AI Systems Engineering

- Einführung in AI Value Creation: Wertlogiken, Effizienz vs. Effektivität vs. Innovation
- Reifegradmodelle und organisatorische Voraussetzungen (Data Strategy, Operating Models, AI Culture)
- Identifikation und Bewertung von Use-Cases
- Prozessanalyse und KI-gestützte Prozessgestaltung (Automation & Augmentation)
- Wirtschaftlichkeitsanalyse von KI-Projekten (KPIs, ROI, Risikoanalyse, Business Case)
- Anwendungsfelder in Marketing, Sales, Operations, HR, Finance, Verwaltung, Forschung
- Governance, Ethik und rechtliche Rahmenbedingungen (Bias, Fairness, Datenschutz, Transparenz)
- Umsetzung von KI in Organisationen (Rollen, Verantwortlichkeiten, Change-Management-Aspekte)
- Fallstudien zu erfolgreichen und gescheiterten KI-Projekten

- Der Prozess des Software-Engineerings
- Programmierparadigmen für den Einsatz im Bereich AI
- Effektive und effiziente Datenstrukturen
- Werkzeuge und Softwareökosysteme für die Entwicklung und den Test von Softwaresysteme
- AI Tools für die Unterstützung in der Softwareentwicklung

- Überblick über die Optionen, die sich beim Design neuer bzw. der Überarbeitung bestehender interaktiver Systeme bieten
- Kreativtechniken, Konzepten und Methoden, mit welchen Ideen generiert werden können, die sowohl eine intuitivere Bedienung als auch innovativere Verwendung bestehender und neuer interaktiver Systeme ermöglichen
- Umsetzung von Innovationen praxistauglich aus einer Managementperspektive
- Erarbeitung eines ganzheitlichen Verständnisses der Themenfelder des systemischen Managements
- Methoden zur Generierung innovativer Ideen (z.B. Systematic Inventive Thinking, TRIZ, Design Thinking)
- Projektstrukturen und Managementmethoden zur praktischen Umsetzung von Innovationen (z.B. MELT Frame)

- Datenmodellierung für relationale Datenstrukturen
- Datenbankinteraktion in SQL (DDL, DML, DQL)
- Nicht-relationale Datenspeicherungskonzepte (NoSQL Datenbanken)
- Implementieren von Datenstrukturen
- Einbindung von Datenstrukturen in Applikationen

- Weiterführende und vertiefende Themen im Bereich des Software Engineerings
- Vertiefende Themen in den Teilgebieten der Anforderungsanalyse (wie z.B. SOPHIST Regelwerk, Goal Modeling) und des Designs (z.B. Design Patterns, Design Prinzipien)
- Vertiefung der agilen Entwicklungsmethoden
- Vorgehensweisen in der Entwicklung von erweiterbaren Softwaresystemen
- Automatisierung in der Entwicklung von großen Softwaresystemen (z.B. Unit-Tests, Continuous Integration und DevOps)

- Möglichkeiten, wie das Management von Softwareprojekten mit Tools unterstützt werden kann.
- Unterschiedliche Teile des Projektmanagements (z.B. Sourcecodeverwaltung, Bugtracking, Testing, Deployment)
- Besprechung von Tools, etwa GitLab für die Sourcecodeverwaltung oder Jenkins für CI/CD
- Möglichkeiten, wie einzelne Tools miteinander verknüpft werden können
- Mechanismen von Geschlechterrollen, Bias und struktureller Benachteiligung sowie praktischen Ansätzen für genderinklusive Gestaltung von Arbeits- und Lernumgebungen auseinander
- Modelle und Methoden der Belastungs- und Ressourcenanalyse (Work-Life-Balance) vermittelt

- Architekturmodelle für skalierbare Softwareentwicklung und -systeme
- Integrationsmodelle und -paradigmen für die Umsetzung komplexer, prozessorientierter Softwareökosysteme
- Anwendung von bewährten Entwurfsmustern (Design Patterns)
- Konzeption und Umsetzung effizienter und skalierbarer Softwaresysteme

