Digitale Transformation

Der Forschungsschwerpunkt wendet sich Herausforderungen zu, die durch die zunehmende Digitalisierung unserer Gesellschaft und Wirtschaft aufgeworfen werden. Insbesondere die Verbindung von Management und Technologie stellt den Ausgangspunkt unserer Forschungsarbeit dar. Hintergrund ist die verstärkte Verfügbarkeit großer Datenmengen und die damit einhergehenden analytischen Herausforderungen, der Aufstieg neuartiger Mensch-Maschinen Interaktionsmodi und deren Einfluss auf soziale und berufliche Praxis, die laufende Durchdringung von Enterprise IT-Systemen und deren Auswirkungen auf Geschäftsprozesse, Audit- und Compliance-Richtlinien, sowie die mit all dem verbundenen Veränderungen am Arbeitsmarkt und die daraus resultierenden Anforderungen an zukünftige Mitarbeiter. Wir entwickeln theoriegeleitete, praxisnahe Lösungen für unsere Wirtschaft.

 

Digital Analytics

Das Digital Analytics Team beschäftigt sich mit der Erfassung, Speicherung, Vorbereitung und Analyse von Daten. Die fortlaufende Digitalisierung von Produkten, Prozessen aber auch von Dienstleistungen bietet innovativen Unternehmen die einmalige Gelegenheit neue Geschäftsmodelle, Produktionsprozesse sowie Produkte zu entwickeln. Daten gewinnen dabei immer mehr an Bedeutung. Diese potentiellen Wettbewerbsvorteile können allerdings nur dann umfassend generiert werden, wenn diese Daten in geeigneter Weise gespeichert, verarbeitet und analysiert werden. Das Digital Analytics Team beschäftigt sich daher mit verschiedene Methoden und Werkzeugen zum Management von Daten und wie diese von modernen Unternehmen dazu genutzt werden können, zukünftige Produktportfolios bestmöglich zu gestalten.

 

Digital Interaction

Das Digital Interaction Team erforscht unterschiedliche Arten der Mensch-Technologie-Interaktion und deren Auswirkungen auf soziale Phänomene des Alltags. Relevante Fragestellungen finden sich beispielsweise in der Benutzerfreundlichkeit von und Erfahrung mit sozialen und webbasierten Diensten, in der Akzeptanz von unterstützenden Technologien, oder im derzeit vorhandenen Vertrauen in intelligente Systeme. Das Ziel des Digital Interaction Teams ist es einerseits als Wissensdrehscheibe für lokale KMU‘s wahrgenommen zu werden, andererseits aber auch als kompetenter Akteur in der akademischen Gemeinschaft aufzutreten.  Dazu wird ein starker Fokus auf die Präsentation von Forschungsergebnissen in angesehenen Konferenzen und Fachzeitschriften sowie auf das Ausrichten themenrelevanter Veranstaltungen gelegt.

 

Digital Governance

Das Digital Governance Team verbindet Konformität mit Leistung und befasst sich mit der Frage, wie Unternehmens-IT bestmöglich kontrolliert und verwaltet werden kann, so dass Regulierungen eingehalten, Werte auf Share- und Stakeholder übertragen, Verbindungen zu den gesamten Geschäftsprozessen aufgezeigt, und Risiken entsprechend verstanden und minimiert werden. Ziel ist es somit die Einhaltung externer und interner Richtlinien, Entscheidungen und Rahmenbedingungen zu optimieren, und damit sowohl bei Unternehmen wie auch bei Prüfungsgesellschaften einen messbaren Mehrwert zu schaffen.

 

Digital Work & Education

Das Digital Work & Education Team vereint unterschiedliche Themen im Kontext der sich verändernden Arbeitswelt. Es befasst sich mit Fragen im Zusammenhang mit der Schaffung und Verlagerung von Arbeitsplätzen, dem Ausbau und der Veränderung von notwendigen Qualifikationen, sowie zukunftsorientierten Ausbildungskonzepten. Außerdem sind Themen wie Talent-Diversity, sich verändernde Arbeitsprozesse, sowie notwendige Veränderungen von Führungs- und Teamprozessen Gegenstand der Forschung. Es soll somit dazu beitragen der Gesellschaft, Organisationen und Individuen dabei zu helfen proaktiv mit den aktuellen und anhaltenden Veränderungen in der Arbeitswelt umgehen zu können.

