Prof. Dr.-Ing. Joachim Warschat

Ehemaliger Leiter des Lehrgebiets Technologie- und Innovationsmanagement

Prof. WarschatFoto: ©Thomas Kueppers


Frühere Webversion im Archiv

Kontakt:

 

Offene Themen bei Prof. Dr. Ing. Joachim Warschat

Studien-/ Bachelor-/ Master-/ Diplomarbeit

Wir suchen ab sofort engagierte Unterstützung in Form einer Studien- / Abschlussarbeit (Bachelor, Master, Diplom) im Themenumfeld der Technologie Intelligence mit Data Envelopment Analysis (DEA), Neuronale Netze und System Dynamics.

Analyse, Auswertung und Implementierung mathematischer Modelle im Rahmen der Computer assisted Technology Intelligence (CaTI) Software-Entwicklung.

weiterlesen

Beschreibung (PDF 127 KB)

Mathematische DEA-Modelle

Im Rahmen dieser Arbeit sollen verschiedene mathematische DEA-Modelle zur Ermittlung von Technologie Index (Efficiency Analysis) untersucht, analysiert und ausgewertet werden.

CaTI soll mit weiterer Regression und NN Methoden erweitert werden. Es soll hierbei auch die existierende Methode nach Funktionsfähigkeit und Genauigkeit geprüft und ausgewertet werden.

Des Weiteren sollen Time Series-Algorithmen und weitere Vorhersage-Algorithmen zur Unterstützung der Technologiefrühaufklärung untersucht werden.

Die ausgewählten Modelle sollen in Form von Software Libraries in JAVA mit Spring Framework implementiert werden. Die implementierten Modelle werden zur Erweiterung der CaTI Software integriert und genutzt.

In dieser Arbeit soll auch ein Konzept erstellt werden, die die Nutzung von CaTI Methoden nach Anwendungsfällen kategorisiert und als Vorschlag bereitgestellt werden. Dieses Konzept wird als Hilfsstellung für den Nutzer des Systems werden, um die Genauigkeit der Berechnungen zu erhöhen.

Aufgaben:

  • Kurzdarstellung des DEA und Time Series-Analyse-Algorithmen als Einführung.
  • Auswahl, Analyse und Auswertung von Algorithmen.
  • Umsetzung / Programmierung der Algorithmen und Integration in die CaTI Software.
  • Testen und Validierung des gesamten integrierten Systems anhand von konkreten Beispielen.
  • Auswertung und Dokumentation von Ergebnissen

Voraussetzungen:

  • Java und spring Framework Programmier-Erfahrung
  • Studiengang Informatik, Mathematik, Softwaretechnik, Elektrotechnik, Informationstechnik, Technologiemanagement, BWL(t.-o.), Wirtschaftswissenschaften, Maschinenbau.
  • Selbständige, eigenverantwortliche und strukturierte Arbeitsweise
  • Hohe Motivation und Engagement
  • Interesse für Technik und Zukunft
  • Erfahrung mit Frontendtechnologien sind von Vorteil (Angular2, Sass, HTML5, CSS3, TypeScript, JavaScript)
  • Kenntnisse in der Konzeption und Umsetzung von benutzungsfreundlichen Schnittstellen sind von Vorteil

Hintergrund

Aufgrund der heutigen Geschäftsstruktur hängt das Überleben des Unternehmens sowohl von seiner Interaktion mit dem lokalen Markt als auch von der internationalen Ausrichtung seiner Entwicklungsaktivitäten ab. Vor diesem Hintergrund ist es in Zeiten zunehmender Globalisierung und internationalen Wettbewerbs zwingend erforderlich, technologische Entwicklungen und deren mögliche Auswirkungen auf den Markt kontinuierlich zu beobachten, zu bewerten und entsprechende Entscheidungen zu treffen.

Das CaTI Projekt wurde vor dem Hintergrund der Idee erstellt, verschiedene technologische Vorhersageverfahren mit neuronalen Netzen und Systemdynamiken zu kombinieren, um die Berechnung der technologische Veränderungsrat als Erweiterung von Technologievorhersage mittels Datenhüllenanalyse (TFDEA) zu dynamisieren, was in technologischen Prognosen Anwendungen nützlich wäre.

