.pdf

Kontakt: 

• Robin Wagler

Multi-Agenten-Frameworks zur automatisierten Faktenprüfung

Die Arbeit soll untersuchen, wie sich die Verlässlichkeit KI-generierter Bildungs- und Kulturinhalte mithilfe einer Multi-Agenten-Architektur automatisiert bewerten lässt. Dabei prüfen mehrere Large Language Models (LLMs) dieselben Inhalte gegeneinander und leiten daraus einen automatisierten Konfidenz- bzw. Vertrauens-Score ab, der die jeweilige Realitätsebene (verifizierter Fakt, lokale Legende/Mythos oder Fiktion) kennzeichnet. Die Ausrichtung der Arbeit ist flexibel: Es kann bspw. der Aufbau der KI-Prüfpipeline (z. B. mit Python/LangChain) im Vordergrund stehen, oder der Schwerpunkt liegt auf einem einheitlichen UI/UX-Konzept, das dem Endnutzer die unterschiedlichen Realitätsebenen intuitiv und konsistent signalisiert. Auch eine empirische Evaluation des Konzepts anhand standardisierter Usability-Tests ist möglich.

Literatur:

• Guo, Z., Schlichtkrull, M., Vlachos, A. (2022). A Survey on Automated Fact-Checking. Transactions of the Association for Computational Linguistics, 10, 178–206. https://aclanthology.org/2022.tacl-1.11/
• Kim, K., Lee, S., Huang, K.-H., Chan, H. P., Li, M., Ji, H. (2024). Can LLMs Produce Faithful Explanations For Fact-Checking? Towards Faithful Explainable Fact-Checking via Multi-Agent Debate. arXiv:2402.07401. https://arxiv.org/abs/2402.07401

Kontakt: 

• Robin Wagler

Erstellung von Produktionsplänen mittels Vison Language Models (VLMS)

Produktionspläne werden oft manuell auf Basis von technischen Zeichnungen erstellt. Moderne Vision Language Modelle (VLMs) ermöglichend die gemeinsame Verarbeitung von textuellen sowie visuellen Inputs und stellen damit eine vielversprechende Technologie zur automatisierten Erstellung solcher Produktionspläne dar. Die vorliegende Arbeit soll untersuchen inwieweit lokale VLM für diesen Zweck angepasst werden können („fine-tuning“), bspw.- mittel Reinforcement Learning form Human Feedback (RLHF) auf historischen Unternehmensdaten. Dazu soll ein Prototyp erstellt werden, welcher anschließend evaluiert wird. 

Literatur:  

• Sun, Z., Shen, S., Cao, S., Liu, H., Li, C., Shen, Y., … Darrell, T. (2023). Aligning Large Multimodal Models with Factually Augmented RLHF. arXiv [Cs.CV]. Retrieved from http://arxiv.org/abs/2309.14525

Kontakt:

• Robin Wagler

Analyse und Konzeption einer Datenstrategie als Grundlage für den Einsatz von KI-basierter Entscheidungsunterstützung im Produktionsumfeld

Gegenwärtige Entwicklungen im Bereich der künstlichen Intelligenz (KI) ermöglichen datenbasierte Entscheidungsunterstützung im Produktionsumfeld. Die Grundlage einer solchen datenbasierten Entscheidungsunterstützung besteht in der bedarfsgerechten Erfassung und Speicherung der Daten, wozu eine passende Datenstrategie erforderlich ist.  Die vorliegende Arbeit soll systematisch Ansätze zur Erstellung einer Datenstrategie im Produktionsumfeld analysieren und deren praktische Umsetzbarkeit anhand eines konkreten Anwendungsfalls im Maschinenbau evaluieren. 