 

Kontakt
Peter J. Mirski
FH-Prof. Dr. Peter J. Mirski Leiter Department & Studiengang

Bei Fragen zum Forschungsschwerpunkt kontaktieren Sie uns unter:
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!


Game Over Eva(sion): Sicheres Deep Learning mit Spieltheorie
Laufzeit:
2019 - 2021

ProjektmitarbeiterInnen:
Alexander Monz, BA MA

Projektbeschreibung:
Das Projekt "Game Over Eva(sion):Sicheres Deep Learning mit Spieltheorie" zielt darauf ab, Klassifizierer die auf sogenanntem Deep Learning basieren gegen gezielte Angriffe zu schützen. Diese Klassifizierer sind sowohl in der wissenschaftlichen Forschung als auch im praktischen Einsatz sehr weit verbreitet. Unter anderem nutzen selbstfahrende Autos, Smartphones und digitale persönliche Assistenten diese Art von Algorithmen. Leider hat die Forschung in letzter Zeit gezeigt, dass Deep Learning- Klassifizierer sehr anfällig für strategische Angriffe sind. Vor allem die sogenannten Evasion-Angriffe, bei denen ein Angreifer es schaffen kann, durch sehr kleine Änderungen ein Objekt völlig falsch klassifizieren zu lassen, stellen ein ungelöstes Problem für fast alle Deep Learning-Klassifizierer dar. Wir modellieren den Wettbewerb zwischen einem Angreifer welcher Evasion-Angriffe durchführt und einem Verteidiger, der einen robusten Deep Learning-Klassifizierer trainieren möchte mithilfe der Spieltheorie. Dazu werden wir in einem ersten Schritt erörtern welche Konzepte aus verwandten Disziplinen wie der Angreifer-antizipierenden Klassifikation auf den Bereich des Deep Learning angewandt werden können. Desweiteren werden wir ein spieltheoretisches Model entwickeln um die Abhängigkeiten von Angriffstaktik und Verteidigungstaktik erfassen zu können. Im Laufe des Projekts versprechen wir uns die ersten theoretisch fundierten Ergebnisse zur allgemein erreichbaren Sicherheit solcher Klassifizierer überhaupt. Zudem können wir bisherige, größtenteils heuristisch hergeleitete Verteidigungsmaßnahmen auf ihre Optimalität überprüfen. Letztendlich wollen wir die wesentlichen Eigenschaften unserer theoretischen Analysen in einer praktischen Implementierung eines solchen Klassifizierers umsetzen und diesen Klassifizierer mit anderen Klassifizierern auf dem neusten Stand der Technik vergleichen. Somit können wir validieren, inwieweit es unser Ansatz ermöglicht, Deep Learning-Klassifizierer vor gezielten Angriffen zu schützen. Die erwarteten Ergebnisse dieses Projekts werden erstmals Aussagen darüber zulassen, inwieweit Deep Learning-Klassifizierer dafür geeignet sind, großflächig auch in sicherheitskritischen Bereichen eingesetzt zu werden.

Prozessanalyse und Datenmodellaufbereitung / Fa. Tiroler Rohre GmbH
Laufzeit:
2019 - 2021

