Index

Kontext und Motivation

Service-Exzellenz ist einer der letzten verbleibenden Wettberwerbsvorteile deutscher Hidden Champions aus dem mittelständischen Maschinen- und Anlagenbau, um sich im Umfeld eines zunehmenden internationalen Preisdrucks zu behaupten. Doch der Fachkräftemangel einerseits und der  drohende Wissensabfluss durch den bevorstehenden Renteneintritt maßgeblicher Service-Experten der Babyboomer-Generation andererseits gefährden diesen Vorsprung.
Generative KI verspricht hier Abhilfe zu schaffen: Durch die automatisierte Bearbeitung insbesondere einfacher technischer Kundenanfragen auf Basis des aktuell noch meist implizit vorliegenden Wissenschatzes der Unternehmen soll technischer Kundenservice durch Entlastung und gezielten Einsatz der verbleibenden Experten skalierbar gemacht werden.

Eine Herausforderung hierbei ist, dass etablierte Vorgehensmodelle für KI-Projekte wie etwa CRISP-DM aus einer Zeit von strukturierten Tabellendaten und prädiktiven Modellen stammen (Narrow AI). Es stellt sich daher die Frage in wie weit solch klassische Vorgehensmodelle für die Umsetzung LLM-basierter Anwendungen valide bleiben beziehungsweise welche Anpassungen für eine Erfolgreiche Umsetzung LLM-basierter Anwendungen nötig sind.

Ziel der Arbeit

Im Rahmen dieser Arbeit soll eine Systematic Literature Review (SLR) durchgeführt werden, um zu untersuchen, wie sich die Phasen des CRISP-DM-Modells für LLM-Projekte im industriellen Service-Kontext bereits verändert haben beziehungsweise verändern müssen.

Mögliche Schwerpunkte

Die Ausschreibung ist so konzipiert, dass verschiedene Studierende jeweils einzelne Phasen des CRISP-DM tiefgreifend analysieren können. Die Phasen des CRISP-DM:

1. Business Understanding
2. Data Understanding
3. Data preparation
4. Modeling
5. Evaluation
6. Deployment

Je nach Schwerpunkt der Arbeit werden initial zu unteruschende Forschungs- beziehungsweise Leitfragen definiert.

Aufgabeninhalte

• Durchführung einer strukturierten Literaturrecherche (z. B. via Scopus, Web of Science, IEEE Xplore).
• Identifikation von Anpassungsbedarfen des CRISP-DM-Modells für generative Wissensverarbeitung.
• Synthese der Ergebnisse: Welche Frameworks (z. B. FMDev, LLMOps) schlägt die Forschung als Nachfolger oder Ergänzung vor?
• Bezugnahme auf die spezifischen Herausforderungen im Maschinenbau beziehungsweise technischen Kundendienst (technische Komplexität, Sicherheit, Prompt Injection).

Vorkenntnisse

• Technischer Studiengang
• Idealerweise Vorkenntnisse bei der Durchführung von Literaturrechcherchen
• Interesse an Generativer KI, Knowledge Management und Prozessmodellen, idealerweise mit Vorkenntnis der technischen Hinterründe
• Strukturierte Arbeitsweise
• Gute Englisch-Kenntnisse für das Verständnis der Fachliteratur

Weitere Informationen auf Anfrage. Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf

Der Einsatz von Edge Computing gewinnt in vielen Bereichen an Bedeutung, da er die Datenverarbeitung näher an den Ort der Datenentstehung verlagert und damit Latenzen, Bandbreitenbedarf sowie Abhängigkeiten von Cloud-Verbindungen reduziert. Gleichzeitig steigen die Anforderungen an Automatisierung, Lifecycle Management und Fleet Operations, weil Edge-Knoten oft heterogen sind, in instabilen Netzen laufen und nur eingeschränkt an verteilten Ort gewartet werden können.

Ziel dieser studentischen Arbeit ist der Aufbau und die prototypische Evaluation einer self-managed Edge-Kubernetes-Referenzarchitektur (hub-and-spoke), die zunächst virtuelle Edge Devices (VMs auf Proxmox VE und/oder OpenStack) nutzt und später auf dedizierte Hardware übertragbar ist. Im Fokus steht eine reproduzierbare Day-0 Provisioning Pipeline via (i)PXE boot sowie first-boot configuration mit cloud-init und Ignition/Combustion (optional unter Nutzung von Matchbox). Darauf aufbauend sollen mehrere Linux- und Kubernetes-Cluster-Varianten automatisiert gestartet und zentral mit GitOps sowie Fleet-style Multi-Cluster Rollout verwaltet werden.

