Forschung
[TheCore] Enterprise Computing for Enterprise Systems
Den Kern unserer Forschung stellen betriebliche Informationssysteme dar. Durch die Größe des Lehrstuhls, liegen die Forschungsschwerpunkte einzelner Gruppen auf unterschiedlichsten Facetten, welche inhaltlich aber immer dem Kontext der "Enterprise Computing for Enterprise Systems" zugeordnet werden. Die Faceetten reichen von der Prozess- und Datenmodellierung, über Augmented BPM und Hyperautomation und der Anwendung von AI bis hin zu Distributed Ledger Technologies und digitalen Plattformen. Methodisch liegt der Schwerpunkt auf „Design Science Research“ welche die Modellierung und das Prototyping umfasst, aber auch auf empirischen und mathematisch-formalen Forschungsmethoden. Die Entwicklung und Evaluation neuer Methoden und Prototypen wird ergänzt durch den Ergebnistransfer in die Praxis, insbesondere in den Domänen Dienstleistung, Handel und Industrie.
Die Grundlage fast aller Informationssysteme bilden die Daten selbst. Für betriebliche Informationssysteme werden Daten mittels Strukturformalismen in semantischen Datenmodellen in einer Datenhaltungsschicht (engl. data layer) auch bezeichnet als Datenbankschicht, Datenzugriffsschicht, Datenschicht gespeichert und für die Verarbeitung vorgehalten. In der Vergangenheit spielten Datenbanksystem oder Datenbank Management Systeme sowie deren Struktur zur Datenhaltung deswegen stets eine wesentliche Rolle im Information Systems Bereich. Zusammen mit der Weiterentwicklung der Architektur betrieblicher Informationssysteme kommen aber zunehmen mehr Systeme sowie neue Architekturmodelle auf, die eine Weiterentwicklung von Datenbanksystemen und damit der klassischen Datensemantik erfordern. Von der Entwicklung von SQL zu noSQL bis hin zu verteilten Systemen und verteilten Datenbanken erfordert die Voranschreitende Entwicklung stets neue Konzepte, um Probleme der Skalierung und neuen Nutzungsszenarien zu lösen. Der Lehrstuhl beschäftigt sich deswegen mit unterschiedlichsten Themen des Bereichs, diese reichen vom Design und der Architektur Daten-intensiver Systeme und Datenmodellen, dem Data Engineering für Data Pipelines bis hin zum Datenaustausch auf technischer (Schnittstellen) und semantischer (Standards zum Datenaustausch, eStandards) Ebene. Insbesonders für unsere Projekte aus dem Anwendungsfeld der KI beschäftigt sich der Lehrstuhl auch mit Data Pipelines und Data Engineering zum effizienten deployment von Machine Learning und Deep Learning Algorithmen auf entsprechender Infrastruktur.
Applied ML and AI
Artificial intelligence (AI)-based decision support systems (DSS) are increasingly being used to help people make complex decisions in a wide range of areas of daily life and business. AI describes a concept of data-based problem solving using mathematical algorithms that are often associated with the field of machine learning (ML) or deep learning (DL). In particular, methods from the field of DL rely on increasingly complex computational logics in order to achieve better results. At the same time, it is becoming apparent that algorithms with lower complexity and thus increased comprehensibility are preferred in practice. The research area of explainable AI (XAI) focuses on making complex AI algorithms transparent by providing explanations about the intrinsic decision logic of the models used.At the same time, due to the increasing complexity, more training data is often needed to train these models accordingly. Since in many smaller companies the necessary amount of data is not available, pre-trained models (transfer learning) are often used, which are then fine-tuned. Our chair focuses in particular on the application of AI in the context of business information systems and in hyperautomation as well as the sub-areas of XAI and transfer learning.
BPM with Augmented BPM and Hyperautomation
Companies operate in a constantly changing business environment. Their resilience depends on the ability to dynamically change business processes. Therefore, the effective design and management of these processes is of strategic importance. In the course of digitalisation, companies increasingly rely on process-oriented information systems that record the execution of business process activities. To unlock the potential of the collected data, automated process analysis (process mining) is an efficient tool. Here, process analysis includes not only the examination of processes recorded in the past, but also the analysis of the future (predictive business process monitoring).
A new trend is Augmented Business Process Management Systems (ABPMs), which are an enrichment of process-oriented systems with trustworthy artificial intelligence. The vision of ABPMs is to make the lifecycle of processes more adaptive, proactive, explainable and context-sensitive. The integration of automation into the business process world creates new perspectives to identify improvement potential in processes. The interplay between productive process design through artificial intelligence and the automation of processes with the help of software robots (RPA) as well as their coordination can be described with the generic term of hyperautomation.
Digital Platforms and Value Networks
Collaboration in value creation networks or supply networks serves to connect companies, which is playing an increasingly important role. Trends such as the sharing economy are currently changing established industries such as hospitality and transport. Digital platforms also represent an essential infrastructure and define the framework conditions for the interaction and relationship of the actors. In the B2B sector, this is increasingly giving rise to new platform-based business models that are highly relevant for the success of interorganisational cooperation. However, digital platforms not only create advantages, but also bring well-known problems such as information asymmetry and other complex decision-making processes of behaviourism back into focus.
