ºÚÁÏ´«ËÍÃÅ

Big Data Analytics & (Gen)AI:

Unternehmen und Organisationen verfügen heute über große und stetig wachsende Datenmengen, etwa aus sozialen Medien, dem Internet, Datenbanken, dem Kundenkontakt oder dem Personalmanagement; auch in Bereichen wie dem Profisport entstehen durch Spiel- und Trackingdaten umfangreiche Datensätze. Da ein Großteil dieser Informationen unstrukturiert vorliegt (z. B. Bilder, Videos oder Texte), sind automatisierte Analysemethoden erforderlich. Im Themenfeld Big Data Analytics & (Gen)AI werden daher Einsatzmöglichkeiten und Nutzen von Methoden der Künstlichen Intelligenz, einschließlich Generativer KI, zur Analyse solcher Daten untersucht, während Explainable Artificial Intelligence (XAI) die Nachvollziehbarkeit dieser Methoden adressiert. Beispielsweise in den folgenden Projekten:

• Automatisierung des Posteingangs in der Versicherungsbranche
• Bewertung von Spieleraktionen im Fußball
• Einsatz humanoider Roboter im Kundenservice
• Future Skills und Kompetenzen der Zukunft
• GenAI in der Wissensarbeit
• Information Extraction
• (Teil-)Automatisierung des Onlinekundenservice

¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù:

Viele der immer größer werdenden Menge an Daten in Unternehmen ist durch eine geringe ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù gekennzeichnet. Dadurch entstehen hohe wirtschaftliche Schäden. Mangelnde ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù stellt allerdings nicht nur in Unternehmen ein großes Problem dar – auch in Politik und Gesellschaft steigt in Zeiten von „Fake News“ der Bedarf an zuverlässigen Informationen. Deshalb werden quantitative Methoden zur Messung, Steuerung und Verbesserung der ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù benötigt.

Besonders kritisch ist diese Problematik im Zeitalter der Künstlichen Intelligenz (KI), da mangelhafte ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù unmittelbar zu Unsicherheit führt. Werden Unsicherheiten in KI-Prognosen ignoriert – etwa durch das Ersetzen fehlender Werte mit Durchschnittswerten –, entstehen häufig übermäßig selbstsichere und teils inkorrekte Empfehlungen. Für menschliche Entscheidungsträger in Mensch-KI-Teams birgt dies erhebliche Risiken: Eine trügerische Sicherheit kann zu unangebrachtem Vertrauen (Overreliance) und Fehlentscheidungen führen. Um KI verantwortungsvoll und vertrauenswürdig einzusetzen, müssen Unsicherheiten aus ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ùsdefekten daher quantitativ erfasst, transparent dargestellt und offengelegt werden.

Dies geschieht in diesen Forschungsprojekten:

• ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù in der Automobilbranche
• ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù in Nutzer-generierten Inhalten (DQNGI)
• ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù in User-Generated Content (DQUGC)
• ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ùsmessung und -maßnahmen bei Wikis und Knowledge Graphen (DQMM@Wiki)
• Messung und Verbesserung der ¶Ù²¹³Ù±ð²Ô±ç³Ü²¹±ô¾±³Ùä³Ù in unstrukturierten Daten (DQMM)
• Unsicherheiten sichtbar machen: Uncertainty-aware AI

Explainable AI

Künstliche Intelligenz (KI) spielt eine zunehmend wichtige Rolle in unserem Alltag – von Chatbots und Spam-Filtern bis hin zu Betrugserkennung oder Marketinganalysen in Unternehmen. Trotz der großen Potenziale stehen KI-Systeme besonders in Bereichen mit kritischen Entscheidungen, etwa im Controlling oder bei der Kreditvergabe, unter besonderer Beobachtung. Ein zentraler Grund dafür ist ihre oft geringe Transparenz. Studien zeigen, dass viele Europäerinnen KI-Entscheidungen mit Skepsis begegnen – selbst dann, wenn diese nachweislich bessere Ergebnisse liefern als menschliche Expertinnen. Das Forschungsfeld Explainable AI (XAI) setzt genau hier an und entwickelt Methoden, um die Funktionsweise und Ergebnisse von KI-Systemen für Menschen nachvollziehbar zu machen. Dies geschieht bspw. in den folgenden Projekten:

• Erklärbare KI im Controlling
• Guess the city
• Persönlicher Inflationsrechner
• Review-basierte Erklärungen für Empfehlungen im E-Commerce
• Skill-Kompass
• XAI Demonstrator
• XAI Studio
• XAI-as-a-Service (XAIaaS)
• XAI in der Weiterbildung (XPERT)
• XAI und Human-in-the-Loop (X-Loop)

Social Impact of Information Systems

Moderne Informationssysteme schaffen nicht nur wirtschaftlichen Mehrwert, sondern können auch zur Lösung gesellschaftlicher Herausforderungen beitragen. Unsere Forschung zum Social Impact of Information Systems beschäftigt sich mit Themen wie Arbeitslosigkeit, Fachkräftemangel, Integration und Demokratiestärkung. Studien zeigen beispielsweise, dass digitale Anwendungen die Bemühungen jugendlicher Arbeitssuchender unterstützen und insbesondere Online-Peer-Gruppen (digitale Selbsthilfegruppen) in verschiedenen Kontexten – etwa bei Arbeitslosigkeit, Berufsorientierung oder der Integration von Geflüchteten – einen wichtigen Beitrag leisten. Vorteile digitaler Systeme sind dabei vor allem zeitliche und räumliche Flexibilität sowie die Möglichkeit eines anonymen und geschützten Austauschs. Auch Künstliche Intelligenz kann soziale Innovation fördern, etwa durch skalierbare und personalisierte Beratung. Dazu forschen wir in folgenden Projekten:

• Bias und Fairness von KI
• Digitale Peer-Gruppen für Ältere (DIGIPEG)
• Erklärbare KI zum Lernen über digitale Desinformation (EKILED)
• Machbarkeits­studie „App-basierte Peer-Gruppen-Beratung“
• Smart Integration

Mathias Klier und sein Team sind Autoren zahlreicher Beiträge in Büchern und Fachzeitschriften wie beispielsweise ACM Journal of Data and Information Quality, Decision Support Systems, Electronic Markets, European Journal of Information Systems, Journal of Management Information Systems und Management Information Systems Quarterly. Des Weiteren hat er die Ergebnisse seiner Arbeiten auf internationalen wissenschaftlichen Konferenzen wie zum Beispiel European Conference on Information Systems (ECIS), International Conference on Information Systems (ICIS) oder Internationale Tagung Wirtschaftsinformatik (WI) ±è°ùä²õ±ð²Ô³Ù¾±±ð°ù³Ù.

Hier geht es zum Publikationsverzeichnis.