Explainable Artificial Intelligence – in the business intelligence environment

Lesedauer: < 1 Minute

02. September 2022 von Bernd Ulmann, Niklas Kikenberg und Patrick Hedfeld

Explainable Artificial Intelligence – in the business intelligence environment Machine Learning (ML) has gained significant importance in the business intelligence environment in recent years due to the technology’s ability to identify complex patterns in data and automate decision-making processes [5]. As part of this, a large number of new applications, especially in the area of predictive analytics, based on ML algorithms and contributing to operational decision making, came to the market. The AI summit paper…

Jetzt abonnieren:

Information und Inspiration:
Expertenwissen für Führungskräfte der Branche und Vorreiter der Wirtschaft

Aktuelle Ausgabe
ERP Management

ist das führende deutsche Leitmedium für Orientierung auf dem ERP-Markt,
betrachtet Auswahl, Einführung, Betrieb und Ablösung von ERP-Systemen,
hilft bei allen wegweisenden IT-Entscheidungen,
hat die smartesten Anbieter-Lösungen immer im Blick.
Inhaltsverzeichnis
Leseprobe

Wählen Sie Ihr passendes Abo:

Digital

Zugang ERP Website
Exklusiver Newsletter
Zugang Lexikon der
Wirtschaftsinformatik

0,00€/mtl.

Jetzt anmelden

Am beliebtesten

Expert

Zugang E+ Bereich
Exklusiver Newsletter
Zugang Lexikon der
Wirtschaftsinformatik
E-Journal zum bequemen
Lesen auf dem Tablet
Kostenloser Download von
Marktübersichten, Checklisten
und Vorlagen
Zusendung jeweils der
neuesten
ERP-Printausgabe

9,90€/mtl.*

* bei jährlicher Abrechnung

Jetzt buchen

Professional

Alle EXPERT-LeistungenZusätzlich:
Zugang GITO-Archiv mit
> 5.000 Artikeln
Direkter Kontakt zu Autorinnen
und Autoren
Zugang zu FACTORY INNOVATION, dem führenden Fachmedium für IIoT, Industrie 4.0 und Smart Factory
Für Experten der Digitalisierung

29,00€/mtl.*

* bei jährlicher Abrechnung

Jetzt buchen

Advanced Analytics Explainable Artificial Intelligence Künstliche Intelligenz

[1] Vgl. Boobier, Tony (2018): Advanced Analytics and AI: Impact, Implementation, and the Future of Work. New York: John Wiley & Sons. ISBN 978-1-119-39093-0. DOI 10.1002/978-1-119-39096-1; vgl. Gluchowski, Peter (2016): Business Analytics - Grundlagen, Methoden und Einsatzpotenzial, in: HMD Praxis der Wirtschaftsinformatik, Vol. 53, Nr. 3, S. 273-286. DOI 10.1365/s40702-015-0206-5.

[2] Vgl. Greasley, Andrew (2019): Simulating Business Processes for Descriptive, Predictive, and Prescriptive Analytics, Berlin: Walter de Gruyter GmbH & Co KG. ISBN 978-1-547-40069-0. DOI 10.1515/978-1-547-40069-0; vgl. Gluchowski, Peter (2016): Business Analytics - Grundlagen, Methoden und Einsatzpotenzial, in: HMD Praxis der Wirtschaftsinformatik, Vol. 53, Nr. 3, S. 273-286. DOI 10.1365/s40702-015-0206-5.

[3] Vgl. Döbel, Inga, Leis, Miriam, Molina Vogelsang, Manuel, Neustroev, Dmitry, Petzka, Henning, Riemer, Annamaria, Rüping, Stefan, Voss, Angelika, Wegele, Martin & Welz, Juliane (2018): Maschinelles Lernen - Eine Analyse zu Kompetenzen, Forschung und Anwendung, München: Fraunhofer-Gesellschaft, <https://www. bigdata-ai.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraun hofer_Studie_ML_201809.pdf>(2018) [Zugriff am 2021-11-14]; vgl. Doran, Derek, Schulz, Sarah & Besold, Tarek R. (2017): What Does Explainable AI Really Mean? A New Conceptualization of Perspectives, in: arXiv CoRR (cs.AI), Vol. abs/1710.00794v1, <https://arxiv.org/pdf/1710.00794.pdf>(2017-10-02) [Zugriff am 2021-11-07]. DOI 10.48550/arXiv.1710.00794.