- Rolle der Softwarearchitektur im Softwareentwicklungsprozess
- Entwurf von Softwarearchitekturen
- Architekturmuster und Architekturaspekte, wie z.B. Internationalisierung
- Einsatz moderner Softwarearchitekturen
- Dokumentation von Softwarearchitekturen mittels UML

Grundlagen und Modellbildung:
-Einführung in Digital Twin, deren Bedeutung und Anwendungsbereiche
-Vermittlung der theoretischen Grundlagen und Methoden der Modellbildung

Simulation und Software:
-Überblick über Simulationstechniken und deren typische Anwendungen
-Kennenlernen verschiedener Simulationssoftware und praktische Übungen

Smarte Produkte und Lösungen:
-Erstellung und Analyse von Modellen für smarte, kommunizierende Produkte
-Integration von Digital Twins in IoT-Systeme und deren Vorteile

Vertiefte Konzepte und Anwendungen:
-Einführung in fortgeschrittene Themen wie Condition Monitoring und Predictive Maintenance
-Diskussion über die Rolle von Digital Twins in der zukünftigen Technologieentwicklung.

Praxisprojekt:
-Planung und Durchführung eines eigenen Digital Twin Projekts zur Anwendung des Gelernten

- Auswertungswerkzeuge mit visueller Ausrichtung, z.B. Bl-Tools wie MS PowerBl, Tableau, QlikView
- Darstellungsbibliotheken, z.B. matplotlib.pyplot, gglot2
- Regeln der visuellen Communication, z.B. Hichert SUCCESSS

- Grundlagen der Human–AI Interaction
- Menschliche Kognition, mentale Modelle, Entscheidungsverhalten
- HCI-Prinzipien für KI-Systeme
- UX-Design für KI
- Interaktionsmuster (Conversational UI, Agenten, multimodale Interfaces)
- Prompt-Design, System-Messages, Feedback-Loops
- Vertrauen und Nutzerakzeptanz
- Human-in-the-Loop & Human-on-the-Loop
- Passung von Mensch‐Maschine-Rollen
- Aufgabenverteilung, Grenzen von Automatisierung
- Fehlerprävention & Recovery Design
- Empathische & soziale Aspekte der KI-Interaktion
- Soziale Reaktionen, Vertrauen
- persuasive und adaptive Systeme
- Methoden & Werkzeuge
- Usability-Testing für KI-Systeme
- Prototyping-Tools
- Evaluationsmethoden (Task Success, Trust Metrics, Cognitive Load)

- Grundlagen der beschreibenden Statistik
- Messsystemanalyse
- Stichprobenbestimmung
- Statistische Prozesskontrolle
- Prozesskontrollcharts
- Prozessfähigkeitsanalyse
- Components of Variants Analyse (COV)
- Wiederholung Grundlagen der schließenden Statistik
- Fehlerursachenbestimmung über Hypothesen testen (T-test, Chi-Sq, ANOVA)
- Multiple Regressionsanalyse

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich Big Data Processing
- Trends im Bereich der Programmiersprachen in der Datenanalyse
- Neue Verarbeitungskonzepte von Daten (z.B. Data Lake)
- Neue Fragestellungen im Bereich der Data Science Forschung
- Neue Fragestellungen im Bereich der Data Science Praxis

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Aktuelle Best-Practice Ansätze und Konzepte in Anwendungsgebieten (z.B. Smart Home, Smart City, Smart Production, Connected Vehicles etc.)
- Aktuelle Best-Practice Ansätze hinsichtlich der Entwicklungsprozesse und -tools
- Aktuelle Forschungs- und Entwicklungsaktivitäten bzw. Forschungs- und Entwicklungsergebnisse

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich AI Engineering
- Trends im Bereich der Programmiersprachen für AI
- Neue Designkonzepte im Bereich von AI
- Neue Fragestellungen im Bereich der Forschung im Bereich AI
- Neue Fragestellungen im Bereich der AI

