CIplus
Band 2/2023
Kon i iale Küns liche In elligenz: De ini ion
und En wicklung eines Vo gehensmodells
Ma kus Dusdal
Richa d Schulz
Ch is oph Haag
Thomas Ba z-Beiels ein
II
Inhal
III
Inhal
1. EINFÜHRUNG 1
2. THEORETISCHE GRUNDLAGEN 3
2.1. KONVIVIAL KONZIPIERTE WERKZEUGE 3
2.2. VORGEHENSMODELLE FÜR DIE EINFÜHRUNG VON KI-SYSTEMEN 4
2.2.1. CRISP-DM 4
2.2.2. E wei e ungen des CRISP-DM 5
2.2.3. Al e na i e Vo gehensmodelle 5
3. ABLEITUNG VON PRINZIPIEN FÜR EINE „KONVIVIALE KI“ 7
3.1. ANWENDUNGS- / NUTZENZENTRIERTE VORGEHENSWEISE 7
3.2. BETONUNG DER MENSCH-TECHNIK-INTERAKTION UND SELEKTIVE (VOLL-) AUTOMATISIERUNG 7
3.3. REDUZIERUNG DER TECHNOLOGISCHEN KOMPLEXITÄT VON KI (ERKLÄRBARKEIT) 8
4. ERSTELLUNG EINES KONVIVIALEN KI-MODELLS 9
4.1. PHASE: INITIAL OPPORTUNITY RECOGNITION 9
4.2. PHASE: REQUIREMENTS ENGINEERING 10
4.3. PHASE: MODEL DEVELOPMENT 11
4.4. PHASE: MODEL EVALUATION 11
4.5. OUTCOMES / BOUNDARY OBJECTS 11
5. ZUSAMMENFASSUNG 13
LITERATURVERZEICHNIS 14
Ein üh ung
1
1. Ein üh ung
Die En wicklung küns liche In elligenz (KI) und ih e wi scha liche Ve b ei ung wu den
sei Beginn de 2010e Jah en bis heu e o ange ieben. Das zeig u.a. ein Blick au die
zu Ve ügung ges ell en Finanzmi el ü KI-S a ups: Diese sind in de Zei zwischen
2011 und 2017 um den Fak o 50 au meh als 15 M d. US$ angewachsen (CB Insigh s
2018). Die Einsa zgebie e ü KI eichen on in elligen en P oduk lösungen übe inne -
be iebliche P ozessop imie ungen bis hin zu au oma isie en Kundense ices und P i-
cing-Vo gängen (Gen sch 2018, S. 43). Heu zu age beein lussen KI-Anwendungen und
de en algo i hmische Implika ionen den be u lichen und p i a en All ag au ganz selbs -
e s ändliche und mi un e sub ile A und Weise. Es is absehba , dass zukün ig En -
wicklungssp ünge in imme kü ze en Inno a ionszyklen und ein dynamisch zunehmen-
de Einzug on KI in die Gesellscha olgen we den.
T o z des zwei els ei o handenen Nu zenpo enzials on KI wi d de en zunehmende
Ve b ei ung mi le weile k i isch disku ie . Zwei el bezüglich de Auswi kungen und Vo -
eilha igkei on KI-Anwendungen wu den zule z ö en lichkei swi ksam du ch ein allge-
meines Posi ionspapie üh ende KI-Expe en, wie Cha GPT-E inde Sam Al man, zum
Ausd uck geb ach . Hie in we den insbesonde e die du ch KI en s ehenden Ge ah en
ü die Menschhei be on (Fo schung & Leh e 2023).
Ande e S udien wa nen o einem unkon ollie en Einsa z on KI, da diese im Ende ek
kon ap oduk i sein und zu eine „Ve dummung“ on Mi a bei e n üh en kann (Fügene
e al. 2021; G anados 2022). Um po en ielle Ge ah en eines unkon ollie en KI-Einsa -
zes abzuwenden ha das EU-Pa lamen zule z den sog. „AI-Ac “ ins Leben ge u en, de
u.a. eine Risikobewe ung on gene a i e (d.h. küns liche Inhal e gene ie ende ) KI o -
sieh (News Eu opäisches Pa lamen 2023). Die zunehmende So ge um einen ausu e n-
den KI-Einsa z, de die menschliche Kon oll ähigkei übe s eig , ha inne halb de Wis-
senscha zu neuen Fo schungs ich ungen ge üh , die als „Responsible AI“, „T us -
wo hy AI“ ode „Explainable AI“ bezeichne we den. Diese ambi ionie en und au g o-
ßes Fo schungsin e esse s oßenden Denkansä ze sind bislang jedoch wenig ausge ei
ode ga ü den P axiseinsa z ope a ionalisie (Lina da os e al. 2020, S. 36).