(Mögliche) Schwerpunkte der Arbeit:

• Design & Implementierung einer hub-and-spoke Referenzarchitektur für self-managed Edge Kubernetes (Management Cluster + Edge Spokes).
• Provisioning Pipeline: Klassisches (i)PXE, darauf aufbauendes Netboot mittels HTTPBoot via UEFI or U-Boot oder je nach BMC auch IPMI/Redfish, Profilverwaltung (optional Matchbox) und Konfiguration via Ignition/Combustion/cloud-init. Parallel dazu Lifecycle Management mittels Cluster API und entsprechendem Provider (z.B. CAPM3 (Metal³ im Falle OpenStack Ironic) oder CAPT (Tinkerbell im Falle von einfachem iPXE/Netboot))
• Definition von stabilen Cluster-Profilen (z.B. Talos Linux, openSUSE Leap Micro + k3s, Ubuntu + MicroK8s oder Debian + k0s) inkl. automatisiertem Bootstrap und Re-Provisioning (replaceable nodes).
• GitOps-gestützte Baseline: Standardisierte Installation von Add-ons (z. B. Longhorn, Ingress, Observability) über Argo CD oder Flux.
• Persistence & Registry Integration: Longhorn als persistence storage, Deployment-Pipeline über GitLab CI/CD, GitLab Container Registry, Harbor als Proxy Cache und Replication Bridge / Pull-Through Cache (ggf. zunächst lediglich GitLab Dependency Proxy für Docker Hub) und optional K3s Spegel.
• Dokumentation & Demonstrator: Nachvollziehbare Architektur-/Betriebsdokumentation, IaC/Automation in einem Git-Repository sowie eine Demo-Umgebung als Testbed für Forschung/Lehre.

Ausblick auf darauf aubauende Arbeiten:

• Erweiterung des Lifecycle Managements um Foreman und Katello.
• Fleet-style Multi-Cluster Rollout: Vergleich und Bewertung von Rancher Fleet, Argo CD ApplicationSet und Flux (optional Open Cluster Management (OCM) / Karmada) anhand definierter Kriterien (Drift, Skalierbarkeit, Multi-tenancy, Offline-Toleranz, Usability usw.).
• Integration und Reifegradbewertung von KubeEdge/OpenYurt oder LF Edge Komponenten (FIDO Device Onboard, EVE-OS, EdgeX Foundry) im Rahmen der bestehenden Architektur.

Wenn die ausgeschriebene Arbeit noch online ist, dann ist sie auch noch aktuell. Sollten Sie Interesse an der Arbeit haben, so kommen Sie bitte mittels einer E-Mail und einem kurzen Essay (ein One Pager genügt) auf mich zu. Sollten Sie eine intrinsische Motivation für ein angrenzendes oder ähnlichen Thema haben, so stellen Sie in Ihrer Anfrage bitte den Bezug zu meiner Ausschreibung dar.

Bitte stellen Sie die komplette Anfrage in deutscher Sprache, auch wenn Sie die Ausarbeitung in Englisch verfassen werden. Hintergrund ist, dass Sie sich in laufende Forschungsprojekte einbringen sowie mit den Projektpartnern (auch kleinere und mittelständische Unternehmen) austauschen können sollen und von diesen wird mehrheitlich eine Kommunikation auf Deutsch gewünscht.

Weitere Informationen erhalten Sie auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden und die Bearbeitung weitestgehend im Home-Office stattfinden.

Der Einsatz von Edge Computing gewinnt in vielen Bereichen an Bedeutung, da er die Datenverarbeitung näher an den Ort der Datenentstehung verlagert und damit Latenzen, Bandbreitenbedarf sowie Abhängigkeiten von Cloud-Verbindungen reduziert. Ein Mixed-SBC-Cluster, der verschiedene Single Board Computer (SBC) wie Nvidia Jetson, Raspberry Pi und verschiedene Hardwareerweiterungen umfasst, bietet eine ausgezeichnete Plattform, um die Herausforderungen und Möglichkeiten des Edge Computings zu erproben und zu demonstrieren.

Ziel ist die Entwicklung eines Mixed-SBC-Clusters für die Edge, der als experimentelle Plattform in industrienaher Forschung und für Lehrzwecke im Automatisierungsumfeld dient. Dieser Cluster soll die Heterogenität realer OT-Infrastrukturen bedienen und das Sammeln praktischer Erfahrungen mit Cluster-Management, verteilten Speichersystemen und der Integration von Erweiterungsmodulen (z.B. Funkmodul, Neural Processing Unit und Field Programmable Gate Array) eröffnen.