[4] Vgl. Kronz, Austin & Krensky, Peter (2021): Hype Cycle for Analytics and Business Intelligence, 2021, Stamford: Gartner Inc., <https://www.gartner.com /doc/reprints?id=1-275J0GM5&ct=210812&st=sb> (2021-07-29) [Zugriff am 2021-11-10].

[5] Vgl. Leukert, Bernd, Müller, Jürgen & Noga, Markus (2019). Das intelligente Unternehmen: Maschinelles Lernen mit SAP zielgerichtet einsetzen, in: Buxmann, Peter & Schmidt, Holger (Hrsg.), Künstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin: Springer Gabler, 2. Aufl., S. 215-229. ISBN 978-3-662-61793-9. DOI 10.1007/978-3-662-61794-6; vgl. Zillmann, Mario (2015): Der Markt für Business Intelligence und Business Analytics in Deutschland, Mindelheim: Lünendonk GmbH, <https://www.board.com/sites/default/files/Lünendonk®-Marktstichprobe%202015.pdf>(2015) [Zugriff am 2022-02-13].

[6] Vgl. Bitkom (2017): Künstliche Intelligenz - Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung, Berlin: Bitkom e.V., <https://www.Bitkom.org/sites/default/files/file/import/171012-KI-Gipfelpapier-online.pdf> [Zugriff am 2021-11-21].

[7] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[8] Vgl. Fellous, Jean-Marc, Sapiro, Guillermo, Rossi, Andrew, Mayberg, Helen & Ferrante, Michele (2019): Explainable Artificial Intelligence for Neuroscience: Behavioral Neurostimulation, in: Frontiers in Neuroscience, Vol. 13, Article 1346. DOI: 10.3389/fnins.2019.01346; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[9] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[10] Vgl. Rudin, Cynthia (2019): Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, in: arXiv CoRR (stat.ML), Vol. 1811.10154v3, < https://arxiv.org/pdf/1811.10154.pdf>(2019-09-22) [Zugriff am 2021-11-14], zitiert nach Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535.

[11] Vgl. Arrieta, Alejandro Barredo, Díaz-Rodríguez, Natalia, Del Ser, Javier, Bennetot, Adrien, Tabik, Siham, Barbado, Alberto, Garcia, Salvador, Gil-Lopez, Sergio, Molina, Daniel, Benjamins, Richard, Chatila, Raja & Herrera, Francisco (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, in: Information Fusion, Vol. 58, S. 82-115. ISSN 1566-2535; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[12] Vgl. Fellous, Jean-Marc, Sapiro, Guillermo, Rossi, Andrew, Mayberg, Helen & Ferrante, Michele (2019): Explainable Artificial Intelligence for Neuroscience: Behavioral Neurostimulation, in: Frontiers in Neuroscience, Vol. 13, Article 1346. DOI: 10.3389/fnins.2019.01346; vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

[13] Mayring, Philipp (2015): Qualitative Inhaltsanalyse: Grundlagen und Techniken, 12. Aufl., Weinheim: Beltz. ISBN 978-3-407-25730-7.

[14] Vgl. Rudin, Cynthia (2019): Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, in: arXiv CoRR (stat.ML), Vol. 1811.10154v3, < https://arxiv.org/pdf/1811.10154.pdf>(2019-09-22) [Zugriff am 2021-11-14].

[15] Lipton, Zachary C. (2017): The Mythos of Model Interpretability, in: arXiv CoRR (cs.LG), Vol. 1606.03490v3, <https://arxiv.org/pdf/1606.03490.pdf>(2017-10-02) [Zugriff am 2021-11-14].

