Die Welt lässt sich als eine Menge interagierender Objekte betrachten. Diese Prämisse liegt der objektorientierten (OO) Programmierung zugrunde. Spätestens mit der Veröffentlichung von Smalltalk in den 1980er-Jahren hat sich die OO-Programmierung wachsender Beliebeit erfreut. Das hatte auch die Entwicklung von einer Vielzahl an OO-Modellierungssprachen und OO-Modellierungsmethoden zur Folge, die 1997 in die Standardisierung der UML mündete. Ein Kernkonzept der Objektorientierung ist dabei die sogennante “Klasse”. Eine Klasse dient als Schablone für Objekte; Objekte werden fachsprachlich von einer Klasse instanziiert. In gängigen Programmierungssprachen wie Java oder Python muss die Definition einer Klasse daher immer vor der Instanziierung von Objekten erfolgen. Dieser Schritt wird jedoch kritisiert: Für Menschen sei primär der Umgang mit Objekten natürlich - die Definition von Klassen stelle eine Herauforderung dar (vgl. Bergstein and Lieberherr 1991).

In den letzten Jahren hat in der konzeptuellen Modellierung die sog. “flexible Modellierung” oder auch “Bottom-Up-Modellierung” vermehrt an Resonanz erfahren. Auch hier wird die Notwendigkeit der strikten Top-Down-Modellierung kritisiert: Intuitiver sei es, Nutzern die Modellierung auf niedrigeren Ebenen zu ermöglichen. Der Bedarf nach Klassifikation von Objekten ist dabei nur einer von vielen Problembereichen.

Diese Bachelor-Thesis soll sich dem Problem der automatisierten Klassen-Induktion für die konzeptuelle Modellierung annähern. Technische Schwierigkeiten die bei der Programmierung aufkommen würden sind auszuklammern. Dabei kann entweder eine vergleichende Untersuchung existierender Ansätze vorgenommen werden oder es kann ein eigener Ansatz zur Klasseninduktion entwickelt werden. Für Letzteres könnten wir Ressourcen bereitstellen, auf denen aufgebaut werden kann. Details und genaue Themenausrichtung sind in Betreuungsgesprächen zu klären. In jedem Fall steht die Identifiaktion von Herausforderungen und eine Identifikation und Bewertung möglicher Gegenmaßnahmen im Kern der Thesis.

Literatur:

• Bergstein PL, Lieberherr KJ (1991) Incremental Class Dictionary Learning and Optimization. ECOOP '91 European Conference on Object-Oriented Programming: Geneva, Switzerland, July 15-19, 1991. Proceedings, pp 377–396
• Façanha RL, Cavalcanti MC (2014) On the Road to Bring Government Legacy Systems Data Schemas to Public Access. Proceedings of the 1st Joint Workshop ONTO.COM / ODISE on Ontologies in Conceptual Modeling and Information Systems Engineering co-located with 8th International Conference on Formal Ontology in Information Systems
• Guerra E, de Lara J (2018) On the Quest for Flexible Modelling. MODELS '18: 18th Intenational ACM/IEEE Conference on Model Driven Engineering Languages and Systems, pp 23–33
• Kessentini W, Alizadeh V (2022) Semi-Automated Metamodel/Model Co-Evolution: A Multi-Level Interactive Approach. Software and Systems Modeling 21:1853–1876
• Töpel D, Kaczmarek-Heß M (2022) Towards Flexible Creation of Multi-Level Models: Bottom-Up Change Support in the Modeling and Programming Environment XModeler. MODELS '22: Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings, pp 404–413

Natural languge processing (NLP) ist der Bereich der Informatik, der sich mit der algorithmischen Verarbeitung von natürlicher Sprache befasst. NLP lässt sich dabei in zwei Bereiche unterteilen: Das Verständnis von natürlicher Sprache (Natural Language Understanding, NLU) und die Generation von natürlicher Sprache (Natural Language Generation, NLG). NLG-Systeme sind zwar kein neues Phänomen, haben aber in den letzten Jahren durch Tools wie ChatGPT vermehrt an Resonanz erfahren.