Die En wicklung und Anwendung on KI e zeug ein zwiespäl iges Meinungsbild: Dem
o enkundigen Nu zen ü die Gesellscha und Indus ie s ehen So gen übe une -
wünsch e Nebenwi kungen du ch ehle ha e ode missb äuchliche Anwendungen ge-
genübe . Folglich beda es neue Lösungsansä ze zu E schließung diese Po en iale
bei gleichzei ige Minimie ung mögliche Risiken. Zu Lösung dieses Kon lik s schlagen
wi einen Ansa z o , de als „kon i iale küns liche In elligenz“ (kon i iale KI) bezeichne
und im Folgenden nähe e läu e we den soll.
Im allgemeinen Sp achgeb auch bezeichne „Kon i iali ä “ das gemeinscha liche Mi ei-
nande (so e wa zwischen Menschen und Technik). Kon i iali ä besch eib Vo gehens-
weisen, bei denen die Gemeinscha im Vo de g und s eh . Im enge en Sinne lehn sich
de hie o ges ell e Ansa z an den du ch I an Illich gep äg en Beg i de „kon i ial kon-
zipie en We kzeuge“ (engl. „Tools o Con i iali y“) an. Danach sind un e kon i ialen
We kzeugen solche Technologien und Hil smi el zu e s ehen, „welche zwa die P o-
duk i i ä menschliche A bei sk a e höhen, diese abe nich e se zen" (Paech 2013, S.
59). Die Bezeichnung „kon i iale KI“ soll olglich au ein ha monisches Zusammenspiel
zwischen KI und Mensch hindeu en. Hie mi wi d nich e wa die En wicklung eine neuen
2
Technologie anges eb . Vielmeh we den dami eine neue Ansp uchshal ung und dami
einhe gehende, menschenzen ie ende Ges al ungselemen e o mulie , die es bei de
En wicklung und Implemen ie ung on KI-Modellen zu be ücksich igen gil .
Um diesen neuen Ansa z da zulegen, we den nach olgend zunächs Illichs Gedanken
zu „kon i ial konzipie en We kzeugen“ e läu e . Es olg die Vo s ellung be ei s exis ie-
ende und in de Indus ie e ablie e Vo gehensmodelle ü die En wicklung und Imple-
men ie ung on küns liche In elligenz. Anschließend we den – ausgehend on Illichs
Kon i iali ä s e s ändnis – die P inzipien eines „kon i ialen KI“-Sys ems abgelei e und
aus üh lich da ges ell . Schließlich wi d ein neues Vo gehensmodell o ges ell , welches
die En wicklung on KI-Sys emen un e Be ücksich igung de kon i ialen Lei p inzipien
be ö de n und ope a ionalisie en soll.
Theo e ische G undlagen
3
2. Theo e ische G undlagen
Im olgenden Kapi el we den die om Ökonomen I an Illich kon i ial konzipie en We k-
zeuge e läu e . Anschließend we den mögliche Vo gehensmodelle aus de gegenwä -
igen KI-Landscha o ges ell .
2.1. Kon i ial konzipie e We kzeuge
Nachdem sich be ei s Au o en wie Gün he Ande s (1956) und Lewis Mum o d (1968)
aus un e schiedlichen Bewegg ünden gegen einen s a ken Technologie-Einzug in die
Gesellscha posi ionie ha en, e s ä k en sich in den ühen 1970e Jah en en sp e-
chende Bewegungen, die sich insbesonde e o dem Hin e g und de Ve ö en lichung
„The Limi s o G ow h“ des Club o Rome im Jah 1972 k i isch mi de Ges al ung on
Technologien be ass en (Ve e 2018).