- Aktuelle Entwicklungen im Gebiet der betrieblichen Anwendungssystemen mit speziellem Bezug zu ERP-Systemen und Geschäftsprozessmanagement
- Modelle, Beispiele, Best-Practice Cases

- Unterschiedliche Modelle von LLMs
- Vor- und Nachteile dieser Modelle
- Einsatzzwecke dieser Modelle
- Unterschiedliche Technologie-Stacks, um solche Modelle zu betreiben
- Herausforderungen bei der Planung und bei dem Betrieb von lokalen Modellen

- Vorstellung unterschiedlicher anwendungsorientierter Analyseplattformen (z.B KNIME, RapidMiner, Grafana)
- Vorstellung unterschiedlicher Cloudlösungen für die Datenanalyse (z.B. Google Cloud, AWS, Azure)
- Anwenden der vorgestellten Plattformen am Beispiel von Analysedatensätzen
- Diskussion der unterschiedlichen Ansätze

- Personaleinsatzplanung und Ressourcenmanagement
- Vertragsmanagement und Finanzmanagement (Kosten, Leistungsrechnung)
- Qualitätsmanagement und Qualitätssicherung (Reviews, Audits, usw.)
- Mitarbeiter:inninformation und Kommunikation
- IT-Strategie und IT-Portfoliomanagement
- Risikomanagement; IT Governance und Compliance
- ITIL, CoBIT
- Service Level Agreements und Outsourcing
- Balanced Scorecard Methodik
- Werkzeuge des IT-Managements (ADOit, usw.)

Einführung
- IoT Architektur (z.B. Referenzmodelle)
- Anforderungen an IOT Systeme
- IOT Datenübertragungsprotokolle
- Einsatz von IOT im industriellen Kontext (Beispiele)
- Grundlagen der Sensorik
- Grundlagen von embedded Systemen

Implementierung
- Vorgehen bei der Implementierung von IOT
- Prototypische Implementierung von IOT
- Auswahl von Sensoren
- Erhebung, Visualisierung und Auswertung von Daten
- Herausforderungen bei der Implementierung

- Grundbegriffe: Geschäftsprozess, Workflow, BPMS, WFMS, RPA, etc.
- Auswahlkriterien für Workflow-Engines zur Prozessautomatisierung
- Architektur und Integrationen von Workflows zur Prozessautomatisierung
- Überblick zur Interprozesskommunikation
- Transaktionale Eigenschaften der Prozesse, Simulation und Code-Generierung
- Grundlagen zu Microsoft Dynamics 365: Module und Navigation, Basis-Entitäten und Standard-Workflows
- Organisatorische und technische Umsetzung mit Konfiguration und deklarativer Programmierung

- Stärkung der Reflexionsfähigkeit durch Reflektion von Lehrveranstaltungsinhalten des Semesters im interdisziplinären Kontext zur weiteren Festigung und zur Klärung offener Fragen. Dies kann, etwa durch weiterführende Übungen oder workshopartige Formate erfolgen
- Vertiefter Aufbau der Problemlösungskompetenz durch Vertiefung/Vernetzung von Themenfeldern über verschiedenen Lehrveranstaltungen hinweg, die in einer vertiefenden Arbeit bearbeitet werden und so weiterführende Erkenntnisse für die Studierenden liefern; ggf. auch vorbereitende für die eigene wiss. Arbeit, z.B. in Vorbereitung auf die Masterarbeit. In diesem Seminar sollten vor allem Themenfelder rund um die Entwicklung und das Engineering, sowie zu den Web- bzw. AI-basierten Systemen vertieft werden
- Verknüpfung berufspraktischer Informationen mit eigenen wiss. Arbeiten: Ermöglichung der Verbindung von berufspraktischen Erfahrungen aus dem Tätigkeitsfeld der Studierenden mit den Inhalten der Lehrveranstaltungen des Semesters in Form einer systematischeren/wissenschaftlichen Form, was ähnlich wie bei Punkt 2 zu einer Vorbereitung der eigenen wiss. Arbeit dienen kann