(Mögliche) Schwerpunkte der Arbeit:

• Aufbau und Konfiguration eines heterogenen SBC-Clusters für Edge Computing Szenarien.
• Einsatz eines Cluster-Management-Systems und Implementierung eines Service Mesh.
• Einsatz von Automatisierungswerkzeugen und Infrastruktur-as-Code (IaC) zur effizienten Verwaltung und Konfiguration.
• Implementierung eines Lifecycle-Managements des Betriebs bestehend aus Monitoring, Sicherung, Wartung und Aktualisierung.
• Integration von Storage-Lösungen und spezifischen Erweiterungsmodulen für verschiedene Anwendungsfälle.
• Integration in Anwendungsfälle der Automatisierungstechnik in industriellen Produktionsanlagen, der Gebäudeautomatisierung und insbesondere des Energiemanagements.
• Beitrag zum Transfer in die Lehre als Praktikumsversuch oder Übungseinheit

Wenn die ausgeschriebene Arbeit noch online ist, dann ist sie auch noch aktuell. Sollten Sie Interesse an der Arbeit haben, so kommen Sie bitte mittels einer E-Mail und einem kurzen Essay (ein One Pager genügt) auf mich zu. Sollten Sie eine intrinsische Motivation für ein angrenzendes oder ähnlichen Thema haben, so stellen Sie in Ihrer Anfrage bitte den Bezug zu meiner Ausschreibung dar.

Bitte stellen Sie die komplette Anfrage in deutscher Sprache, auch wenn Sie die Ausarbeitung in Englisch verfassen werden. Hintergrund ist, dass Sie sich in laufende Forschungsprojekte einbringen sowie mit den Projektpartnern (auch kleinere und mittelständische Unternehmen) austauschen können sollen und von diesen wird mehrheitlich eine Kommunikation auf Deutsch gewünscht.

Weitere Informationen erhalten Sie auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden und die Bearbeitung weitestgehend im Home-Office stattfinden.

Ausgangssituation

Die DC-Fabrik gilt als Schlüsselkonzept zukünftiger energieeffizienter und hochflexibler Produktionssysteme. Durch die Elektrifizierung vieler Verbraucher, die Einbindung erneuerbarer Energien sowie den Einsatz von Energiespeichern entstehen komplexe Energiestrukturen, die dynamisch gesteuert werden müssen. Multi-Agenten-Systeme (MAS) bieten hierfür einen vielversprechenden Ansatz, indem sie autonome und verteilte Entscheidungen realisieren. Für einen stabilen und effizienten Betrieb benötigt ein MAS jedoch robuste Kommunikationsmechanismen, die standardisiert, skalierbar und echtzeitnah sind. OPC UA hat sich als zentraler Industriestandard etabliert und ermöglicht einheitliche, sichere und semantisch klare Kommunikation zwischen verteilten Einheiten – ideal für die Agentenkommunikation in einer DC-Fabrik.

Ziel der Arbeit

Ziel dieser Arbeit ist die Konzeption, Entwicklung und Evaluation eines Kommunikationskonzeptes für ein Multi-Agenten-System in der DC-Fabrik auf Basis von OPC UA. Der Fokus liegt auf der Modellierung von Agenteninteraktionen, der damit verbundenen Informationsmodelle und der simulativen bzw. prototypischen Umsetzung der Kommunikation.

Erwartungen an Studierende

• Strukturierte, selbstständige Arbeitsweise
• Erfahrung im wissenschaftlichen Arbeiten sowie in der Durchführung von Literaturrecherchen
• Gute Dokumentationsfähigkeit
• Fortgeschrittene Kenntnisse in Python
• Grundkenntnisse KI, Multi-Agentensystemen oder maschinellem Lernen
• Erfahrung mit OPC UA oder agentenbasierten Modellen

Bewerbung

Bewerbungen bitte mit Exposé, Lebenslauf und aktueller Fächerübersicht per E-Mail an Luca.Werthmann@faps.fau.de

Kurzbeschreibung
Wir entwickeln einen Shopping Butler für Supermärkte: einen agentischen AI-Assistenten, der Nutzer:innen beim Online-Einkaufen unterstützt – von Rezept- und Gerichtsvorschlägen bis zur Produktauswahl und dem Befüllen des Warenkorbs. Der Butler soll embedded in die App/Website eines Supermarkts integriert werden (z. B. perspektivisch REWE Online, EDEKA, dm) – kein separater Chatbot, sondern Teil des Shopping-Erlebnisses.

In dieser Arbeit liegt der Fokus auf der kompletten Nutzerinteraktion (UX/Interaction): Voice-first Kommunikation, visuelle Unterstützung, Streaming/Realtime-Feedback und die transparente Darstellung agentischer Aktionen.

Ziel der Arbeit

Du entwickelst ein Interaction Layer-Konzept und setzt es als funktionierenden Prototypen um:

• Der Nutzer spricht mit dem Butler (Voice-first).

• Der Butler antwortet bevorzugt per Voice, mit optionalen visuellen Ergänzungen.

• Agentische Aktionen (z. B. Produktsuche, Filtern, “Add to cart”) werden im UI verständlich und vertrauenswürdig visualisiert.

• Die Interaktion fühlt sich flüssig an: Streaming, kurze Zwischenstände, gutes Turn-taking.

