(B)UI-Wiki

Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt.
====== Themen für Abschlussarbeiten im Projekt Simplex4Learning (S4L) ======

Infos zum Projekt Simplex4Learning:
  * [[https://www.htw-berlin.de/forschung/online-forschungskatalog/projekte/projekt/?eid=3492|HTW-Projektseite]]
  * [[https://simplex4learning.de|Offizielle Projekt-Webseite]]


===== Agentenbasierte KI (Agentic AI) im Umweltbereich =====

==== Motivation ====
Agenten sind keine Chatbots. Sie handeln selbst: Sie surfen im Netz, füllen Formulare aus, rufen an, senden E-Mails, automatisieren deine Abläufe. Anders als klassische AI Modelle sind sie keine Helfer – sie sind Kollegen. "2025 wird das Jahr, in dem Agenten die Arbeitswelt massiv verändern." – Sam Altman, CEO OpenAI.

Derzeit gibt es einen großen Hype um das Thema KI-Agenten. Immer mehr KI-Agenten-Technologien werden verfügbar und immer mehr Anwendungsfälle werden umgesetzt.

==== Problem ====
Während das allgemeine Potenzial von KI-Agenten riesig zu sein scheint, ist bisher wenig über Anwendungsfälle und Umsetzungen im Umweltbereich bekannt.

==== Ziel ====
Das Ziel der Arbeit ist es:
  * zu untersuchen, welche Potenziale die KI-Agenten-Technologie bietet 
  * augzuzeigen, welche Anwendungsfälle und Nutzen im Umweltbereich möglich sind (und welche potenziellen Gefahren)
  * einen potenziellen Anwendungsfall auszuwählen, umzusetzen und zu evaluieren


Vorgehen / Aufgaben / Forschungsfragen
  * Verstehen & Einordnen: 
    * Thema: Was sind AI-Agenten – und warum verändern sie die Arbeitswelt?
    * Ergebnis: Erkennen, wie Agenten funktionieren und welches Potenzial in ihnen steckt.
  * Technologisch eintauchen
    * Thema: Welche KI-Agenten-Technologien gibt es bereits (z.B. OpenAI Operator, Manus), wie lassen sich diese klassifizieren (z.B. Workflow-Agenten, spezifische vs. generische Agenten-Tools etc.)
    * Ergebnis: Überblick über den Stand der technischen Entwicklung; Ideen für eigene technische Umsetzung
  * Anwendungsfälle & Use-Cases
    * Thema: Reale Anwendungsbeispiele; Potenzielle Anwendungsfälle für den Umweltbereich
    * Ergebnis: Überblick über den Stand in der Forschung und Praxis; Umsetzbare Ideen für eigenen Agenten.
  * Umsetzung
    * Thema: Wie kann ein konkretes Beispiel umgesetzt werden?
    * Ergebnis: Auswahl und Konzeption der Umsetzung eines Anwendungsfalls aus dem Umweltbereich
  * Implementierung
  * Evaluation


===== Maschinelles Lernen in deutschen Umweltbehörden (Masterarbeit) =====

==== Motivation ====

Umweltbehörden auf Bundes-, Landes- und kommunaler Ebene haben die Aufgabe, vielfältige ökologische Phänomene und ihr komplexes Zusammenspiel in den verschiedenen vertikalen Segmenten (wie Naturschutz, Tierschutz, Wasserversorgung, Forst, Verbraucherschutz, Katastrophenvorsorge, …) zu überwachen und möglichst gut zu verstehen, um Öffentlichkeit, Wirtschaft und Politik bei Steuerungsaufgaben, Planungsvorhaben, Anpassungs- und Gegenmaßnahmen optimal zu informieren. Zur Bewältigung dieser Aufgaben erheben und verwalten die Umweltbehörden kontinuierlich umfassende Datenbestände, z.B. Sensordatenreihen aus Messnetzen, Labordaten oder neuerdings auch Fernerkundungsdaten aus Satellitenbeobachtungen. In diesen Datenbeständen liegt ein großes, bisher nicht voll genutztes Potenzial. Um dieses Potenzial besser zu realisieren, müssen Umweltbehörden befähigt werden, diese Datenbestände für intelligente Analysen mit Methoden des maschinellen Lernens zu erschließen.

==== Problem ====

Zum gegenwärtigen Zeitpunkt existiert aber kein gesichertes Wissen dazu, was der Stand des Einsatzes von KI und insbesondere Maschinellem Lernen (ML) in deutschen Umweltbehörden ist. Das erschwert die Entwicklung von Konzepten und Lösungen des Einsatzes von Methoden des maschinellen Lernens für intelligente Analysen in Umweltbehörden, so dass die Potenziale dieser neuen Technologien bisher nicht oder nur unzureichend gehoben werden können.

==== Zielsetzung ====

Ziel der Masterarbeit soll es sein, den Stand des Einsatzes von ML in deutschen Umweltbehörden zu ermitteln. Dabei sollen Potenziale, Erfolgsfaktoren und bestehende Hürden identifiziert und analysiert werden, um daraus Handlungsempfehlungen für Behörden und ML-Lösungsanbieter abzuleiten.

==== Vorgehen / Aufgaben ====

Die Masterarbeit soll als empirische Studie konzipiert und durchgeführt werden, die sich an den typischen Schritten einer empirischen Untersuchung orientiert: Auswahl eines Forschungsproblems (z.B. Stand des Einsatzes von ML in Umweltbehörden), inhaltliche Vorbereitung (Analyse des Standes der Forschung), Bestimmung der Untersuchungsform (z.B. Interview oder Fragebogen), Auswahl der Untersuchungseinheiten (z.B. Akquise von Landes-Umwelt-Ämtern und -Ministerien), Datenerhebung, Datenerfassung und Datenauswertung.

==== Kontext / Rahmenbedingungen ====

Die Arbeit soll im Rahmen des Forschungsprojektes „Simplex4Learning“ angefertigt werden und wird von dem Unternehmen disy Informationssysteme GmbH aus Karlsruhe unterstützt und begleitet. Insbesondere werden durch disy Kontakte in die Umweltämter sowie fachliche Expertise in den Bereichen Maschinelles Lernen, Verwaltungs- und Umweltinformatik angeboten.