Manche Autoren schätzen Modelle bzw. Diagramme teilweise als zu schwer verständlich ein, sodass für entsprechende Modellnutzer eine zu schwer überwindbare Hürde entsteht (vgl. Dalianis 1992, Gulla 1996). Natürliche Sprache in Form von kurzem Fließtext sei hingegen universell verständlich und soll daher dabei helfen können, diese Hürde zu überkommen (ebd.).

Je nach Interesse kann die Thesis unterschiedlich ausgelegt werden. Zum Beispiel kann untersucht werden, welche Ansprüche mit Modellen einhergehen (bspw. Beschreibung, Vorschreibung oder Erklärung von Situationen) und wie diese (besser?) durch NLG adressiert werden könnten. Alternativ kann auch ein prototypisches NLG-System entwickelt und evaluiert werden. Auch kann eine vergleichende Untersuchung angestrebt werden, wo die Potenziale für verschiedene Arten von konzeptuellen Modellen (bspw. GPML vs DSML) gegenüber gestellt werden.

Literatur:

• Ackermann L, Schönig S, Zeising M, Jablonski S (2015) Natural Language Generation for Declarative Process Models. Enterprise and Organizatonal Modeling and Simulation: 11th International Workshop, held at CAiSE 2015, pp 3–19
• Dalianis H (1992) A Method for Validating a Conceptual Model by Natural Language Discourse Generation. In: Loucopolous P (ed.) Advanced Information Systems Engineering, CAiSE 1992 Proceedings. Springer International Publishing: Cham, pp. 425-444
• Dalianis H, Johannesson P (1997) Explaining Conceptual Models: An Architecture and Design Principles. In: Embley DW, Goldstein RC (eds). Conceptual Modeling - ER '97 Proceedings. Springer: Berlin, Heidelberg, pp 215–228
• Gulla JA (1996) A General Explanation Component for Conceptual Modeling in CASE Environments. ACM Transactions on Information Systems 14(3):297-329
• Lavoie B, Rambow O, Reiter E (1997) Customizable Descriptions of Object-oriented Models. Proceedings of the Fifth Conference on Applied natural language processing -, pp 253–256
• Leopold H, Mendling J, Polyvyanyy (2012) Generating Natural Language Texts from Business Process Models. In: Ralyté J, Franch X, Brinkkemper S, Wrycza S (eds). Advanced Information Systems Engineering: 24th International Conference, CAiSE 2012 Proceedings. Springer-Verlag: Berlin, Heidelberg, pp 64–79
• Paris CL (1988) Tailoring Object Descriptions to a User's Level of Expertise. Computational Linguistics 14(3):64–78
• Reiter E (2007) An Architecture for Data-to-Text Systems. In: Busemann S (ed). ENLG '07: Proceedings of the Eleventh European Workshop on Natural Language Generation. Association for Computational Linguistics: Stroudsburg, PA, pp 97–104
• Reiter E (2010) Natural Language Generation. In: Clark A, Fox C, Lappin S (eds). The Handbook of Computational Linguistics and Natural Language Processing. Wiley-Blackwell: West Sussex, pp 574–598
• Sobieszek A, Price T (2022) Playing Games with AIs: The Limits of GPT-3 and Similar Large Language Models. Minds and Machines 32:341–364

Conceptual modeling, although crucial to any enterprise, can be a troublesome and error-prone activity. The creation and maintenance of conceptual models can be time-consuming and low-quality models can negatively affect organziational decision-making. One root problem is that domain experts often lack respective modeling expertise and, vice versa, modeling experts often lack the the required domain expertice. Therefore, it is desirable to support conceptual modeling activities by computational means. The rise of machine learning has led to broad range of suggestions how this might be achieved. The suggestions thereby vary in scope and domain-specificty and, among others, conern the repairment or completion of conceptual models. I summarize these different ML-based approaches to support conceptual modeling under the name machine learning-assisted domain modeling, or MAD modeling for short.