Literatur:  

• Liu, Chien-Hung and Chen, Chuen-Lun, "A Review Of Data Monetization: Strategic Use Of Big Data" (2015). ICEB 2015 Proceedings (Hong Kong, SAR China). 10. https://aisel.aisnet.org/iceb2015/10

Kontakt:

• Robin Wagler

Werkzeuge zur Identifikation künstlich generierter wissenschaftlicher Texte

Im November 2022 hat mit dem Start von ChatGPT die künstliche Erzeugung von wissenschaftlichen Texten neue Möglichkeiten erlangt. Dies betrifft die künstliche Generierung wissenschaftlicher Aufsätze, die Identifikation von Referenzen oder von Testdaten und Softwarecode. Einerseits ist damit ein wertvolles Werkzeug für die seriöse wissenschaftliche Arbeit, andererseits sind damit auch neue Möglichkeiten für wissenschaftliches Fehlverhalten entstanden. Gegenüber den bisherigen Programmen zur Plagiatserkennung (z. B. iThenticate) stehen Programmen zur Erkennung künstlich generierter Inhalte typischerweise keine Basisinhalte zur Verfügung, gegen die eine Echtheitsprüfung erfolgen kann. Die vorliegende Arbeit soll daher auf Basis von Texten aus dem Editorial Office der Zeitschrift Electronic Markets (www.electronicmarkets.org) verschiedene Werkzeuge zur Prüfung künstlich generierter Texte vergleichen und deren Potenziale und Grenzen systematisch untersuchen.

• Literatur:

  1.Kankanhalli, A. (2024). Peer Review in the Age of Generative AI, in: Journal of the Association for Information Systems, 25(1), 76-84. https://doi.org/10.17705/1jais.00865

  2. Perkins, M. et al. (2024). Detection of GPT-4 Generated Text in Higher Education: Combining Academic Judgement and Software to Identify Generative AI Tool Misuse, in: Journal of Academic Ethics, 22, 89–113. https://doi.org/10.1007/s10805-023-09492-6

  3. Sadasivan et al. (2023). Can AI-Generated Text be Reliably Detected? in: Transactions on Machine Learning Research (TMLR). https://arxiv.org/abs/2303.11156

  4. Weber-Wulff, D. et al. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, 26. https://doi.org/10.1007/s40979-023-00146-z

• Kontakt: Rainer Alt und Ramona Coia
   

Generative KI in der Tourismus-Industrie

Die Arbeit soll bestehende und zukünftig denkbare Szenarien und Anwendungsfälle generativer KI im Tourismus analysieren. Die Analyse könnte bspw. entlang des KI-Periodensystems (Dietzmann & Alt, 2020) stattfinden und ebenso unter Verwendung von Personas stattfinden. Relevante Fragestellungen zu den jeweiligen Cases könnten sein, inwiefern generative KI den Touristen und/oder den Anbietern einen Mehrwert stiftet und inwiefern sich dadurch letztlich die Customer Journey und die Wertschöpfung in der Tourismus-Industrie verändern.

• Literatur: 1. Dietzmann/Alt (2020). Assessing the business impact of Artificial Intelligence, http://hdl.handle.net/10125/64377;
• 2. Doborjeh et al. (2022). Artificial intelligence: a systematic review of methods and applications in hospitality and tourism, https://doi.org/10.1108/IJCHM-06-2021-0767
• Kontakt: Torben Ukena
   

Clinical Decision Support für Patientengenerierte Gesundheitsdaten

Patientengenerierte Gesundheitsdaten (PGHD) sind durch Wearables wie Fitbit, Garmin, Oura oder Whoop allgegenwärtig. Um PGHD klinisch zu nutzen, bietet sich ein Clinical Decision Support System (CDSS) an, das dem Arzt auf Basis der Daten Empfehlungen für die Behandlung gibt. Da sich PGHD jedoch quantitativ, qualitativ und schematisch von herkömmlichen klinischen Daten unterscheiden, ist das Ziel dieser Abschlussarbeit ein CDSS für PGHD zu designen.