Unter Anleitung der Lehrveranstaltungsleitung informieren sich die Studierenden über potenzielle Studienreiseziele, recherchieren relevante Daten und Fakten des Ziellandes und organisieren das Programm: Die Woche in einem internationalen Umfeld ist geprägt von Unternehmensbesuchen, Vorlesungsbesuchen an Partnerhochschulen sowie Vorträgen und Veranstaltungen im Kompetenzbereich Social Skills. Hiermit soll sichergestellt werden, dass die Studierenden ein Verständnis für die kulturellen Hauptströmungen des betreffenden Landes erwerben. Diskussionen mit Fach- und Führungskräften, Besuche bei Außenwirtschaftscentren, Wirtschafts- und Sozialverbänden runden die internationalen und persönlichkeitsbildenden Erfahrungen der Studienreise ab.

- Stärkung der Reflexionsfähigkeit durch Reflektion von Lehrveranstaltungsinhalten des Semesters im interdisziplinären Kontext zur weiteren Festigung und zur Klärung offener Fragen. Dies kann etwa durch weiterführende Übungen oder workshopartige Formate erfolgen
-Vertiefter Aufbau der Problemlösungskompetenz durch Vertiefung/Vernetzung von Themenfeldern über verschiedenen Lehrveranstaltungen hinweg, die in einer vertiefenden Arbeit bearbeitet werden und so weiterführende Erkenntnisse für die Studierenden liefern; ggf. auch vorbereitende für die eigene wiss. Arbeit, z.B. in Vorbereitung auf die Masterarbeit. In diesem Seminar sollten vor allem Themenfelder rund um die Entwicklung und das Engineering, sowie zu den Web- bzw. AI-basierten Systemen vertieft werden
-Verknüpfung berufspraktischer Informationen mit eigenen wiss. Arbeiten: Ermöglichung der Verbindung von berufspraktischen Erfahrungen aus dem Tätigkeitsfeld der Studierenden mit den Inhalten der Lehrveranstaltungen des Semesters in Form einer systematischeren/wissenschaftlichen Form, was ähnlich wie bei Punkt 2 zu einer Vorbereitung der eigenen wiss. Arbeit dienen kann

- Vertiefende Kenntnisse im Bereich des wissenschaftlichen Arbeitens
- Techniken und Regeln des wissenschaftlichen Arbeitens im Bereich der Datenanalyse inklusive schließender Statistik ausgebildet
- Praktische Erarbeitung der oben erwähnten Kenntnisse
- Erörterung und kritische Hinterfragung der wissenschaftlichen Methodik einer Masterarbeit
- Besprechung und Diskussion von möglichen Themen und Hypothesen

- Umsetzung eines komplexen Projekts durch Studierende
- Konzeption, Budgetierung und Durchführung, als auch Evaluation und Interpretation der Ergebnisse
- Analyse des Rezipientenverhaltens, ökonomisch verantwortliche Entscheidungskompetenz, Risikomanagement, interkulturelle Handlungskompetenz, Organisations- und Sozialkompetenz, Budgetkompetenz, Sponsoring und Projektmanagement

Im Rahmen des Kolloquiums zur Masterarbeit werden die Studierenden bei der Erstellung ihrer Masterarbeit ergänzend zur individuellen Betreuung der Masterarbeit seminarartig betreut und begleitet. Dazu wird Gelegenheit geboten, das Forschungskonzept und bereits erarbeitete Ergebnisse vorzustellen und in der Gruppe zu diskutieren und kritisch zu reflektieren.

Das Thema der Masterarbeit ist aus dem Themenbereich des Studiums zu wählen. Die erarbeitete Fragestellung wird anhand einer wissenschaftlichen Arbeit aufbereitet - dies geschieht selbständig und ohne fremde Hilfe (mit angegebenen Quellen und Hilfsmitteln). Durch diese Arbeitsweise wird sichergestellt, dass die Studierenden in der Lage sind, eine Problemstellung sowohl wissenschaftlich, als auch anwendungsorientiert zu bearbeiten. Themensuche, Gliederung und Zeitplanung sollen eigenständig durch die Studierenden erarbeitet werden - dies geschieht vor allem auch durch die kritische Auseinandersetzung mit möglichen Fragestellungen und Hypothesen. Die Betreuer:innen leiten die Studierenden dabei an. Wissenschaftliche Methodik und die formale Gestaltung werden im Rahmen des individuellen Coachings ebenso diskutiert wie Fragen des Zeitmanagements.