Aufgaben / Inhalte

• Konzeption und Implementierung eines embedded UI-Konzepts für einen Butler in einer Supermarkt-App/-Website
  (präsent, aber nicht störend; Shop bleibt sichtbar)

• Entwicklung von UI-Patterns für Agent Action Visualization
  (z. B. “zeigt/markiert” UI-Elemente, Status/Timeline, Confirmation/Undo, Sicherheit/Transparenz)

• Voice-first Interface: Mikrofon/Listening UI, Audio-Ausgabe, optionaler “Silent Mode” (Captions/Text-Cards)

• Streaming/Realtime UX: Integration von token-/event-basiertem Streaming aus dem Agent-Core (SSE/WebSockets), State Rendering

• Turn-taking verbessern: Ansätze vergleichen (z. B. Voice Activity Detection(VAD)/End-of-Utterance/Bar­ge-in) und einen Ansatz implementieren + evaluieren

• Integration in das bestehende System, das im Team bereits entwickelt wird

Technische Themen (Auswahl)

• Frontend Engineering (React oder Angular), State Management, Component Design

• Realtime/Streaming (SSE/WebSockets), event-driven UI

• Voice/Audio: WebAudio, VAD/End-of-utterance, STT/TTS APIs

• Schnittstelle zum Agent-Core: Streaming, Actions/Events, UI-Rendering

Was du mitbringen solltest (Must-have)

• Sehr gute Erfahrung mit Frontend/UI-Projekten (React oder Angular) – idealerweise an echten Produkten/Prototypen

• Sehr gute Software-Engineering-Basics: Git, saubere Code-Struktur, Debugging, Komponenten-Architektur

• Erfahrung mit Realtime UIs (WebSockets/SSE)

• Hohe Motivation, Ownership und Lust auf Teamarbeit und Integration in ein bestehendes System

• Sehr gute Deutsch- und/oder Englischkenntnisse in Wort und Schrift (mind. C-Niveau)

Nice-to-have

• Erfahrung mit Voice/Audio Processing oder Speech Interfaces (STT/TTS, VAD, Streaming Audio)

• Full-stack Verständnis (wie FE ↔ BE ↔ DB zusammenspielen)

• Erste Erfahrung mit LLMs/agentischen Systemen (Streaming Responses, Tool Events)

Was wir bieten

• Kompetentes, dynamisches Team mit hohem Anspruch und schneller Iteration

• Produktnahe Arbeit mit echtem Nutzerwert und klarer Anwendung

• Großer Gestaltungsspielraum im Interaction Layer

• Perspektive auf Weiterarbeit – je nach Fit auch im Ausgründungskontext

Kontakt

Schick uns kurz dein Profil (CV, Notenauszug, ggf. GitHub/Projektlinks) sowie 3–5 Sätze zu:

• Was hast du konkret schon im UI/Frontend gebaut?

• Was reizt dich an Voice-first Interaction & Realtime UX?

• Mini-Challenge: Skizziere kurz in 5–8 Bulletpoints dein UI-Konzept: Wie bleibt der Shop trotz Butler sichtbar, wie zeigt der Butler Aktionen, und wie sieht der “silent mode” aus?

Ansprechpartner:

Andreas Morello, M.Sc.

Kurzbeschreibung
Wir entwickeln einen Shopping Butler für Supermärkte: einen agentischen AI-Assistenten, der Nutzer:innen direkt beim Online-Einkaufen unterstützt – von Gerichts- und Rezeptvorschlägen bis zur Auswahl konkreter Produkte und dem Befüllen des Warenkorbs. Der Butler soll nicht als externer Service, sondern embedded in die App/Website eines Supermarkts integrierbar sein (z. B. perspektivisch REWE Online, EDEKA, dm).

Technisch setzen wir auf eine agentische Architektur (u. a. LangGraph) mit Fokus auf geringe Latenz, robuste Tool-Interfaces, und einen supermarkt-agnostischen Core, der später für unterschiedliche Supermärkte auslieferbar ist.

Zentraler Systemgedanke: Agnostische Daten + Händler-Adapter

Unser Butler kombiniert:

1. einen händlerunabhängigen Data/Knowledge-Layer (z. B. Rezeptdatenbank, Ernährungs-/Constraint-Logik, Präferenzen)

2. händlerspezifische Integrationen (Produktkatalog, Verfügbarkeit, Preise, Warenkorb)

Diese Arbeit adressiert die technische Schnittstelle zwischen Agent ↔ Daten ↔ Händler.

Dein Fokus in dieser Arbeit
Du kümmerst dich um die Anbindung von Online-Supermärkten an den Agenten – aber nicht als “reine Integration”, sondern als AI-orientiertes Tool- und Interface-Design: Welche Daten und Aktionen braucht ein Agent wirklich, wie müssen Tool-Interfaces aussehen, wie modelliert man Produktdaten robust, und welche Schnittstellen muss ein Händler bereitstellen?