[16] Vgl. Vollhardt, Susanne, Schmidt, Karsten, Kask, Sean & Noga, Markus (2021): Das intelligente Unternehmen: Effiziente Prozesse mit Künstlicher Intelligenz von SAP – Wie Unternehmen die hohen Erwartungen an die KI erfüllen können, in: Buxmann, Peter & Schmidt, Holger (Hrsg.), Künstliche Intelligenz - Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin: Springer Gabler, 2. Aufl., S. 215-229. ISBN 978-3-662-61793-9. DOI 10.1007/978-3-662-61794-6.

[17] Vgl. Bitkom (2018): Reifegradmodell zum Digital Analytics & Optimization Maturity Index (DAOMI). Berlin: Bitkom e.V., <https://www.Bitkom.org/sites /default/files/file/import/20181018-Reifegradmodell-zum-Digital-Analytics-Optmization-Maturity-In.pdf> [Zugriff am 2022-02-21].

[18] Vgl. Poretschkin, Maximilian, Schmitz, Anna, Akila, Maram, Adilova, Linara, Becker, Daniel, Cremers, Armin B., Hecker, Dirk, Houben, Sebastian, Mock, Michael, Rosenzweig, Julia, Sicking, Joachim, Schulz, Elena, Voss, Angelika & Wrobel, Stefan (2021): KI-Prüfkatalog - Leitfaden zur Gestaltung vertrauenswürdiger Künstlicher Intelligenz, Sankt Augustin: Fraunhofer IAIS, <https://www. iais.fraunhofer.de/content/dam/iais/fb/Kuenstliche_intelligenz/ki-pruefkatalog /202107_KI-Pruefkatalog.pdf>(2021-07) [Zugriff am 2022-01-16].

[20] Vgl. AI High Level Expert Group (2020): Assessment List for Trustworthy Artificial Intelligence (ALTAI), Brüssel: Europäische Kommission. ISBN 978-92-76-20008-6. DOI 10.2759/002360; vgl. Bundesamt für Sicherheit in der Informationstechnik (2021): AI Cloud Service Compliance Criteria Catalogue (AIC4), Bonn,<https://www.bsi.bund.de/SharedDocs/Downloads/EN/BSI/CloudComputing/AIC4/AI-Cloud-Service-Compliance-Criteria-Catalogue_AIC4.pdf;jsessionid=67A76BDA9F6589F20229D6BD 6DE7C7A4.internet082?__bloLib=publicationFile&v=4>(2021-02) [Zugriff am 2022-01-16].

[20] Vgl. Ballestrem, Johannes Graf, Bär, Ulrike, Gausling, Tina, Hack, Sebastian & Oelffen, Sabine von (2020): Künstliche Intelligenz: Rechtsgrundlagen und Strategien in der Praxis, Wiesbaden: Springer. ISBN 978-3-658-30506-2. DOI 10.1007/978-3-658-30506-2.

[21] Vgl. Gunning, David & Aha, David W. (2019): DARPA’s Explainable Artificial Intelligence Program, in: AI Magazine, Vol. 40, Nr. 2, S. 44-58. ISSN 0738-4602. DOI 10.1609/aimag.v40i2.2850.

Companies can accelerate the transition to SAP S/4HANA

Companies can accelerate the transition to SAP S/4HANA A recent study [1] shows: International IT professionals expect SAP S/4HANA to deliver business improvements, not just technical ones. Yet only 12% of companies have completed the transformation. The complexity of existing ERP landscapes and the lack of team collaboration complicate the transition. Many companies are leaving[mehr][more]

Aktuelle ERP-Systeme aus der Cloud

Die folgende Übersicht zeigt ERP-Lösungen, die vollständig aus der Cloud bezogen werden können.

SAP licensing: how companies save costs

In companies, the topic of SAP licensing usually only comes up on the agenda when new users are added, licenses are extended, or the annual measurement date is due. The result is often over-licensing and re-licensing. It makes more sense to manage the licenses in good time, long before the survey date. With a software-supported[mehr][more]

Artificial Intelligence in ERP-Systems

Artificial Intelligence in ERP-Systems – Development Potential and Benchmarkingompanies can accelerate the transition to SAP S/4HANA The use of artificial intelligence (AI) is becoming more important in many industries, which is why enterprise resource planning (ERP) systems also offer many possible uses of AI: The modern AI ERP systems can do this due to their[mehr][more]