Zu den G ündungs ä e n de a ige Denks ömungen zähl I an Illich mi dem Ansa z
des „kon i ial konzipie en We kzeugs“. In seinem Essay „Selbs beg enzung“ üb I an
Illich massi K i ik an dem Wachs umsgedanken hochindus ialisie e Gesellscha en
und wa n o den Ge ah en eine übe echnisie en Lebenswel . Als Gegenmodell zum
Wachs umspa adigma zeichne Illich das Bild eine „kon i ialen“ Gesellscha . Hie bei
is de Gedanke de „Kon i iali ä “ du ch Au onomie und schöp e ische K ea i i ä cha-
ak e isie und soll als Gegensa z zu den kondi ionie en Reak ionen on Menschen au
An o de ungen du ch eine küns liche Umwel e s anden we den (Illich 1998, S. 28). Die
No wendigkei eines en sp echenden Gesellscha swandels beg ünde Illich mi de
Übe zeugung, dass die Mi gliede eines Sys ems bei mangelnde Kon i iali ä du ch
keine noch so hohe indus ielle P oduk i i ä be iedig we den können (Illich 1998, S.
29).
Ob eine Gesellscha als kon i ial bezeichne we den kann, häng lau Illich maßgeblich
on de Ges al ung und dem Umgang mi We kzeugen ab. Menschen emp änden nich
nu Be iedigung, sonde n F eude, wenn sie schöp e isch ä ig sein können. Hingegen
en s änden Abhängigkei en, Ausbeu ung und Ohnmach , sobald We kzeuge zu leis-
ungs ähig und übe das menschliche Fassungs e mögen hinauswachsen wü den.
We kzeuge gel en nach Ansich on Illich somi als kon i ial, wenn sie jedem, de sie
benu z , die bes mögliche Gelegenhei bie en, die Umwel mi den E gebnissen seine
Visionen zu be eiche n (Illich 1998, S. 41). Anhand de Besch eibung „kon i iale We k-
zeuge“ äll au , dass de Beg i de We kzeuge on Illich wei ge ass wi d, weshalb in
de Fachli e a u häu ig auch on „kon i ialen Technologien“ gesp ochen wi d, wenn-
gleich Illich diesen Beg i nich e wende e (Ve e 2018, S. 1781).
Das Gegens ück zu kon i ialen We kzeugen bezeichne Illich als „manipula i e We k-
zeuge“. Diese e u sachen meh Kos en als Nu zen, sind exklusi und e zeugen Abhän-
gigkei en. He o zuheben is , dass nich jedes in eine kon i ialen Gesellscha o kom-
mende P oduk ionsmi el die K i e ien de Kon i iali ä e üllen muss, das Ve häl nis zwi-
schen den jeweiligen We kzeugen jedoch ausgewogen sein soll e (Illich 1998, S. 44–
45).
Wei e hin heb Illich sechs Fak o en he o , die du ch indus ielle En wicklungsp ozesse
en s anden sind und Bed ohungen ü den Menschen da s ellen. Diese um assen un e
ande em eine du ch ehle ha e Technik unbewohnba we dende Umwel , die Dominanz
4
einzelne P oduk e („ adikales Monopol“) und die Obsoleszenz on P oduk en (Illich
1973, S. 57–58). Illich sp ich on sogenann en „Wasse scheiden“ als ma kan en Zei -
punk en („Wendejah en“), an denen echnologische und wissenscha liche E ungen-
scha en begannen, kon ap oduk i e Wi kungen au die Gesellscha und Umwel zu
en al en (Leggewie e al. 2012, S. 307). Mi Blick au die echnologischen, wi scha s-
poli ischen und klima ischen En wicklungen sei Illichs Aus üh ungen in den 1970e Jah-
en da es ges ell we den, dass seine G undgedanken heu zu age ak uelle und ele-
an e denn je sind (Leggewie e al. 2012, S. 307; Ve e 2018, S. 1781).
2.2. Vo gehensmodelle ü die Ein üh ung on KI-Sys emen
In de Fachli e a u exis ie en e schiedene KI-Vo gehensmodelle, on denen einige
nach olgend exempla isch da ges ell we den sollen. Neben eine aus üh lichen Be-
sch eibung des enommie en CRISP-DM und eine Au lis ung on Nach olge-Modellen,
die au den G undgedanken des CRISP-DM basie en, sollen dazu auch die Ansä ze
al e na i e Vo gehensmodelle au geg i en we den.