Aufgaben / Inhalte

A) Agnostischer Data & Knowledge Layer

• Konzeption eines Schemas für Rezept-/Meal-Daten (Zutaten, Mengen, Tags, Allergene, Ernährungsziele, Kostenindikatoren, Substitutionslogik)

• Aufbau einer Datenpipeline (Import/Normalization/Validation), sodass Daten versioniert und erweiterbar bleiben

• Entwurf eines Retrieval-Konzepts (RAG): welche Felder werden indexiert, wie wird gesucht (z. B. nach “high protein, vegan, 20 min, günstig”), wie werden Quellen zurückgeführt

• Qualitäts-/Evaluationsmethoden: Konsistenzchecks, Coverage, Retrieval-Qualität

B) Händler-Integration als Agent-Tools

• Entwurf eines kanonischen Retail-Interfaces (Tool-Design) für agentische Systeme
  (Produktsuche, Produktdetails, Preis/Verfügbarkeit, Alternativen, Warenkorb-Aktionen)

• Definition von Mapping-Strategien: Zutaten aus Rezepten → passende Händlerprodukte (Einheiten, Packungsgrößen, Synonyme, Kategorien)

• Implementierung von Connectoren/Adaptern für mind. 1 Händler (oder realistischer Mock) + Erweiterbarkeit auf weitere

• Low-Latency & Robustheit: Caching, Timeouts, Retries, Observability

C) Systemdesign & Produktisierung

• Modularer Aufbau (agnostischer Core + Adapter), klare Schnittstellen und Datenverträge

• Analyse: Welche Schnittstellen muss ein Händler bereitstellen (APIs, Events, ggf. MCP-ähnliche Tool-Gateways)?

Technische Themen (Auswahl)

• Daten: Schema-Design, Pipelines, Validierung, Indexing, Retrieval/RAG

• Backend/Integration: REST/GraphQL/MCP, Auth, Rate Limits, Fehlerbehandlung

• Systemdesign: Multi-Customer-Architektur, Observability, Performance

Was du mitbringen solltest (Must-have)

• Master-Studium im Bereich AI oder verwandten Feldern

• Starkes Backend- & Datenverständnis (Schemas, saubere Schnittstellen, Datenqualität)

• Sehr gute Software-Engineering-Basics: Git, strukturierter Code, Debugging, Tests (Grundlagen)

• Full-stack Verständnis (wie FE ↔ BE ↔ DB zusammenspielt)

• Hohe Eigenmotivation: du arbeitest gern hands-on, lieferst Ergebnisse, übernimmst Ownership und hast Lust auf ein ambitioniertes, reales Projekt

• Sehr gute Deutsch- und/oder Englischkenntnisse in Wort und Schrift (mind. C-Niveau)

Nice-to-have

• Erste Erfahrung mit LLMs/Agenten (Tools, Prompting, LangChain/LangGraph o. ä.)

• Erfahrung mit API-Design, Datenmodellierung, Integrationen

• Schon mal ein Produkt/Prototyp “from scratch” gebaut

Was wir bieten

• Ein kompetentes, dynamisches Team mit hohem Anspruch und schneller Iteration

• Produktnahe Forschung: Arbeit an einem produktnahen Projekt (Transfer/Anwendung klar im Fokus)

• Hoher Gestaltungsspielraum: du definierst Interfaces, die später als Standard für Integrationen dienen können

• Perspektive auf Weiterarbeit – je nach Fit und Projektphase auch im Gründungskontext

Rahmen

• Start: ab sofort / nach Absprache

• Umfang: Masterarbeit

• Ort: (Lehrstuhl/Hybrid) nach Absprache, Regeltermine

Kontakt

Schick uns kurz dein Profil (CV, aktueller Notenauszug, ggf. GitHub/Projektlinks) sowie 3–5 kurze Sätze zu:

• Was hast du konkret schon gebaut oder umgesetzt?
  (z. B. Projekte, Systeme, Prototypen, Integrationen)

• Was interessiert dich an agentischen Systemen, Daten & Integrationen in diesem Projekt?

• Mini-Challenge: Skizziere kurz (5-8 Bulletpoints), wie du Zutaten aus einer Rezeptdatenbank auf konkrete Supermarktprodukte mappen würdest (inkl. Einheiten, Packungsgrößen und Alternativen).

Ansprechpartner:

Andreas Morello, M.Sc.