• Literatur: 1. Demiris, G., Iribarren, S. J., Sward, K., Lee, S., & Yang, R. (2019). Patient generated health data use in clinical practice: A systematic review. In Nursing Outlook (Bd. 67, Issue 4, S. 311–330). Elsevier BV. https://doi.org/10.1016/j.outlook.2019.04.005;
• 2. Sittig, D. F., Boxwala, A., Wright, A., Zott, C., Gauthreaux, N. A., Swiger, J., Lomotan, E. A., & Dullabh, P. (2024). Patient-centered clinical decision support challenges and opportunities identified from workflow execution models. In Journal of the American Medical Informatics Association (Bd. 31, Issue 8, S. 1682–1692). Oxford University Press (OUP). https://doi.org/10.1093/jamia/ocae138;
• 3. Jayathissa, P., Sareban, M., Niebauer, J., & Hussein, R. (2023). Patient-Generated Health Data Interoperability Through Master Patient Index: The DH-Convener Approach. In Studies in Health Technology and Informatics. IOS Press. doi.org/10.3233/shti230413
• Kontakt: Torben Ukena

Einsatz von Large Language Models für halbautomatisches Mapping

Large Language Models (LLMs) sind sehr gut für die Generierung von Code geeignet. Im Gesundheitswesen gibt es Fast Healthcare Interoperability Resources (FHIR) als Standard, um Daten interoperabel darzustellen und auszutauschen. Jedoch existieren auch zahlreiche gesundheitsrelevante Daten, die in proprietären Formaten vorliegen. Daher ist Ziel der Arbeit zu untersuchen, inwieweit LLMs genutzt werden können, um ausführbaren Pythoncode zu generieren, der das Inputformat in FHIR überführt. Beispielhafte Input- und Outputdaten wurden im Rahmen eines Forschungsprojektes gesammelt und können für das LLM im Rahmen dieser Abschlussarbeit verwendet werden.

• Literatur: 1.Yoon, D., Han, C., Kim, D. W., Kim, S., Bae, S., Ryu, J. A., & Choi, Y. (2024). Redefining Health Care Data Interoperability: Empirical Exploration of Large Language Models in Information Exchange. In Journal of Medical Internet Research (Bd. 26, S. e56614). JMIR Publications Inc.; 

  2. medium.com/@shrinath.suresh/ai-powered-schema-mapping-95f596d31590

• Kontakt: Torben Ukena

Abbildung und Vorhersage von Marktzuständen mittels Geometric Deep Learning

Die Arbeit soll untersuchen inwieweit Geometric Deep Learning (GDL) insb. Graph Neuronal Networks (GNN) eingesetzt werden können, um Markt oder Netzwerkzuständen zu repräsentieren und nachfolgend auch vorherzusagen. Die Arbeit kann sowohl auf Literaturebene als auch auf technischer Ebene (inkl. Umsetzung eines Prototyps) durchgeführt werden. 

• Literatur: 1. Bronstein, M. M., Bruna, J., Cohen, T., & Veličković, P. (2021). Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. ArXiv. /abs/2104.13478
• Kontakt: Robin Wagler

Recent Agentic AI Solutions for Software Development

Developing software for business applications is a labor intense process. Agentic AI can help to make this process more efficient by supporting or even automating several tasks along the software development process. This thesis should create an overview to existing agentic AI solutions (like Cursor, AWS Bedrock or OctoTools) for software development in the sense of business applications.  
 

• Literature: 1.Pothukuchi, Ameya Shastri and Kota, Lakshmi Vasuda and Mallikarjunaradhya, Vinay, Impact of Generative AI on the Software Development Lifecycle (SDLC) (August 2023). International Journal of Creative Research Thoughts, Volume 11, Issue 8 August 2023, Available at SSRN: https://ssrn.com/abstract=4536700

  2. C. Ebert and P. Louridas, "Generative AI for Software Practitioners," in IEEE Software, vol. 40, no. 4, pp. 30-38, July-Aug. 2023, doi: 10.1109/MS.2023.3265877. 

  3. White, Jules. "Building Living Software Systems with Generative & Agentic AI." arXiv preprint arXiv:2408.01768 (2024).