Ziel des CaTI-Systems ist es, den gesamten Technologiefrühaufklärungsprozess besser zu unterstützen, von der Datenerfassung und -generierung über Text- und Web-Mining und NDEA bis hin zur Analyse, Auswertung und Technologievorhersage durch Kombination von TFDEA mit Regressionsanalyse, NN und SD bis zur Übermittlung der Ergebnisse an einem Berichtssystem.

Kontakt für weitere Informationen und Bewerbung:

 

Analyse und Programmierung eines komplexen Eingabemoduls zur Erweiterung der Computer assisted Technology Intelligence Software (CaTI).

weiterlesen

Beschreibung (PDF 384 KB)

Im Rahmen dieser Arbeit soll eine JAVA-basierte Erweiterung der CaTI Software programmiert werden. Die Aufgabe ist die Erweiterung des Eingabemodules der „Technologie Intelligence using DEA“ Software mit einer Daten Management Funktion. Dieses soll dazu dienen, das CaTI System mit notwendigen Daten zu versorgen und zu verwalten.

Das Eingabemodul soll Zugriffe auf Datenbanken, Filesysteme, und Suche im Internet (Data mining) ermöglichen. Das Ergebnis soll in Form einer Eingabestruktur für die CaTI Software sein.

CaTI Dateneingabe Module soll auch mit einer Datenmanagement Funktion Erweitert werden.

Aufgaben:

  • Konzeption der Daten Management Funktionsstruktur der o.g. Erweiterung
  • Datenangabe durch vorbereitete Dateiformat
  • Dateneingaben durch CaTI vorgegebenen Eingabemöglichkeiten
  • Dateneingaben als Ergebnisse der semantischen Suche des Internets, Firmen und Forschungsdatenbanken.
  • Umsetzung / Programmierung des Erweiterungsmoduls und Integration in die CaTI Software.
  • Testen und Validierung des gesamten integrierten Systems.
  • Auswertung und Dokumentation von Ergebnissen

Voraussetzungen:

  • Java und spring Framework Programmier-Erfahrung
  • Studiengang Informatik, Mathematik, Softwaretechnik, Elektrotechnik, Informationstechnik, Technologiemanagement, BWL(t.-o.), Wirtschaftswissenschaften, Maschinenbau.
  • Selbständige, eigenverantwortliche und strukturierte Arbeitsweise
  • Hohe Motivation und Engagement
  • Interesse für Technik und Zukunft
  • Erfahrung mit Frontendtechnologien (Angular JS, Sass, HTML5, CSS3, TypeScript, JavaScript)
  • Kenntnisse in der Konzeption und Umsetzung von benutzungsfreundlichen Schnittstellen

Hintergrund

Aufgrund der heutigen Geschäftsstruktur hängt das Überleben des Unternehmens sowohl von seiner Interaktion mit dem lokalen Markt als auch von der internationalen Ausrichtung seiner Entwicklungsaktivitäten ab. Vor diesem Hintergrund ist es in Zeiten zunehmender Globalisierung und internationalen Wettbewerbs zwingend erforderlich, technologische Entwicklungen und deren mögliche Auswirkungen auf den Markt kontinuierlich zu beobachten, zu bewerten und entsprechende Entscheidungen zu treffen.

Das CaTI Projekt wurde vor dem Hintergrund der Idee erstellt, verschiedene technologische Vorhersageverfahren mit neuronalen Netzen und Systemdynamiken zu kombinieren, um die Berechnung der technologische Veränderungsrat als Erweiterung von Technologievorhersage mittels Datenhüllenanalyse (TFDEA) zu dynamisieren, was in technologischen Prognosen Anwendungen nützlich wäre.

Ziel des CaTI-Systems ist es, den gesamten Technologiefrühaufklärungsprozess besser zu unterstützen, von der Datenerfassung und -generierung über Text- und Web-Mining und NDEA bis hin zur Analyse, Auswertung und Technologievorhersage durch Kombination von TFDEA mit Regressionsanalyse, NN und SD bis zur Übermittlung der Ergebnisse an einem Berichtssystem.

