Motivation

In fast allen Wirtschaftszweigen sind Unternehmen bestrebt, KI basierende Anwendungen zu implementieren, um von einer datengestützten Entscheidungsfindung, optimierten/automatisierten Prozessen oder auf Kundenbedürfnisse zugeschnittene Dienstleistungen zu profitieren. Für das Training leistungsstarker und robuster KI-Modelle, insbesondere tiefer neuronaler Netze, werden große Mengen qualitativ hochwertiger und vielfältiger Trainingsdaten benötigt, über die einzelne Unternehmen oftmals nicht selbst verfügen, sondern über Unternehmen hinweg verteilt sind. Die Zentralisierung und gemeinsame Nutzung von Daten durch mehrere Unternehmen kann dazu beitragen, dieses Problem zu beheben, birgt aber das Risiko, dass sensible Geschäftsinformationen preisgegeben werden oder, wenn es sich um personenbezogene Daten handelt, gesetzliche Vorschriften wie die Datenschutzgrundverordnung (DSGVO) verletzt werden. Föderales Lernen, das ursprünglich für das dezentrale Training von KI-Modellen auf Mobilgeräten entwickelt wurde, bietet neue Möglichkeiten für die unternehmensübergreifende Zusammenarbeit durch gemeinsames Training von KI-Modellen, ohne dafür die zugrunde liegenden Rohdaten offenzulegen und zu zentralisieren.

Zielsetzung

Ziel der Arbeit ist es, das Wertschöpfungspotenzial des Trainings von KI-Modellen in föderalen Netzwerken für einzelne Unternehmen zu verstehen. Dazu sollen Faktoren, die den individuellen Wert der Zusammenarbeit beeinflussen, identifiziert und quantifiziert werden.

Aufgabenstellung

Ziel der Arbeit ist die Untersuchung einer abweichenden Datenqualität beim föderalen Lernen auf die Modellqualität. Dafür sollen frei verfügbare Benchmark-Datensätze ausgewählt und Analogien zur Produktion definiert werden. Darauf aufbauend sollen sowohl konventionell als auch föderal Modelle entwickelt werden. Ein entscheidender Aspekt ist die gezielte Manipulation der Datensätze, um die Datenqualität zu verändern.

Die Arbeit kann folgende Schwerpunkte enthalten:

1. Literaturübersicht über unternehmens- und netzwerkbezogene Faktoren, die den individuellen Wert der Zusammenarbeit in föderalen Netzwerken beeinflussen.

2. Quantifizierung der identifizierten Faktoren in Bezug auf den individuellen Wert der Zusammenarbeit:

• Auswahl eines oder mehrere Anwendungsfälle, zusammen mit geeigneten Benchmark-Datensätzen und Algorithmen.
• Definition verschiedener föderaler Netzwerkumgebungen und unterschiedlicher Unternehmensbedingungen entsprechend der identifizierten Einflussfaktoren.
• Manipulation der föderalen Netzwerkumgebungen und Unternehmensbedingungen, um die Leistung von lokalen/isolierten Modellen mit dem föderalen Modell zu vergleichen und Unterschiede im individuellen Wert der Zusammenarbeit zu quantifizieren.

Weitere Infos auf Anfrage. Die Aufgabenstellung kann in Abhängigkeit der Arbeit (BA/PA/MA) angepasst werden und zu großen Teilen remote durchgeführt werden. Eine Bearbeitung ist in deutscher und englischer Sprache möglich.
Die Arbeit wird in Kooperation mit der Management Intelligence Research Group betreut (Kontaktperson: Kristina Müller)

Kategorien:

Kontakt: