Offene Themen für Abschlussarbeiten

Karriereerfolg im digitalen Arbeitsmarkt – eine systematische Literaturrecherche

Problemstellung: Der Karriereerfolg von Fachkräften wird in der Forschung sehr unterschiedlich konzipiert und gemessen. Ziel dieser Arbeit ist eine strukturierte Aufarbeitung des aktuellen Forschungsstands zu Konstrukten, Operationalisierungen und Datenquellen, inklusive Plattformansätzen wie LinkedIn.

Aufgabenstellung und Methodik: Systematische Literaturrecherche (z.B. PRISMA-Methode) und Ableitung von Forschungslücken. Schwerpunkte können gesetzt werden auf

• subjektiven Konstrukten,
• objektiven Konstrukten oder
• plattformbasierten Datenerhebungen.

Sie bringen mit: Interesse an Literaturarbeit, sorgfältige Arbeitsweise, wissenschaftliches Schreiben.

Vergleich der Data-Science-Berufsgruppe mit klassischen IT-Fachkräften

Problemstellung: Data Scientists werden häufig als eigenständige Berufsgruppe mit spezifischen Kompetenzprofilen und Karrierewegen beschrieben. Unklar ist jedoch, inwiefern sie sich tatsächlich von klassischen IT-Fachrollen unterscheiden.

Aufgabenstellung und Methodik: Diese Arbeit soll Gemeinsamkeiten und Unterschiede zwischen Data Scientists und IT-Fachrollen anhand quantitativer Datensätze mithilfe inferenzstatistischer Verfahren auswerten.

Sie bringen mit: Gute Kenntnisse in Statistik/Statistiksoftware (z.B. R) und Interesse an empirischer Forschung.

Entwicklung eines Datenerhebungswerkzeugs für Karrierenetzwerke

Problemstellung: Digitale Plattformen wie LinkedIn bieten wertvolle Datenquellen für die Arbeitsmarkt- und Karriereforschung. Für eine systematische Auswertung sind jedoch maßgeschneiderte Datenerhebungswerkzeuge notwendig.

Aufgabenstellung und Methodik: Diese Arbeit soll – auf Basis von Vorarbeiten des Lehrstuhls – einen Web-Crawler zur strukturierten Datensammlung auf Karriereportalen (z.B. LinkedIn) für die arbeitsmarktbezogene Forschung konzeptionieren, implementieren und testen.

Sie bringen mit: HTML und Programmierkenntnisse (Python), Interesse an Webtechnologien und Data Engineering.

Von assistierender Analyse zur autonomen Entscheidungsunterstützung – Die Rolle von Agentic AI im Process Mining

Diese Arbeit untersucht, wie agentische KI-Systeme im Process Mining eingesetzt werden können, um aus Prozessdaten interaktive Analysen, adaptive Empfehlungen und autonome Handlungen abzuleiten. Aufbauend auf einer assistierenden Agentenrolle wird erforscht, wie sich Agentic AI von reaktiven Analysefunktionen hin zu eigenständig agierenden Prozessakteuren entwickeln kann. Ziel ist es, die unterschiedlichen Stufen (assistierend, automatisierend, autonom) zu analysieren und ihre Potenziale für datengetriebene Prozessverbesserung aufzuzeigen.

Bearbeitungsschwerpunkte:

• Analyse der Rolle von Agentic AI in der datenbasierten Prozessanalyse
• Modellierung und Klassifikation von Agentenfunktionen (Assistenz → Autonomie)
• Einsatz von Logdaten zur Identifikation kontextsensitiver Entscheidungs- oder Handlungsmuster
• Prototypische Umsetzung eines Agentic-AI-Moduls zur interaktiven Prozessanalyse oder Handlungsempfehlung
• Evaluation der Ergebnisse hinsichtlich interpretierbarer Prozessverbesserung und Automatisierungspotenzial

Assistenzsysteme für Stromnetzleitstellen in kritischen Infrastrukturen

Problemstellung: Stromnetzleitstellen sind Teil der kritischen Infrastruktur, die unsere Gesellschaft und Wirtschaft am Leben hält. Aufgrund steigender Anforderungen der Energiewende und des Fachkräftemangels gewinnen Entscheidungsunterstützungssysteme an stärkerer Bedeutung, um Operatoren dabei zu unterstützen, komplexe Situationen effizient zu bewältigen und Risiken zu minimieren.

Aufgabenstellung und Methodik: Diese Arbeit soll bestehende Forschungs- und Praxisliteratur zu Entscheidungsunterstützungssystemen in der kritischen Infrastruktur sichten und einen Software-Stacks, ggf. in Kooperation mit Forschungspartnernm, entwerfen und prototypisch Implementieren.

Stretch Goal: Bei hoher Motivation und sehr guten Ergebnissen kann die Arbeit in Kooperation mit dem Betreuer zu einer Einreichung bei einer wissenschaftlichen Fachkonferenz weiterentwickelt werden.

Sie bringen mit: Interesse an sozio-technischen Systemen sowie Grundkenntnisse in Softwareentwicklung.

Machine Learning für die Stromprognose im Verteilnetz

Problemstellung: Zuverlässige Prognosen von Stromverbrauch und Stromerzeugung sind essenziell für den sicheren und effizienten Betrieb moderner Verteilnetze.

Aufgabenstellung und Methodik: Methodischer Vergleich moderner Prognosemodelle, z.B. Temporal Fusion Transformer, TSMixer. Thematisch kann der Schwerpunkt entweder auf a) Stromverbrauch, b) Stromproduktion von Wind- oder c) Solaranlagen, oder d) auf die Prognose von Strompreisen gelegt werden.

Stretch Goal: Bei hoher Motivation und sehr guten Ergebnissen kann die Arbeit in Kooperation mit dem Betreuer zu einer Einreichung bei einer wissenschaftlichen Fachkonferenz weiterentwickelt werden.

Sie bringen mit: Sehr gute Kenntnisse in Python, Machine Learning und Zeitreihenanalyse.

Vorhersagen in hierarchischen Entscheidungssystemen – Literaturrecherche

Problemstellung: In vielen Anwendungsbereichen werden Entscheidungen entlang hierarchischer Ebenen getroffen (z.B. im Betrieb von Verteilnetzen oder in großen Organisationen). Prognosen spielen dabei eine zentrale Rolle als Grundlage koordinierten Handelns.

Aufgabenstellung und Methodik: Diese Arbeit widmet sich der systematischen Analyse existierender Forschungsarbeiten (z.B. Literaturanalyse nach PRISMA-Methode, Inhaltsanalyse) zu Prognoseansätzen in hierarchischen Entscheidungssystemen. Thematisch kann der Schwerpunkt auf a) Vorhersagemethoden in Hierarchien, b) der Entscheidungsfindung in Hierarchien oder c) in der Auflösung fachlicher Wiedersprüche liegen.

Sie bringen mit: Interesse an konzeptioneller Forschung und strukturierter Literaturarbeit.

Agiles Arbeiten in Data-Science-Teams

Problemstellung: Data-Science-Projekte sind durch hohe Unsicherheit, eine Vielzahl an Stakeholdern und iteratives Vorgehen gekennzeichnet. Agile Arbeitsweisen und Frameworks gelten als potenziell geeigneter Ansatz zur Strukturierung solcher Projekte, scheinen aber an Grenzen von Agilen Methoden in der Paxis zu stoppen.

Aufgabenstellung und Methodik: Qualitative Untersuchung agiler Praktiken für Data-Science-Projekte anhand von Interview- und Fallstudiendaten.

Sie bringen mit: Interesse an qualitativen Forschungsmethoden und sorgfältiger Textanalyse.

Data Science und Fachabteilungen – Zusammenarbeit im Fokus

Problemstellung: Data-Science-Projekte erfordern intensive Interaktion zwischen analytischen Spezialisten, IT-/Reporting-Abteilungen und fachlichen Anwenderbereichen. Missverständnisse, Zielkonflikte und Kommunikationsprobleme sind dabei häufige Herausforderungen.

Aufgabenstellung und Methodik: Diese Arbeit soll die Kooperation zwischen Data-Science-Teams und Fachabteilungen anhand qualitativer Interviews analysieren und unter anderem Kooperationsmuster, Werkzeuge der Zusammenarbeit (z.B. Boundary Objects) und Konfliktfelder identifizieren.