• Contact: Robin Wagler

Integrierte Anwendungssysteme im Gastronomiebereich

Im Mittelpunkt der Arbeit steht die Untersuchung integrierter Lösungen im Gastronomiebereich, insbesondere für klein- und mittelständisch geprägte Gastronomie-Unternehmen. Dies betrifft Kassensysteme (bzw. Point-of-Sale-Systeme), (Mobile-)Ordering-Systeme, Systeme für den Einkauf bei Lieferanten, die Steuerung von Abläufen/Geräten in der Küche etc. Sie führen dazu eine Literatur- und Webrecherche durch.

• Literatur: 1. Alt, R. (2021). Digital Transformation in the Restaurant Industry: Current Developments and Implications. Journal of Smart Tourism, 1(1), S. 69-74. doi.org10.52255/smarttourism.2021.1.1.9
• 2. Jadhav, A. S., & Sonar, R. M. (2009). Evaluating and selecting software packages: A review. Information and Software Technology, 51(3), S. 555–563. https://doi.org/10.1016/j.infsof.2008.09.003
• 3. Tsai, W.-H., Lee, P.-L., Shen, Y.-S., & Yang, C.-C. (2009). The relationship between ERP software selection criteria and ERP success. Proceedings International Conference on Industrial Engineering and Engineering Management (IEEM), S. 2222–2226. https://doi.org/10.1109/IEEM.2009.5373085
• Kontakt: Katharina Blöcher

KI zur Unterstützung der Energiewende

Die VNG AG prüft im Zuge der grünen Transformation seines Geschäftsmodells die Einsatzmöglichkeiten von Künstlicher Intelligenz. Hierfür sind KI-Anwendungsfälle zu identifizieren, welche sowohl auf die finanziellen Geschäftsziele als auch die Transformationsziele abdecken. Die Arbeit widmet sich daher der strukturierten Analyse von KI-Anwendungsfällen sowie deren Beitrag zur Unternehmensstrategie. Die Betreuung der Abschlussarbeit wird durch einen Betreuer bei der VNG AG abgedeckt und kann mit einer studentischen Tätigkeit unter flexiblen Bedingungen verbunden werden. 

Kontakt: Dr. Christian Dietzmann 

Entwicklung eines Polarisierungsindex

Das Hauptziel der Arbeit besteht darin, einen methodologisch fundierten Polarisierungsindex zu entwickeln, der verschiedene Aspekte der Polarisierung in der Weltwirtschaft und Gesellschaft erfasst und misst. Dieser Index soll nicht nur eine Momentaufnahme liefern, sondern auch Veränderungen im Laufe der Zeit verfolgen können. Darüber hinaus sollen potenzielle Auswirkungen der Polarisierung auf Unternehmen, Politik und Gesellschaft untersucht werden. Aufgrund der besonderen Rolle des virtuellen Raums hinsichtlich des Förderung von Polarisierung bspw. durch Desinformation oder soziale Medien, aber auch durch die Verfügbarkeit großer Echtzeitdatenmengen soll der Polarisierungsindex insbesondere auf dieser Datenquelle basieren. Diese Datenbasis ermöglicht bspw. Echtzeit-Feedback, Vielfalt der Meinungen oder globale Reichweite. Hierbei können moderne Methoden und Instrumente wie Social Media-Analyse, Sentimentanalyse, Netzwerkanalyse, Trendanalysen oder Plattformanalysen angewendet werden. Durch die Analyse derartiger Big Data sollen Muster und Trends in politischer und wirtschaftlicher Polarisierung identifiziert werden.

Die Studierenden werden im Rahmen dieser Masterarbeit eng von der VNG-Stiftung sowie Praxispartnern betreut. Die VNG-Stiftung bietet nicht nur fachliche Expertise, sondern auch Zugang zu umfangreichen Ressourcen und Netzwerken. Durch die Zusammenarbeit mit Praxispartnern aus verschiedenen Branchen erhalten die Studierenden Einblicke in aktuelle Herausforderungen und Fragestellungen der Praxis.

Kontakt: Dr. Stephan Sachse