ProjektleiterIn:
Prof. (FH) Dr. Christian Ploder

Projektbeschreibung:
Industrie und Wirtschaft sind derzeit stark im Wandel in Richtung einer automatisierten und digitalisierten Welt. Die Herausforderungen für produzierende Unternehmen sind dabei vielfältig und umfassen technische, wirt-schaftliche und soziologische Aspekte. Die Tiroler Rohrer GmbH steht aktuell vor der Herausforderung, eine Wanddickenoptimierung an einer der Kokillengussmaschinen (Maschine 4) durchführen zu wollen, wobei das Hauptaugenmerk auf dem Spitzen-ende liegen wird. Folgende Gründe werden dafür angegeben: - Wanddickenverlauf am Spitzende nach wie vor schwer beherrschbar - Simulation brachte zur Steuerung kein eindeutiges Ergebnis - Spitzendwanddicke hängt von zu vie-len Parametern ab - Durch automatisierte Messung des Wanddickenverlaufs bei jedem Rohr sind neue Prozessdaten verfügbar - Durch Auslesen sämtlicher (verfügbaren) Prozessparameter sollen Muster zwischen Prozesspara-meter und Wanddicken sichtbar gemacht werden.

Traclink Datenanalyse
Laufzeit:
2018 - 2019

ProjektleiterIn:
FH-Prof. Dr. Peter J. Mirski

ProjektmitarbeiterInnen:
Dr. Pascal Schöttle

Matthias Janetschek, PhD

FH-Prof. Dr. Reinhard Bernsteiner

Dipl.-Ing. Sarah Dörschlag, BSc

Projektbeschreibung:
Die Firma Lindner stellt Traktoren für die Grün-, Berg-, und Kulturlandwirtschaft und Fahrzeuge für die Kommunalwirtschaft (Unitrac) her, welche bereits mit verschiedenen Sensoren ausgestattet sind. Diese Sensoren dienen der Erfassung von unterschiedlichen Fahrzeugdaten, welche auf einem Ser-ver abgelegt werden. Von diesem Datenspeicher können die Daten abgegriffen und zur Weiterverar-beitung aufbereitet werden. Für die Analyse der Daten fehlt soweit eine einheitliche Softwarestruk-tur, sowie Auswertungstools, Apps und ein Benutzerinterface. Die Firma Lindner möchte aufgrund der Analyse der Fahrzeugdaten, gekoppelt mit externen Daten (z.B. Wetterprognose) eine Optimie-rung im Arbeitsvorgang erzielen. Dazu zählt unter anderem automatisiertes Fahren, Pflügen, Schnee-räumen mit Hilfe von GPS-Daten, die Bewässerung von Pflänzchen (im Weinanbau), die Berechnung der benötigen Streusalzmenge aufgrund der Wetterlage, die Berechnung des tatsächlichen Ver-brauchs der Streusalzmenge etc. Ein besonderes Augenmerk soll im Winter 2018/19 auf die weitere Datenerfassung und -verarbeitung der tatsächlichen Streusalzmenge in der kommunalen Anwen-dung gelegt werden. So soll mit Unterstützung von Wetterprognosen und GPS-Daten die Streusalz-menge hervorgesagt und optimiert werden.

Heidelberg Laureate Forum - women‘s careers in mathematics and computer science
Laufzeit:
2020 - 2023

ProjektleiterIn:
FH-Prof. Dr. Peter J. Mirski

ProjektmitarbeiterInnen:
FH-Prof. Dr. Dietmar Kilian

Carina Kollmitzer

Elisabeth Rabanser, MSc

Projektbeschreibung:
Integration verschiedener Themengebiete im Kontext einer sich ändernden Arbeitswelt: * Karrierewege für Frauen in Mathematik und Computerwissenschaften * Schaffung und Flexibilität von Jobs, lebenslanges Lernen, talentierte Diversität & Innovationsgeist, innovative Technologien, organisationelles Design * ESCO european skills and competences framework für Frauen in Technologie - Ausbildung und Karriere


  • Disztinger, P., Schlögl, S., & Groth, A. (2017). Technology Acceptance of Virtual Reality for Travel Planning. In R. Schegg & B. Stangl (Eds.), Information and Communication Technologies in Tourism 2017: Proceedings of the International Conference in Rome, Italy, January 24-26, 2017 (pp. 255-268). Cham: Springer International Publishing.
  • Thomas Baumhauer, Pascal Schöttle, and Matthias Zeppelzauer. "Machine Unlearning: Linear Filtration for Logit-based Classifiers". In: https://arxiv.org/abs/2002.02730

derzeit gibt es keine Vorträge in diesem Schwerpunkt