Sie bringen mit: Interesse an Organisationsforschung und qualitativer Analyse.

Analyse und Konzeption einer Datenstrategie als Grundlage für den Einsatz von KI-basierter Entscheidungsunterstützung im Produktionsumfeld 

Gegenwärtige Entwicklungen im Bereich der künstlichen Intelligenz (KI) ermöglichen datenbasierte Entscheidungsunterstützung im Produktionsumfeld. Die Grundlage einer solchen datenbasierten Entscheidungsunterstützung besteht in der bedarfsgerechten Erfassung und Speicherung der Daten, wozu eine passende Datenstrategie erforderlich ist.  Die vorliegende Arbeit soll systematisch Ansätze zur Erstellung einer Datenstrategie im Produktionsumfeld analysieren und deren praktische Umsetzbarkeit anhand eines konkreten Anwendungsfalls im Maschinenbau evaluieren. 

Hinweis: Thema vorbehaltlich der finalen Zusage des Kooperationsunternehmens. Reichen Sie dieses Thema daher nicht als einzigen Vorschlag ein!

Der digitale Patient als kognitives Artefakt

Diese Abschlussarbeit widmet sich dem digitalen Patienten als kognitivem Artefakt zur Unterstützung medizinischer Entscheidungsfindung und Versorgung. Ziel ist es, eine gezielte Analyse der Funktionen und Datenstrukturen vorzunehmen, die den digitalen Patienten als Werkzeug in der Interaktion mit medizinischen Fachkräften und Patienten definieren. Der Schwerpunkt liegt auf der Modellierung von Anwendungsfällen sowie der Darstellung der Interaktion mit anderen Systemen, wie elektronischen Gesundheitsakten oder Wearables.

Der digitale Patient als digitaler Zwilling – Systematische Analyse von Datenströmen, Schnittstellen und regulatorischen Anforderungen

Diese Arbeit zielt darauf ab, ein systematisches Verständnis des digitalen Patientenmodells (Digital Patient Twin) zu erarbeiten. Im Fokus stehen die relevanten Datenquellen (u. a. Wearables, ePA), die Klassifikation und Analyse der eingesetzten Schnittstellenstandards (u. a. HL7 V2/V3, FHIR, IHE-Profile) sowie die Betrachtung zentraler regulatorischer Rahmenbedingungen (DSGVO, MDR, Digitale-Versorgung-Gesetz). Das Ergebnis soll eine strukturierte Übersicht der Datenströme und Interoperabilitätsstandards liefern, ergänzt durch ein konsistentes Datenfluss- bzw. Schnittstellenmodell.

Bearbeitungsschwerpunkte:

• Strukturierung und Kategorisierung relevanter Datenquellen für den digitalen Patienten
• Klassifizierung von Schnittstellenarten und Interoperabilitätsstandards (HL7, FHIR, IHE u. a.)
• Analyse rechtlicher und regulatorischer Anforderungen (DSGVO, MDR, DVG u. a.)
• Erstellung eines Typologie- bzw. Datenflussmodells zur Visualisierung der Schnittstellen und Datenströme

Entwicklung eines Frameworks für die Interoperabilität digitaler Gesundheitstechnologien: Der digitale Patient als Schnittstelle

Die fortschreitende Digitalisierung im Gesundheitswesen erfordert eine nahtlose Integration und Interoperabilität zwischen unterschiedlichen digitalen Technologien wie dem digitalen Patienten, elektronischen Patientenakten (EPA), E-Rezepten, medizinischen Wearables und Conversational Agents. Diese Arbeit hat das Ziel, ein Framework zu entwickeln, das als Schnittstelle für die Interoperabilität dieser Technologien dient. Inspiriert von Industriestandards wie "OPC UA" im Maschinenbau soll das Framework den Datenaustausch standardisieren und die Effizienz in Versorgungsprozessen steigern. Die Arbeit wird sich mit den technologischen Herausforderungen der Interoperabilität, Best-Practice-Modellen sowie der Analyse bestehender Kommunikationsstandards in verwandten Branchen befassen. Ziel ist es, ein interoperables Modell zu entwickeln, das eine sichere und effiziente Kommunikation im Gesundheitssektor ermöglicht.