Kontakt für weitere Informationen und Bewerbung:

 
  • Thema 1: Entwicklung eines Visualisierungstools zur Erklärbarkeit von Machine-Learning-Modellen mit React

    Forschungsfrage: Wie kann ein interaktives Visualisierungstool entwickelt werden, das die Entscheidungsprozesse von Machine-Learning-Modellen für Entwickler verständlicher macht?

    Beschreibung: Untersuchung von Methoden zur Visualisierung von Modellentscheidungen, z.B. Entscheidungsbäume, Shapley-Werte, LIME. - Entwicklung eines Prototyps in React, der diese Visualisierungen integriert. - Evaluierung des Prototyps durch Benutzerstudien mit Entwicklern.

    Thema 2: Nutzerfreundliche Erklärung von KI-Entscheidungen: Ein Ansatz basierend auf React

    Forschungsfrage: Wie kann man ein User Interface gestalten, das Nutzern die Entscheidungen von KI-Modellen verständlich erklärt, ohne sie mit Informationen zu überfordern?

    Beschreibung:Untersuchung von Best Practices in der UX/UI-Design für die Darstellung komplexer Informationen. - Entwicklung eines React-basierten Prototyps, der einfache und intuitive Erklärungen bietet. - Durchführung von Usability-Tests, um die Effektivität der Erklärungen zu messen.

    Thema 3: Design und Prototyping eines KI-gestützten User Interfaces für die Patentanalyse

    Forschungsfrage: Wie kann ein User Interface für die Patentanalyse mit KI-Unterstützung entwickelt werden, das den Arbeitsfluss der Nutzer optimiert?

    Beschreibung: Analyse der Anforderungen und Bedürfnisse der Nutzer im Bereich der Patentanalyse. - Entwicklung eines UX-Flows und eines Prototyps mit React, der KI-gestützte Funktionen integriert. - Bewertung des Prototyps durch Tests mit tatsächlichen Nutzern aus dem Bereich der Patentanalyse.

    Thema 4: Visualisierungsmöglichkeiten für KI-Modelle in React: Ein Vergleich und Prototyping

    Forschungsfrage: Welche Visualisierungsmethoden sind am besten geeignet, um die Entscheidungen von KI-Modellen zu veranschaulichen, und wie können sie in einer React-Anwendung implementiert werden?

    Beschreibung: Untersuchung verschiedener Visualisierungsmethoden wie Entscheidungsbäume, Highlighting von Entitäten, Heatmaps usw. - Entwicklung eines React-Prototyps, der verschiedene Visualisierungen implementiert. - Vergleich und Bewertung der verschiedenen Methoden anhand von Benutzerfeedback und -studien.

    Gemeinsame Methodik:

    1. Literaturrecherche: Untersuchung existierender Ansätze und Best Practices in den Bereichen Visualisierung, Erklärbarkeit von KI-Modellen, und UX-Design.
    2. Prototypenentwicklung: Implementierung der erarbeiteten Konzepte in einem interaktiven Prototypen mit React.
    3. Evaluation: Durchführung von Benutzerstudien und Interviews zur Bewertung der Prototypen. - Analyse der Ergebnisse und Iteration des Prototyps basierend auf dem Feedback. Diese Themen und Forschungsfragen bieten eine solide Grundlage für deine Masterarbeit und nutzen deine Fähigkeiten in der React JavaScript Entwicklung optimal. Sie verbinden technische Herausforderungen mit wichtigen Aspekten der Nutzerfreundlichkeit und Erklärbarkeit, was zu einem sehr relevanten und praxisnahen Beitrag führen kann.
  • Thema 1: Ein interaktives Feedback-Tool für Reinforcement Learning: Entwicklung und Integration

    Forschungsfrage: Wie kann ein interaktives Tool entwickelt werden, das Nutzern ermöglicht, Feedback zu den Entscheidungen eines Reinforcement Learning Modells zu geben, und wie kann dieses Feedback effektiv in das Modell integriert werden?

    Beschreibung: Untersuchung von Methoden zur Einbindung von Nutzerfeedback in RL-Modelle. - Entwicklung eines React-basierten Prototyps, der ein benutzerfreundliches Interface für Feedback bietet. - Evaluierung der Effektivität der Feedback-Integration durch Experimente und Benutzerstudien.