2.2.1. CRISP-DM
Ein e b ei e es Vo gehensmodell ü Ein üh ung on KI-P ozessen is de „CRoss-In-
dus y S anda d P ocess o Da a Mining“ (Abk.: CRISP-DM; siehe Abb. 1). CRISP-DM
is ein b anchenunabhängiges i e a i es, sechs-phasiges Vo gehensmodell ü Da a Mi-
ning (Sch öe e al. 2021, S. 527) und wi d in de Fachli e a u als die am wei es en
e b ei e e Analy ik-Me hode bzw. als De- ac o-S anda d ü die Du ch üh ung on Da-
enanalysen in indus iellen Anwendungen gehandel (Hube e al. 2019, S. 403; Ma i-
nez-Plumed e al. 2021, S. 3048; Sch öe e al. 2021, S. 526), was wesen lich du ch die
hohe Flexibili ä bei de Ve wendung des Ansa zes beg ünde is .
Abbildung 1: CRISP-DM P ozessmodell (Ma inez-Plumed e al. 2021, S. 3049)
Die ini iale Modellphase wi d als „Business Unde s anding“ bezeichne und ziel da au
ab, den P ojek um ang und konk e e P ojek ziele, wie z.B. K i e ien zu E olgsmessung,
zu de inie en. In Abhängigkei om o liegenden P oblem e olg in de Phase „Da a Un-
de s anding“ die E assung und Sammlung on Da en, wobei diese be ei s du ch ih e
Quelle, Eigenscha en ode Quali ä eine un e schiedliche Eignung au weisen und
Theo e ische G undlagen
5
en sp echend o selek ie we den können (Maulana e al. 2020, S. 2). Im Rahmen de
anschließenden Phase „Da a P epa a ion“ we den die e hobenen Da en mi els Da en-
auswahl, -be einigung, -no malisie ung und - ans o ma ion (Maulana e al. 2020, S. 2;
Gonçal es e al. 2020, S. 558) ü die wei e e Ve a bei ung o be ei e . In de Phase
„Modeling“ e olg die Auswahl eine in Abhängigkei de genauen P ojek ages ellung
geeigne en Modellie ungs echnik. Abschließend we den die du ch das Modell e ziel en
E gebnisse hinsich lich ih e Genauigkei gep ü und im Hinblick au die an angs de i-
nie en Geschä sziele bewe e (Maulana e al. 2020, S. 2; Gonçal es e al. 2020, S.
559). Die abschließende „Deploymen “-Phase um ass bspw. die Be ei s ellung eine
So wa ekomponen e ode eines Abschlussbe ich s, sowie die Implemen ie ung neue
A chi ek u en ode Modelle in bes ehende Sys eme (Sch öe e al. 2021, S. 531).
2.2.2. E wei e ungen des CRISP-DM
In den e gangenen Jah en wa zu beobach en, wie das CRISP-DM zahl eichen E wei-
e ungs- und Op imie ungs e suchen un e zogen wo den is . Beispielha sollen einige
diese Ansä ze nach olgend e läu e we den:
- APRED-DM: Nagashima und Ka o (2019) schlagen das APREP-DM-F amewo k
o , das einen besonde en Fokus au die Vo e a bei ung on Senso da en leg .
- CRISP-ML (Q): S ude e al. (2020) sehen eine zusä zliche Phase de Modell-
Übe wachung und -Wa ung im CRISP-DM als e o de lich an und in eg ie en
diese im CRISP-ML(Q).
- LDTM: Um die S ä ken des CRISP-DM mi Lean-S a up- und Design-Thinking-
S a egien zu e knüp en, en wickeln Ahmed e al. (2018) die Lean Design Thin-
king Me hodology (LDTM).
- DMME: Auch Hube e al. (2019, S. 406) gehen mi els des Da a Mining Me ho-
dology o Enginee ing Applica ions (DMME) übe die u sp üngliche Me hodik
des CRISP-DM hinaus. Die zu de inie enden Geschä sziele we den um echni-
sche Pa ame e e wei e und eine P ü ung zusä zlich e o de liche Senso en
und Schni s ellen o gesehen is (siehe Abb. 2).