Motivation & Hintergrund

Die Erreichung des globalen 1,5-Grad-Ziels des Pariser Klimaabkommens erfordert eine massive Transformation hin zu einer nachhaltigen Wirtschaft und die schnelle Skalierung grüner Technologien. Trotz des wachsenden Bewusstseins für Klimaschutz und Nachhaltigkeit ist die Finanzierung vieler klimapolitisch sinnvoller Innovationen und Projekte noch unzureichend. Es stellt sich die drängende Frage, welche Finanzierungsinstrumente bereits existieren, wo deren Grenzen liegen und warum nicht alle notwendigen grünen Technologien im erforderlichen Umfang finanziert werden. Der Finanzsektor spielt hierbei eine entscheidende Rolle als Katalysator oder Hemmschuh für den Übergang zu einer kohlenstoffarmen Zukunft.

Diese Masterarbeit entsteht in Kooperation mit einem Unternehmen, das ein tiefes Interesse daran hat, die Landschaft der grünen Finanzierung zu verstehen, um eigene Strategien und Investitionsentscheidungen zu optimieren. Die Arbeit wird als selbstständige, wissenschaftliche Literaturrecherche durchgeführt und bietet die Möglichkeit, einen kritischen Beitrag zur aktuellen Debatte um Klimafinanzierung zu leisten.

Das Thema ist für Masterstudierende von hoher Relevanz und anspruchsvoll. Es verlangt nicht nur ein fundiertes Verständnis der Finanzmärkte und ihrer Produkte, sondern auch ein kritisches Urteilsvermögen bezüglich deren Effektivität im Kontext globaler Klimaziele. Die systematische Anwendung einer etablierten Forschungsmethodik wie PRISMA sowie die Fähigkeit, komplexe Zusammenhänge zwischen Finanzinnovationen und Klimaschutz darzustellen, machen diese Arbeit zu einer wertvollen akademischen und praktischen Herausforderung.

 

Ziel der Arbeit

Das übergeordnete Ziel dieser Masterarbeit ist die systematische Identifikation, Kategorisierung und kritische Bewertung globaler Finanzprodukte, die zur Finanzierung grüner Technologien eingesetzt werden.

Mithilfe einer umfassenden Literaturrecherche nach der PRISMA-Methode sollen die charakteristischen Merkmale, Anwendungsbereiche und Wirkungsweisen dieser Finanzinstrumente herausgearbeitet werden. Ein zentrales Anliegen ist es, die konkreten Hebel zu identifizieren, die diese Produkte zur Förderung grüner Technologien nutzen, sowie die bestehenden Limitationen und Finanzierungslücken aufzuzeigen, die der Erreichung des 1,5-Grad-Ziels entgegenstehen. Die Arbeit soll somit eine fundierte Basis für die Entwicklung zukünftiger Strategien zur effektiveren Klimafinanzierung schaffen.

Der Fokus der Arbeit liegt primär auf der Methodenentwicklung (systematische Anwendung der PRISMA-Methode) und der empirischen Analyse der identifizierten Finanzprodukte und ihrer Charakteristika, ergänzt durch eine kritische Bewertung ihrer Wirksamkeit.

 

Aufgabenstellung

 

Die Masterarbeit umfasst folgende Hauptaufgabenblöcke:

1. Konzeption der systematischen Literaturrecherche nach PRISMA o.Ä.:
   • Definition der Forschungsfrage(n) und relevanter Schlüsselbegriffe für die Literaturrecherche.
   • Entwicklung eines detaillierten Suchprotokolls gemäß der PRISMA-Methodik, einschließlich der Auswahl geeigneter wissenschaftlicher Datenbanken (z.B. Web of Science, Scopus, Google Scholar, sowie ggf. spezifische Finanzdatenbanken wie Bloomberg Terminal oder Refinitiv Eikon).
   • Festlegung von Ein- und Ausschlusskriterien für die zu analysierenden Publikationen und Finanzprodukte.
2. Durchführung der systematischen Literaturrecherche und Datenerhebung:
   • Systematische Durchführung der Literaturrecherche anhand des entwickelten Suchprotokolls (Identifikation, Screening, Prüfung der Eignung).
   • Extraktion relevanter Informationen aus den identifizierten Publikationen, um die Finanzprodukte für grüne Technologien detailliert zu beschreiben. Dies umfasst: Art des Finanzprodukts, Zieltechnologien, geografischer Fokus, Volumen, beteiligte Akteure, Wirkungsmechanismen, identifizierte Erfolgsfaktoren und Herausforderungen.
   • Dokumentation des gesamten Prozesses, inklusive der Anzahl der identifizierten, gescreenten und eingeschlossenen Artikel, gemäß PRISMA-Flow-Diagramm.
3. Analyse und Kategorisierung der Finanzprodukte:
   • Kategorisierung der identifizierten Finanzprodukte basierend auf ihren Charakteristika, Wirkungsweisen und Zielsetzungen (z.B. nach Art der Finanzierung, Risikoprofil, Sektorbezug).
   • Detaillierte Ausarbeitung, worin sich die Produkte unterscheiden, ergänzen oder ähneln.
   • Identifikation der konkreten “Hebel”, die diese Finanzprodukte nutzen, um die Entwicklung und Skalierung grüner Technologien zu fördern (z.B. Risikoteilung, Anreize, Kapitalmobilisierung).
   • Analyse des globalen Marktes und regionaler Besonderheiten, auch wenn viele Fonds regional beschränkt sind.
4. Kritische Bewertung und Identifikation von Finanzierungslücken:
   • Kritische Bewertung der Effektivität und Reichweite der identifizierten Finanzprodukte im Hinblick auf die Erreichung des 1,5-Grad-Ziels.
   • Identifikation von Bereichen, in denen die aktuelle Finanzierungslandschaft Lücken aufweist oder unzureichend ist, um klimapolitisch sinnvolle Technologien im erforderlichen Maße zu finanzieren.
   • Analyse der Ursachen für diese Lücken (z.B. Marktversagen, regulatorische Hürden, Wahrnehmung von Risiken, fehlende Anreize).
5. Ableitung von Handlungsempfehlungen:
   • Formulierung von fundierten Handlungsempfehlungen für Unternehmen, Investoren, politische Entscheidungsträger und Technologieentwickler, um die Finanzierung grüner Technologien zu optimieren und bestehende Lücken zu schließen.
   • Vorschläge für die Weiterentwicklung bestehender oder die Schaffung neuer Finanzinstrumente.