This thesis should present a survey and classification of existing MAD modeling approaches. The core of thesis, or its main difficulty, is in the specification of an appropriate utility measure that supports an assessment of the diverse MAD modeling approaches.

Literature

• Almonte L, Guerra E, Cantador I, de Lara J (2022) Recommender Systems in Model-Driven Engineering: A Systematic Mapping Review. Software and Systems Modeling 21:249–280
• Barriga A, Rutle A, Heldal R (2022) AI-Powered Model Repair: An Experience Report — Lessons Learned, Challenges, and Opportunities. Software and Systems Modeling 21:1135–1157
• Hartmann T, Moawad A, Fouquet F, Le Traon Y (2019) The Next Evolution of MDE: A Seamless Intregration of Machine Learning into Domain Modeling. Software and Systems Modeling 18:1285–1304
• Saini R, Mussbacher G, Guo JLC, Kienzle J (2021) DoMoBOT: An AI-Empowered Bot for Automated and Interactive Domain Modelling. 2021 ACM/IEEE International Conference on Model Driven Engineering Languages and Systems Companion (MODELS-C), pp 595–599
• Yasdi R, Ziarko W (1988) An Expert System for Conceptual Schema Design: A Machine Learning Approach. International Journal of Man-Machine Studies 29(4):351–376

Konzeptuelle Modellierung befasst sich im Kern mit Sprache: Modelle sollen sprachlich repräsentierte Konzepte erfassen und werden dafür mithilfe einer Modellierungssprache erstellt. Die Erstellung von konzeptuellen Modellen kann sich dabei verschiedenen Herausforderungen und Schwierigkeiten entgegensehen. Auf welcher Modellierungsebene soll ein Sprachkonzept abgebildet werden? Ist mein Modell hinreichend adaptiv für mögliche zukünftliche Veränderungen? Häufig ist dabei eine Diskrepanz festzustellen: Domänenexperten fehlt die erforderliche Modellierungskenntnis und Modellierungsexperten das erforderliche Domänenwissen.

Es ist daher wenig überraschend, dass das wachsende Interesse an sog. Sprachmodellen wie GPT-3 auch in Hinblick auf potenzielle Unterstützung für die konzeptuelle Modellierung hin untersucht wird. Sprachmodelle stellen eine bereits erlente Repräsentation von Komponenten der natürlichen Sprache bereit. Beispielsweise könnte hierdurch die Beziehung zwischen verschiedenen Domänenkonzepten erörtert werden.

Im Kern dieser Thesis soll sich mit der Frage beschäftigt werden, inwieweit Sprachmodelle Unterstützung bei der Erstellung von konzeptuellen Modellen anbieten können. Dabei können verschiedene Facetten der konzeptuellen Modellierung in den Fokus gestellt werden, wie zum Beispiel domänen-spezifische Modellierungssprachen (DMSLs), Mehrebenenmodellierung (MLM) oder es kann auch eine konkrete Modellierungssprache wie die UML in den Fokus gestellt werden. Die genaue Themenausrichtung sollte in den ersten Betreuungsgepsrächen genauer erarbeitet werden.