Interaktionsmechanismen zwischen Patienten - AI-Agent - digitaler Patienten

Diese Arbeit untersucht die Interaktionsmechanismen zwischen Patienten, AI-gestützten Assistenzsystemen und digitalen Patientenmodellen. Ziel ist es, bestehende und potenzielle Kommunikationsformen zu analysieren, Herausforderungen zu identifizieren und ein Konzept für effektive, nutzerfreundliche Interaktionsprozesse zu entwickeln. Ein besonderer Fokus liegt auf der Integration von multimodalen Kommunikationskanälen (z. B. Sprache, Text, Gesten) sowie der Nutzung von Personalisierungsmechanismen zur Optimierung der Patientenerfahrung. Ziel der Arbeit ist eine Konzeptentwicklung für ein Interaktionsmodell für den geschilderten Anwendungsbereich unter Berücksichtigung relevanter Schnittstellen.

Bearbeitungsschwerpunkte:

• Systematische Analyse bestehender Interaktionsmechanismen in Gesundheits- und KI-Systemen
• Untersuchung von Dialogmanagement-Ansätzen für AI-gestützte Systeme
• Konzeptentwicklung für ein adaptives Interaktionsmodell unter Berücksichtigung relevanter Schnittstellen (z. B. FHIR für medizinische Datenintegration)

Erfolgsfaktoren digitaler Geschäftsmodelle in der Kreislaufwirtschaft – Eine Analyse am Beispiel von "Product-as-a-Service"-Anwendungen

Digitale Technologien verändern zunehmend die Art und Weise, wie Unternehmen Wert schaffen und bereitstellen. Insbesondere im Kontext der Kreislaufwirtschaft eröffnen digitale Geschäftsmodelle neue Möglichkeiten, Ressourcen effizienter zu nutzen und Produkte über ihren gesamten Lebenszyklus hinweg nachhaltig zu bewirtschaften. Ein Ansatz, der hierbei besondere Aufmerksamkeit erhält, ist das Konzept „Product-as-a-Service“ (PaaS) beziehungsweise „Equipment-as-a-Service“ (EaaS). Statt Produkte zu verkaufen, stellen Unternehmen diese als Dienstleistung bereit, wodurch Nutzung, Wartung und Rückführung stärker kontrolliert und optimiert werden können.

Vor diesem Hintergrund untersucht die Arbeit die zentralen Erfolgsfaktoren digitaler Geschäftsmodelle innerhalb der Kreislaufwirtschaft. Der Fokus liegt darauf, wie digitale Technologien die Wertschöpfung, insbesondere in Bezug auf Value Proposition, Value Configuration und Value Co-Creation, unterstützen können und welche Rolle sie für eine nachhaltige Implementierung von PaaS- und EaaS-Modellen spielen.

Konzeption von Agentic AI im Kontext Digitaler Zwillinge

Die zunehmende Digitalisierung industrieller Prozesse führt dazu, dass Digitale Zwillinge immer stärker als zentrale Informations- und Steuerungssysteme eingesetzt werden. Sie ermöglichen es, physische Objekte, Anlagen oder Prozesse virtuell abzubilden, deren Zustand in Echtzeit zu überwachen und fundierte Entscheidungen auf Basis von Daten zu treffen. Gleichzeitig eröffnen neue Entwicklungen im Bereich der Agentic AI – also autonom handelnder, zielorientierter KI-Systeme – zusätzliche Potenziale, um Digitale Zwillinge nicht nur als passive Abbildungen, sondern als aktive, adaptive Systeme zu gestalten.

Vor diesem Hintergrund verfolgt die Arbeit das Ziel, ein Konzept für den Einsatz von Agentic AI im Kontext Digitaler Zwillinge zu entwickeln. Im Mittelpunkt steht dabei die Frage, wie autonome KI-Agenten Digitale Zwillinge erweitern können, um Entscheidungsprozesse zu unterstützen, Prozesse zu optimieren oder Handlungsempfehlungen abzuleiten. Die Kombination beider Technologien verspricht insbesondere Vorteile in komplexen, dynamischen Systemen, in denen große Datenmengen verarbeitet und kontinuierlich bewertet werden müssen.