 

Erwarteter Output

Die Masterarbeit soll folgende Ergebnisse liefern:

• Schriftliche Masterarbeit: Eine wissenschaftliche Ausarbeitung, die die Motivation, die detaillierte Methodik (PRISMA-Protokoll und -Durchführung), die Analyse der Finanzprodukte, die kritische Bewertung und die abgeleiteten Handlungsempfehlungen darlegt.
• PRISMA-Flow-Diagramm: Eine grafische Darstellung des Rechercheprozesses.
• Strukturierte Datenbank/Übersicht: Eine detaillierte und kategorisierte Übersicht der identifizierten Finanzprodukte (z.B. in Excel oder einem vergleichbaren Format), die deren wesentliche Merkmale und Wirkungsweisen zusammenfasst.
• Visualisierungen: Klare und aussagekräftige grafische Darstellungen der Ergebnisse (z.B. tabellarische Übersichten, vergleichende Matrizen, Flussdiagramme von Finanzierungsströmen oder Netzwerkdiagramme), die die Vielfalt, Überschneidungen und Lücken der Finanzprodukte illustrieren. Hierfür können gängige Tools wie Excel, PowerPoint oder bei Bedarf Python/R-Bibliotheken genutzt werden.
• Praxisempfehlungen: Konkrete und umsetzbare Empfehlungen zur Verbesserung der Finanzierung grüner Technologien.

 

Zielgruppe & Anforderungen

Diese Masterarbeit richtet sich an engagierte Studierende der folgenden Studiengänge:

• Wirtschaftswissenschaften
• Wirtschaftsingenieurwesen
• MBA-Programme
• oder verwandte Studienrichtungen mit wirtschaftlichem Fokus

Erforderliche Kenntnisse und Fähigkeiten:

• Ausgeprägte analytische Fähigkeiten und ein kritisches Urteilsvermögen.
• Erfahrung mit wissenschaftlichen Datenbanken (z.B. Web of Science, Scopus) und idealerweise Kenntnisse im Umgang mit Finanzdatenbanken (z.B. Bloomberg Terminal, Refinitiv Eikon) oder die Bereitschaft, sich diese anzueignen.
• Kenntnisse in Literaturverwaltungssoftware (z.B. Citavi, EndNote, Zotero) sind von Vorteil.
• Interesse an Finanzmärkten, grünen Technologien, Klimaschutz und datenbasierter Entscheidungsunterstützung.

Soft Skills:

• Analytisches Denkvermögen und Problemlösungskompetenz.
• Selbstständige, strukturierte Arbeitsweise und hohe Eigeninitiative.
• Exzellente Kommunikationsfähigkeiten in Wort und Schrift (für die wissenschaftliche Ausarbeitung und Präsentation).
• Sehr gute Deutsch- und gute Englischkenntnisse in Wort und Schrift.

 

Rahmenbedingungen

• Dauer: Die Bearbeitungszeit für die Masterarbeit beträgt 6 Monate.
• Beginn: Der Beginn der Arbeit ist nach Absprache flexibel gestaltbar.
• Betreuung: Die Studierenden erhalten eine enge und fachkundige Betreuung durch erfahrene Forschende.
• Projektkontext: Die Arbeit ist in einen aktuellen, praxisnahen Forschungskontext mit industriellem Anwendungsbezug eingebunden.
• Ressourcen: Notwendige Hardware- und Software-Ressourcen entsprechen den gängigen Lösungen der Universität, einschließlich Zugang zu wissenschaftlichen Datenbanken und Standardsoftware für Datenanalyse und Textverarbeitung.