Abbildung 2: DMME-P ozess (Hube e al. 2019, S. 406)
2.2.3. Al e na i e Vo gehensmodelle
Al e na i zum CRISP-DM-P ozessmodell exis ie en in de Fachli e a u wei e e Vo -
schläge, die Pa allelen zu einzelnen Aspek en des CRISP-DM-Modells au weisen ode
12
Ou -
come
Inhal liche Abs immungsbeda e
Checkpoin -K i e ien
Idea One-
Page
- Fixie ung au einen Anwen-
dungs all
- De ini ion des Ke np oblems
- De ini ion de Zielse zung
- Bes immung de P ojek be eilig-
en und Fes legung ih e jeweili-
gen Einbindung
- Rele anz des Anwendungs alls
ü Un e nehmen und Anwende
- Vo handensein on da enbasie -
en Op imie ungspo en ialen
Non-
Func ional Mockup
- Fes legung on modellbezoge-
nen Zielk i e ien (wi scha lich,
kon i ial)
- De ini ion des Soll-P ozesses
inkl. an isie e Un e s ü zungs-
s u e
- Fes legung de Mensch-Modell-
Schni s elle und Benu ze obe -
läche
- Fes legung de e o de lichen
Da eng undlage und In as uk-
u
- Bewe ung e o de liche An-
wende -Kompe enzen und Fes -
legung on Quali izie ungsmaß-
nahmen
- Fes legung on P ojek zei aum
und -budge
- Wi scha liche Machba kei des
Vo habens
- Technologische Machba kei des
Vo habens (aus Da ensich )
- Kompa ibili ä zu be ei s o han-
denen Sys emen
- Möglichkei de Ve besse ung und
Be ücksich igung kon i iale As-
pek e
Func ional
Mockup
- Fes legung de akzep ablen
Fehle ole anz bei e ziel en Mo-
dell-E gebnissen
- Anwendba kei bzw. nu ze -
zen ie e Modell-Ges al ung
- Einhal ung de Modell-Zielk i e ien
- E zielung de an isie en Un e -
s ü zungss u e
P oduc i e Model
- E ah ungsaus ausch ü zukün -
ige P ojek e
- Planung on modellbezogenen
Follow-Up-Ak i i ä en (u.a. kon i-
nuie liches Moni o ing)
- Planung eine Mi a bei e -In-
eg a ion in die Iden i ika ion
wei e e Anwendungsbe eiche
mi da enbasie em Op imie-
ungspo en ial
- Übe eins immung on Modell-
Komplexi ä und Anwende -Kom-
pe enzen
- Genauigkei de e ziel en Modell-
E gebnisse
Tabelle 1: Inhal e und Checkpoin -K i e ien de einzelnen Ou comes!
Zusammen assung
13
5. Zusammen assung
Das Ziel de o liegenden Ausa bei ung wa es, ein Vo gehensmodell zu En wicklung
on KI-Modellen un e Be ücksich igung kon i iale Elemen e zu e s ellen. Um dies zu
e eichen, konn en die Ausa bei ungen on I an Illich genu z we den, um g undsä zliche
P inzipien kon i ial konzipie e We kzeuge zu de inie en und diese im Anschluss au
d ei An o de ungen eine kon i ialen KI zu konk e isie en: Die Be onung de Anwen-
dungszen ie ung und de Mensch-Technik-In e ak ion sowie die Reduzie ung de ech-
nologischen Komplexi ä on KI im Sinne de E klä ba kei und Nach ollziehba kei on
e ziel en Modell-E gebnissen.
Das p äsen ie e Vo gehensmodell leg einen s a ken Fokus au die Be ücksich igung
de genann en P inzipien: Wäh end de Aspek de Anwendungszen ie ung du ch die
ini iale Anwendungs alliden i ika ion und -analyse be on wi d, e üll das gemeinsam e -
s ell e Use-Case Design den Ansp uch an eine in ensi e Planung de Mensch-Technik-
In e ak ion. Die in gemeinsame Absp ache alle P ojek be eilig en e s ell en Ou comes
so gen ü ein einhei liches und ühzei iges Ve s ändnis de g undsä zlichen P ojek aus-
ich ung und de spä e en Modell-Leis ungs ähigkei , wobei dieses Vo haben du ch das
E s ellen on Modell-P o o ypen in de ühen Model De elopmen -Phase zusä zlich un-
e s ü z wi d. Bei alledem s ehen die An o de ungen des Endanwende s du ch die meh -
ach in eg ie e Ak i i ä des „Use Tes ings“ im Mi elpunk de Modellen wicklung.