Literatur

• Biswas R, Sofronova R, Alam M, Heist N, Paulheim H, Sack H (2021) Do Judge an Entity by Its Name! Entity Typing Using Language Models. The Semantic Web: ESWC 2021 Satellite Events. Virtual Event, June 6–10, 2021, Revised Selected Papers, pp 65–70
• Butlin P (2021) Sharing Our Concepts with Machines. Erkenntnis
• Cámara J, Troya J, Burgueño L, Vallecillo A (2023) On the Assessment of Generative AI in Modeling Tasks: An Experience Report with ChatGPT and UML. Software and Systems Modeling 22(3):781–793
• Combemale B, Gray J, Rumpe B (2023) ChatGPT in Software Modeling. Software and Systems Modeling 22(3):777–779
• Fill H-G, Fettke P, Köpke J (2023) Conceptual Modeling and Large Language Models: Impressions From First Experiments With ChatGPT. Enterprise Modelling and Information Systems Architectures 18(3):1–15
• Rosenfeld R (2000) Two Decades of Statistical Language Modeling: Wehere Do We Go from Here? Proceedings of the IEEE 88(8):1270–1278
• Sobieszek A, Price T (2022) Playing Games with AIs: The Limits of GPT-3 and Similar Large Language Models. Minds and Machines 32:341–364
• Weyssow M, Sahraoui H, Syriani E (2022) Recommending Metamodel Concepts During Modeling Activities with Pre-Trained Language Models. Software and Systems Modeling 21:1071–1089

So-genannte Large Language Models (LLMs; deutsch: “große Sprachmodelle”) haben in letzter Zeit vermehrt an Resonanz gewonnen. OpenAIs ChatGPT und GPT-3 oder Googles BERT und LAMBDA sind nur einige damit in Verbindung stehende Beispiele. Häufig scheinen die ersichtlichen “Fähigkeiten” dieser LLMs für große Aufruhr zu sorgen. So werden sie unter anderem sogar als Ko-Autoren in wissenschaftlichen Publikationen angegeben (Stoel-Walker 2023).

Sprachmodelle erlernen eine statistische Repräsentationen von verschiedenen Sprachkomponenten wie Wörtern (vgl. Luitse und Denkena 2021, S. 1). LLMs, neben technischen Besonderheiten, stellen eine bereits erlernte Repräsentation von einer oder mehrerer Sprachen bereit. Der Clue dabei: Sprache ist kein Selbstzweck, sondern soll Informationen und Wissen verkörpern (vgl. Manning 2022, Petroni et al. 2019). Die Einsatzpotenziale von LLMs sind kaum genau erforscht – vor allem was mögliche Grenzen für die organisationale Praxis angeht. Diese Thesis soll LLMs kritisch mit Hinblick auf ihre Unterstützungsmöglichkeit für organisationales Problemlösen untersuchen. Falls gewünscht kann die Thesis auf konkrete Bereiche der Problemlösung (bspw. nur Problemformulierung oder nur bestimmte Problemkategorien) fokussiert werden. Solche interessenbasierte Anpassungen können wir dann in Betreuungsgesprächen klären.

Für BA-Thesis: Eine Bachelorarbeit zu diesem Thema sollte die Frage erörtern für welche Bereiche des organisationalen Problemlösens, LLMs anwendbar sind bzw. angewendet werden sollten.

Für MA-Thesis: Eine Masterarbeit sollte auf den Anforderungen einer BA-Thesis aufbauen und bspw. eine Methode entwerfen, welche den Einsatz von LLMs in Organisationen unterstützt. Das betrifft spätestens hier auch die Reflektionen über entsprechende Prompts.

Literatur:

• Getzels JW (1982) The Problem of the Problem. In: Hogarth RM (ed) Question Framing and Response Consistency. Jossey-Bass: San Francisco, Washington, London, pp 37–50
• Landry M (1995) A Note on the Concept of “Problem”. Organization Studies 16(2): 315-343
• Luitse D, Denkena W (2021) The Great Transformer: Examining the Role of Large Language Models in the Political Economy of AI. Big Data & Society 8(2):1-14
• Manning CD (2022) Human Language Understanding & Reasoning. Daedalus 151(2):127–138
• Newell A, Simon HA (1972) Human Problem Solving. Prentice-Hall: Englewood Cliffs, NJ
• Preston AM (1991) The “Problem” in and of Management Information Systems. Accounting, Management & Information Technology 1(1):43-69
• Petroni F, Rocktäschel T, Lewis P, Bakhtin A, Wu Y, Miller AH, Riedel S (2019) Language Models as Knowledge Bases? Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, pp 2463–2473
• Stoel-Walker C (2023) ChatGPT Listed as Author on Research Papers: Many Scientists Disapprove. Nature 613:620–621

Der hier vorgeschlagene Titel soll lediglich eine inhaltliche Anregung darstellen. Die Spezifizierung erfolgt in Rücksprache mit dem jeweiligen Betreuer. Eine Ausarbeitung ist wahlweise in deutscher oder englischer Sprache möglich.