Arbeitsweise: Die Arbeitsweise kann flexibel gestaltet werden (Hybrid-Modell oder Remote-Arbeit nach Absprache), wobei regelmäßige Abstimmungen und der Austausch mit dem Betreuungsteam sichergestellt sind.

Background

Modern production and supply networks span multiple continents, combining various transport modes (road, sea, rail, air). Understanding the geographical structure, costs, and environmental impacts of these logistics routes is key to designing resilient and sustainable global value chains. This thesis contributes to a research project on modeling and optimizing international production networks. The focus lies on geo-spatial modeling of transport flows, calculation of transport costs and emissions, and interactive visualization of global supply routes.

Objectives

Develop a geo-based Python model that:

• Maps realistic transport routes between global production and assembly sites,
• Calculates transport distances, costs, and CO₂ emissions based on real data,
• Visualizes results interactively on a world map (e.g., using folium or geopandas).

Main Tasks

Data Collection and Preparation

• Identify suitable open geospatial datasets (e.g., Global Shipping Lanes, OpenStreetMap).
• Gather emission and transport cost factors (e.g., from the GLEC Framework).

Model Development

• Implement routing and distance calculations for combined transport modes.
• Compute costs and CO₂ emissions for selected routes or network scenarios.

Visualization and Analysis

• Create an interactive geo-visualization of the modeled network.
• Document assumptions, data sources, and main findings.

Requirements

• Ongoing studies at FAU
• Good programming skills in Python
• Experience with data analysis and mapping tools (pandas, geopandas, folium) preferred
• Interest in global production networks, sustainability, and data-driven modeling

Tools / Frameworks

• Python (pandas, geopandas, folium, shapely)
• Open geospatial data (OpenStreetMap, Global Shipping Lanes, etc.)
• Emission frameworks such as GLEC Framework

Type of Thesis

• Final Thesis (Bachelor / Master)
• Type: Theoretical thesis / Systematic literature review
• Start date: flexible

Please send your complete application documents (short cover letter, work/internship certificates, and current transcript of records) to: baris.albayrak@faps.fau.de

 

I look forward to hearing from you!

Ausgangssituation

Produzierende Unternehmen sehen sich zunehmend externen Schocks ausgesetzt, etwa durch geopolitische Ereignisse, Naturereignisse, Marktveränderungen oder externe IT-Störungen. Diese beeinflussen Lieferketten und Produktionsprozesse oft unmittelbar, sind jedoch in vielen Fällen bereits frühzeitig in Daten erkennbar. Ein systematisches, interorganisationales Frühwarnkonzept ist in der Praxis jedoch selten vorhanden.

Aufgabenstellung

Ziel der Arbeit ist die Entwicklung eines Risikofrühwarn-Frameworks, das Unternehmen bei der Erkennung und Bewertung externer Schocks unterstützt. Ergänzend soll ein Python-basierter Prototyp entstehen, der anhand von Dummy- oder Open-Data zentrale Frühindikatoren visualisiert und eine interaktive Entscheidungsunterstützung ermöglicht.

Die Arbeit gliedert sich grob wie folgt:

1. Analyse bestehender Ansätze zu externen Schocks, Supply-Chain-Risiken und relevanten Datenquellen.
2. Kategorisierung externer Schockarten und Identifikation typischer Frühindikatoren.
3. Entwicklung eines interorganisationalen Risikofrühwarn-Frameworks mit klaren Rollen, Prozessen und Datenflüssen.
4. Entwicklung eines Python-Dashboards (Decision-Support) zur Visualisierung und Szenarienanalyse.
5. Demonstration und Evaluation anhand ausgewählter Beispielschocks.

Vorkenntnisse/Voraussetzungen:

• Interesse an Risiko-, Lieferketten- oder Produktionsmanagement
• Fähigkeit zu wissenschaftlicher Analyse und Modellbildung
• Grundkenntnisse in Python (Datenanalyse / Visualisierung)
• Strukturierte und selbstständige Arbeitsweise

Tools / Frameworks:

Python, Jupyter Notebook oder VS Code; optional Process-Mining- oder ML-Bibliotheken.
Methodischer Rahmen: Design Science Research

Type of Thesis:

Masterarbeit (ca. 6 Monate)
Framework-Entwicklung mit prototypischer Umsetzung.

Studiengänge:

Wirtschaftsingenieurwesen, Maschinenbau, Wirtschaftsinformatik, Informatik, Data Science, Artificial Intelligence, Mechatronik.

Bewerbung:

Die Arbeit kann ab sofort bearbeitet werden. Bewerbungen bitte per Mail mit Lebenslauf und aktuellem Notenauszug an untenstehenden Kontakt, Adrian Müller mit Baris Albayrak in CC, richten.