    Thema 2: Incorporating User Feedback in Machine Learning Models: Tools, Frameworks, and Techniques

    Forschungsfrage: Welche Tools und Frameworks sind am besten geeignet, um Nutzerfeedback in Machine Learning Modelle zu integrieren, und welche Vor- und Nachteile haben diese Ansätze?

    Beschreibung: Überblick über existierende Tools und Frameworks für die Integration von Nutzerfeedback. - Vergleich verschiedener Ansätze und deren Vor- und Nachteile. - Entwicklung eines React-Prototyps, der einen ausgewählten Ansatz implementiert, und Bewertung durch Benutzerstudien.

    Thema 3: Reinforcement Learning in Generative KI und LLM: Neue Verfahren und Anwendungen

    Forschungsfrage: Welche neuen Verfahren für Reinforcement Learning gibt es im Bereich Generative KI und Large Language Models (LLM), und wie unterscheiden sie sich von traditionellen ML-Modellen?

    Beschreibung: Literaturrecherche zu aktuellen Entwicklungen im Bereich Reinforcement Learning für Generative KI und LLM. - Implementierung eines ausgewählten Verfahrens in einem React-basierten Prototyp. - Evaluierung der Methode durch Experimente und Benutzerstudien.

    Thema 4: Reinforcement Learning für Training und Fine-Tuning vs. Retrieval-Augmented Generation (RAG) Modelle

    Forschungsfrage: Kann Reinforcement Learning nicht nur für das Training und Fine-Tuning, sondern auch für Retrieval-Augmented Generation (RAG) Modelle genutzt werden, und wenn ja, wie?

    Beschreibung: Untersuchung der Anwendung von RL im Training, Fine-Tuning und bei RAG-Modellen. - Entwicklung eines React-basierten Prototyps, der einen dieser Ansätze umsetzt. - Evaluierung der Methode durch Experimente und Benutzerstudien.

    Thema 5: Evaluating the Use of Reinforcement Learning for Patent Analysis Tasks

    Forschungsfrage: In welchen Komponenten der Patentanalyse (z.B. Klassifizierung von Ansprüchen, Ähnlichkeitsanalyse von Patenten) kann Reinforcement Learning sinnvoll eingesetzt werden, und wie effektiv ist dieser Einsatz?

    Beschreibung: Identifikation von Komponenten der Patentanalyse, die durch RL verbessert werden können. - Entwicklung eines React-basierten Prototyps für eine ausgewählte Komponente. - Evaluierung der Effektivität des RL-Einsatzes durch Experimente und Benutzerstudien.

    Gemeinsame Methodik:

    1. Literaturrecherche: Untersuchung existierender Ansätze und Best Practices im Bereich Reinforcement Learning und Nutzerfeedback.
    2. Prototypenentwicklung: Implementierung der erarbeiteten Konzepte in einem interaktiven Prototypen mit React.
    3. Evaluation: Durchführung von Benutzerstudien und Interviews zur Bewertung der Prototypen. - Analyse der Ergebnisse und Iteration des Prototyps basierend auf dem Feedback. Diese zusätzlichen Themenvorschläge bieten eine breite Palette an Möglichkeiten, um dein Wissen und deine Fähigkeiten in React und Reinforcement Learning zu kombinieren und auf praktische, relevante Probleme anzuwenden.
 