Der hier vorgeschlagene Titel soll lediglich eine inhaltliche Anregung darstellen. Die Spezifizierung erfolgt in Rücksprache mit dem jeweiligen Betreuer. Eine Ausarbeitung ist wahlweise in deutscher oder englischer Sprache möglich.

Die industrielle Produktion befindet sich aktuell in einer grundlegenden Umwälzung, die in Deutschland mit dem Schlagwort „Industrie 4.0“ apostrophiert wird. Produkte, Prozesse und Dienstleistungen werden zunehmend digitalisiert und die physische Welt wird mit der Welt des Internets vernetzt. Vor diesem Hintergrund ist es das Ziel der Masterarbeit, zu untersuchen, welche Auswirkungen die technologischen Veränderungen auf die Produktionsplanung und –steuerung (PPS) haben. Dafür werden zunächst Analysekriterien festgelegt, welche die Grundlage für die Beurteilung des Umbruchs der industriellen Produktion bilden. Anhand dieser Kriterien werden unter anderem auch die Folgen der Veränderungen auf die Stammdaten der PPS untersucht.

Diese Bachelorarbeit verfolgt das Ziel, den Einsatz von Big-Data-Analysen in der Automobilbranche zu untersuchen. Zu Beginn werden Grundlagen und allgemeine Aspekte zum Thema Big Data vorgestellt. Danach liegt der Hauptfokus auf Potenzialen und Risiken von Big-Data-Analysen, welche sich im Automobilsektor ergeben. Abschließend werden die Ergebnisse subsummiert und auch mit einem Ausblick auf die Zukunft kritisch hinterfragt.

Aufgrund des Voranschreitens der Digitalisierung werden immer mehr Daten erzeugt und den Unternehmen zugänglich gemacht. Durch Big Data Analytics kann der zunehmende Datenbestand so analysiert werden, dass zusätzliche Potenziale für die Unternehmen entstehen. Die Daten, die für die Analysen genutzt werden, weisen unterschiedliche Ausprägungen auf. Damit diese dann automatisch verarbeitet werden können, wird eine Strukturierung verlangt.
Ziel dieser Bachelorarbeit ist es, den Nutzen und die Nutzungspotentiale, die sich durch eine Datenanalyse ergeben, zu analysieren und die damit verbundenen Herausforderungen und Grenzen darzustellen. Zunächst werden die aktuellen relevanten Big Data Technologien untersucht sowie die Methoden zur Strukturierung der Daten erläutert. Fernerhin werden Szenarien beschrieben, die dabei unterstützen sollen, die passende Analysemethode auszuwählen.

Diese Bachelorarbeit hat das Ziel, Cloud Computing in kleinen und mittelständigen Unternehmen zu analysieren. Dabei wird vor allem auf die Fragen, ob der Einsatz von Cloud Computing für die Unternehmen vorteilhaft ist und welche Lösungsangebote für die kleinen und mittelständischen Unternehmen geeignet sind, eingegangen. Dazu wird ein Kriterienkatalog entwickelt, der den IT-Leitern und Entscheidern zur Orientierung dienen soll. Um dies zu erreichen wird ein Überblick über den aktuellen Stand von Cloud Computing gegeben. Darauf aufbauend werden die Chancen und Risiken in dem ausgewählten Kontext identifiziert.