Die Arbeit kann in deutscher oder englischer Sprache verfasst werden.

- Einführung in wissensbasierte KI: Repräsentationsformen, Ontologien, Knowledge Graphs
- Herausforderungen statistischer Modelle (Halluzination, fehlende Konsistenz, Kontextgrenzen)
- Retrieval-Augmented Generation (RAG): Architekturen, Indexing, Embeddings, Pipelines
- Knowledge Graphs: Aufbau, Querying (SPARQL), Reasoning, Semantische Technologien
- Hybrid-AI-Ansätze: Verbindung von GenAI, klassischen KI-Verfahren und Symbolic Reasoning
- Ontology-Guided Prompting & Constraint-based Prompting
- Evaluationsmethoden: Knowledge Grounding, Fact-Checking, Consistency Metrics

Machine Learning Fundamentals
- Einführung in ML, Lernparadigmen, ML-Pipeline
- Klassische ML-Verfahren (Regression, Trees, Ensemble Methods, Clustering)
- Grundlagen neuronaler Netze & Deep Learning
- Modellgüte, Evaluierung, Bias–Variance, Cross-Validation

Generative AI

- Überblick generativer Modelle: LLMs, GANs, Diffusionsmodelle, VAEs
- Transformer-Architektur & Attention-Mechanismen
- Pretraining, Fine-Tuning, Instruction Tuning
- Prompting-Grundlagen & Controllability
- Einführung in RAG (Retrieval-Augmented Generation)
- Bild- und Multimodale Generative Modelle

- Geschichte und Überblick
- Cloud Computing Konzepte wie Service Modelle, Deployment Modelle
- Grundlegende Technologien des Cloud Computings (Virtualisierung, Infrastrukturmanagement)
- Neue Entwicklungen im Bereich Cloud Computing, wie etwa Containerisierung, Serverless Computing
- Strategien zu und Aufgaben, Probleme, Risiken beim Cloud Sourcing
- AI Cloud Services
- Nachhaltigkeit und Ressourcenverbrauch von Cloud Computing vs. On premise

- Grundlagen agentischer KI: Begriffe, Eigenschaften, Architekturen
- Entwurf von Agentensysteme: Modularisierung, Orchestrierung, Rollenmodelle
- Integration in Geschäfts- und Wissensprozesse
- Frameworks & Tools: (z.B. LangGraph, AutoGen, CrewAI, HuggingFace Agents, Assistants APIs)
- Multi-Agent-Systeme: Interaktionen, Delegation, Kollaboration
- Praktische Entwicklungsprojekte

IT-Security Fundamentals
- Sicherheitsziele (CIA), Bedrohungsmodelle, Risk Assessment
- Authentifizierung, Autorisierung, Identitätsmanagement
- Grundlagen der Kryptografie (Hashing, Symmetrische/Asymmetrische Verfahren)

Security in Machine Learning & AI Systems
- Besonderheiten moderner KI-Systeme
- KI-spezifische Angriffe:
- Prompt Injection, Indirect Prompt Injection
- Jailbreaking & Halluzinationen
- Data Poisoning & Backdooring
- Adversarial Examples
- Model Extraction & Model Inversion
- Angriffsflächen bei LLMs, Agentic AI und RAG-Systemen
- Schutzmechanismen: Guardrails, Red Teaming, Input Validation, Sandboxing

Sichere GenAI- und LLM-Integration
- API-Security & Zugriffskontrolle
- Daten- und Metadatensicherheit
- Logging, Monitoring & Audit Trails
- Content Filtering, Safety Layers & Moderation

- Datenschutz (z.B. DSGVO)
- Privacy (e-Privacy Verordnung)
- Umgang mit Daten aus ethischer/moralischer Sicht
- Compliance