    • Warschat, Joachim; Ardilio, Antonino ; Riedel, Oliver ( 2024): Technologie-management in produzierenden Unternehmen, in Handbuch Unternehmensorganisation
    • Warschat, Joachim; Wierse, Andreas; Riedel, Oliver (2024):Künstliche Intelligenz und ihr Einfluss auf das Unternehmen, in Handbuch Unternehmensorganisation
    • Pokorni, Bastian; Riedel, Oliver; Warschat, Joachim (2024). Digitale Transformation und KI in Produktionssystemen, in Handbuch Unternehmensorganisation
    • Trapp, Stefan ; Warschat, Joachim (2024): LLM-based Extraction of Contradictions from Patents.https://arxiv.org/abs/2403.14258
    • Trapp, Stefan; Großer, Nathanael; Warschat, Joachim (2023). Question Answering with Transformers and Few-Shot Learning to Find Inventive Solutions for IDM-TRIZ Problems and Contradictions in Patents. In: Cavallucci, D., Livotov, P., Brad, S. (eds) Towards AI-Aided Invention and Innovation. TFC 2023. IFIP Advances in Information and Communication Technology, vol 682. Springer, Cham.
      https://doi.org/10.1007/978-3-031-42532-5_2
    • Adjogble, Franck K.; Warschat, Joachim: Technology lntelligence : Technologie-frühaufklärung mit statistischen Verfahren und neuronalen Netzen.In: Smart Innovation durch Natural Language Processing. 2021, S. 301-329.
      DOI: 10.3139/9783446466067.014
    • Bauer, Wilhelm; Warschat, Joachim; Ardilio, Antonino: Technologie als Innovationstreiber.In: Smart Innovation durch Natural Language Processing. 2021, S. 27-37.
      DOI: 10.3139/9783446466067.003
    • Bauer, Wilhelm [Hrsg.]; Warschat, Joachim [Hrsg.]: Smart Innovation durch Natural Language Processing: mit künstlicher Intelligenz die Wettbewerbsfähigkeit verbessern. München: Hanser, 2021.
    • Warschat, Joachim; Hemmje, Matthias; Schmitz, Michael; Ardilio, Antonino: Methoden der Künstlichen Intelligenz. In: Smart Innovation durch Natural Language Processing. 2021, S. 55-188.
      DOI: 10.3139/9783446466067.006
    • Bauer, Wilhelm; Warschat, Joachim: KI in der Praxis. In: Smart Innovation durch Natural Language Processing. 2021, S. 189-192.
      DOI: 10.3139/9783446466067.007
    • Bauer, Wilhelm; Warschat, Joachim: Innovation – der Motor der Wirtschaft.In: Smart Innovation durch Natural Language Processing. 2021, S. 3-18.
      DOI: 10.3139/9783446466067.001
    • Heller, Lukas; Warschat, Joachim: Extraktion von Problemstellung und Lösung aus Patenten mit neuronalen Netzen.In: Smart Innovation durch Natural Language Processing. 2021, S. 195-218.
      DOI: 10.3139/9783446466067.008
    • Bauer, Wilhelm; Warschat, Joachim: Die Datenflut.In: Smart Innovation durch Natural Language Processing. 2021, S. 47-53.
      DOI: 10.3139/9783446466067.005
    • Adjogble, Franck K.; Leyendecker, Nadja; Warschat, Joachim; Fischer, Thomas; Ardilio, Antonino: Technology forecasting using network data envelopment analysis use case: electrical vehicles. In: Data envelopment analysis and performance measurement: recent developments. 2018, S. 150-158.
    • Adjogble, Franck K.; Leyendecker, Nadja; Warschat, Joachim; Fischer, Thomas; Ardilio, Antonino: Technology forecasting based on efficiency analysis of systems with interdependent subcomponents using network data envelopment analysis.In: Data envelopment analysis and performance measurement: recent developments. 2018S. 143-149.
    • Le, Nguyen Truong; Warschat, Joachim; Farrenkopf, Tobias: An early-biologisation process to improve the acceptance of biomimetics in organizations.In: Advanced computational methods for knowledge engineering. 2018, S. 175-183.
      DOI: 10.1007/978-3-319-61911-8_16
    • Wich, Yvonne; Warschat, Joachim; Spath, Dieter; Ardilio, Antonino; König-Urban, Kamilla; Uhlmann, Eckart: Using a text mining tool for patent analyses : development of a new method for the repairing of gas turbines. In: Portland International Conference on Management of Engineering and Technology 2013 in San Jose. 2013, S. 1010-1016.
    • Bunzel, Stefanie; Warschat, Joachim; Spath, Dieter; Ardilio, Antonino: Ontology- and function-based technology model for decision making in new product development.In: Strategic planning decisions in the high tech industry. 2013, S. 35-51. DOI: 10.1007/978-1-4471-4887-6_3
    • Bullinger, Hans-Jörg; Warschat, Joachim; Lay, Klaus: Künstliche Intelligenz in Konstruktion und Arbeitsplanung. Landsberg, Lech: mi, Verl. Moderne Industrie, 1989.