Das Ziel dieser Bachelorarbeit ist es, zu untersuchen wie der Digitalisierungsgrad in der Finanzbranche gemessen werden kann. Damit dies möglich ist, wird zunächst der Digitalisierungsgrad charakterisiert. Darauf aufbauend werden dann die Möglichkeiten sowie Herausforderungen bei der Messung identifiziert. Dabei wird auf verschiedene Methoden der Messung eingegangen. Der Fokus der Arbeit liegt, bei der Erarbeitung der Inhalte, insbesondere auf der Finanzbranche.

Im Rahmen dieser Bachelorarbeit soll ein Überblick über bestehende Bewertungsansätze für den Digitalisierungsfortschritt von Volkswirtschaften und Unternehmen gegeben werden. Diese sollen anhand von zuvor aufgestellten Beurteilungs- bzw. Vergleichskriterien kritisch gegenübergestellt werden, um somit weitere Rückschlüsse daraus ziehen zu können und den Auswahlprozess zu unterstützen. Dabei liegt der Hauptfokus auf den Bewertungsansätzen für Unternehmen, der zuvor durch eine kleinere Auswahl von Bewertungsansätzen für Volkswirtschaften komplettiert wird.

Diese Bachelorarbeit soll untersuchen, ob ERP-Systeme aufgrund neuerer Anforderungen durch die Digitalisierung um neue Technologien erweitert werden sollten, damit diese auch in Zukunft noch die Beschaffungsprozesse im Unternehmen zufriedenstellend unterstützen können. Dafür werden Analysekriterien aufgestellt, die aus aktuellen Herausforderungen der Beschaffung, neuen Anforderungen an die Informationstechnologien sowie die Beschaffung durch die Digitalisierung bestehen. Anhand dieser Analysekriterien wird dann untersucht, ob treibende Technologien der Digitalisierung mit ERP-Systemen kombiniert werden sollten.

In den vergangenen Jahren hat der Trend des Cloud Computing zu einem weitgehenden Paradigmenwechsel in der Welt der Informationstechnologie geführt. Die Cloud baut auf einer Vielzahl bereits etablierter Ansätze auf, bietet durch die schnelle Bereitstellung von Ressourcen und flexibilisierte Zahlungsstrukturen aber neues Potential für den betrieblichen Einsatz, unter anderem auch in kleinen und mittleren Unternehmen. Diese Arbeit identifiziert zum einen jene Anforderungen, mit welchen sich das Informationsmanagement kleiner und mittlerer Unternehmen konfrontiert sieht, und zum anderen die Chancen und Risiken, die mit einem Einsatz von Cloud Technologien einhergehen. In der Gegenüberstellung dieser Faktoren wird diskutiert, ob und in welcher Form der Bezug von Anwendungen über Software as a Service einen potentiellen Wettbewerbsvorteil für kleine und mittlere Unternehmen darstellen kann. 

Die Masterarbeit verfolgt das Ziel, die Möglichkeiten und die Grenzen

bei der Messung eines Digitalisierungsgrades von Unternehmen am Beispiel

der Automobilbranche zu untersuchen.

Im Grundlagen Teil werden auf die Bereiche Digitale Transformation,

Digitalisierung, Digitales Unternehmen und Industrie 4.0 in der

Automobilbranche, eingegangen. Darauf aufbauend wird im Kernteil zuerst

die Notwendigkeit und die Bedeutung der Digitalisierung für Unternehmen

behandelt und anschließend werden die traditionellen Unternehmen mit den

Digitalen Unternehmen kritisch gegenübergestellt. In Bezug auf diese

Gegenüberstellung wird auch auf die Rolle der IT eingegangen (z.B.

welche Bedeutung die IT heute für die Unternehmen hat und wie es in der

Zukunft aussehen wird etc.). Anschließend werden dann die Methoden bzw.

die Möglichkeiten vorgestellt, wie man den Digitalisierungsgrad eines

Unternehmen messen kann. Diese Methoden werden evaluiert und die

Bedeutung eines Digitalisierungsgrades analysiert.