Mögliche Bearbeitungsschwerpunkte:

• Literaturstudium zum Stand der Technik
• Interviewstudie und Qualitative Inhaltsanalyse
• Anforderungserhebung
• Erarbeitung und Evaluierung eines Konzepts

Prototypisierung von Agentic AI im Kontext einer Digital Twin Plattform

Die zunehmende Digitalisierung industrieller Prozesse führt dazu, dass Digitale Zwillinge immer stärker als zentrale Informations- und Steuerungssysteme eingesetzt werden. Sie ermöglichen es, physische Objekte, Anlagen oder Prozesse virtuell abzubilden, deren Zustand in Echtzeit zu überwachen und fundierte Entscheidungen auf Basis von Daten zu treffen. Gleichzeitig eröffnen neue Entwicklungen im Bereich der Agentic AI – also autonom handelnder, zielorientierter KI-Systeme – zusätzliche Potenziale, um Digitale Zwillinge nicht nur als passive Abbildungen, sondern als aktive, adaptive Systeme zu gestalten.

Vor diesem Hintergrund beschäftigt sich diese Arbeit mit der Prototypisierung von Agentic AI im Kontext der bestehenden Co-TWIN Plattform. Ziel ist es, das Potenzial agentenbasierter KI-Systeme innerhalb der Plattform zu untersuchen und konkrete Einsatzmöglichkeiten zu identifizieren. Dabei steht insbesondere die Frage im Fokus, wie Agentic AI die Funktionalitäten der Digital-Twin-Plattform erweitern kann, beispielsweise durch automatisierte Analyse, Entscheidungsunterstützung oder die selbstständige Ausführung definierter Aufgaben.

Bearbeitungsschwerpunkte:

• Literaturstudium zum Stand der Technik
• Analyse und Aufbereitung der Co-Twin Plattform
• Erarbeitung eines Use Cases (Workshop/Interviews)
• Umsetzung/Adaption eines Agenten oder Multiagenten Ansatzes im Kontext der Co-Twin Plattform
• Prototypischer Demonstrator
• Evaluation der Ergebnisse

Validierung einer Prozessüberwachung für das Metall-Ultraschallschweißen auf Basis des maschinellen Lernens und laservibrometrischen Daten

Das Metall-Ultraschallschweißen ist ein Festphasenfügeverfahren, welches primär in elektrischen und elektronischen Anwendungen eingesetzt wird, beispielsweise in Leitungen in Bordnetzen im Automotive- und Aerospace-Bereich. Die Prozessüberwachung stellt das Verfahren aufgrund seiner sehr kurzen Taktzeiten (ca. 1 s) jedoch vor große Herausforderungen. Ein aktuelles Forschungsvorhaben beschäftigt sich mit der Möglichkeit, Schwingungsmessdaten, die während des Schweißprozesses mittels Laservibrometern ermittelt wurden, zur Prozessüberwachung zu nutzen. Hierzu existiert bereits ein vielversprechender Ansatz (R-UMLDA), der im Rahmen dieser Arbeit validiert werden soll. R-UMLDA soll mehrkanalige Prozesssignale zu wenigen Merkmalen verdichten, die möglichst stark mit der später gemessenen Zugfestigkeit zusammenhängen. Ziel ist es, die Festigkeit einer geschweißten Verbindung aus den Schwingungsdaten vorherzusagen und damit den Aufwand für Zugversuche in der Industrie deutlich zu reduzieren.

Bearbeitungsschwerpunkte:

• Literaturstudium zum Stand der Technik, insbesondere zu R-UMLDA und verwandten Verfahren
• Datenaufbereitung der vibrometrischen Zeitreihen (Feature Engineering/Signalverarbeitung nach Bedarf)
• Umsetzung/Adaption von R-UMLDA oder anderen adäquaten Verfahren auf den vorhandenen Datensatz
• Prototypischer Demonstrator
• Evaluation der Ergebnisse

Anforderungen

• Vorkenntnisse im Bereich Künstliche Intelligenz und Maschinelles Lernen
• Programmiererfahrung in Python oder ähnliches (Zeitreihen/Signalverarbeitung von Vorteil)
• Keine Vorkenntnisse zu Fügeverfahren erforderlich