Im Vo gehensmodell de o liegenden Ausa bei ung we den somi Aspek e in den Vo -
de g und ge ück , die in den bishe e ügba en Vo gehensmodellen de KI-Landscha
kaum Be ücksich igung inden. Seine Anwendung kann die geziel e Iden i ika ion geeig-
ne e Anwendungs älle ö de n und die Planung eines KI-Einsa zes aus Un e nehmens-
und Anwende sich op imie en.
! !
14
Li e a u e zeichnis
Ahmed, Bakh iya ; Dannhause , Thomas; Philip, Nada (2018): A Lean Design Thinking
Me hodology (LDTM) o Machine Lea ning and Mode n Da a P ojec s. In: 2018 10 h
Compu e Science and Elec onic Enginee ing (CEEC). 2018 10 h Compu e Science
and Elec onic Enginee ing (CEEC). Colches e , Uni ed Kingdom, 19.09.2018 -
21.09.2018: IEEE, S. 11–14.
Ame shi, Saleema; Begel, And ew; Bi d, Ch is ian; DeLine Robe ; Gall, Ha ald; Kama ,
Ece e al. (Hg.) (2019): So wa e Enginee ing o Machine Lea ning: A Case S udy. 2019
IEEE/ACM 41s In e na ional Con e ence on So wa e Enginee ing: So wa e Enginee -
ing in P ac ice (ICSE-SEIP). Mon eal, QC, Kanada, 25.-31. Mai 2019.
Ande s, Gün he (1956): [The Ou da eness o Human Beings] Die An iquie hei des
Menschen. CH Beck München.
Baška ada, Saša; Ko onios, Andy (2018): The 5S o ganiza ional agili y amewo k: a
dynamic capabili ies pe spec i e. In: IJOA 26 (2), S. 331–342. DOI: 10.1108/IJOA-05-
2017-1163.
CB Insigh s (2018): Top a i icial in elligence ends o wa ch in 2018. Online e ügba
un e h ps://www.cbinsigh s.com/ esea ch/ epo /a i icial-in elligence- ends-2018/.
CC-KING (2021): PAISE (P ocess Model o AI Sys ems Enginee ing). Das Vo gehen-
smodell ü KI-Enginee ing.
Ellul, Jacques (1964): The Technological Socie y. A pene a ing analysis o ou echnical
ci iliza ion and o he e ec o an inc easingly s anda dized cul u e on he u u e o man:
Al ed A. Knop , Inc. and RandomHouse, Inc.
Fo schung & Leh e (2023): Expe en wa nen o Risiken du ch Küns liche In elligenz.
Online e ügba un e h ps://www. o schung-und-leh e.de/zei agen/expe en-wa nen-
o - isiken- on-kuens liche -in elligenz-5658.
Fügene , And eas; G ahl, Jö n; Gup a, Alok; Ke e , Wol gang (2021): Will Humans-in-
he-Loop Become Bo gs? Me i s and Pi alls o Wo king wi h AI. In: Managemen In o -
ma ion Sys ems Qua e ly (MISQ) 45 (3), S. 1527–1556.
Gen sch, Pe e (2018): Küns liche In elligenz ü Sales, Ma ke ing und Se ice: Sp inge
Fachmedien Wiesbaden.
Gonçal es, Ca ina; Fe ei a, Diana; Ne o, C is iana; Abelha, An ónio; Machado, José
(2020): P edic ion o Men al Illness Associa ed wi h Unemploymen Using Da a Mining.
In: P ocedia Compu e Science 177, S. 556–561. DOI: 10.1016/j.p ocs.2020.10.078.
G anados, Nelson (2022): Human Bo gs: How A i icial In elligence Can Kill C ea i i y
And Make Us Dumbe . Fo bes.
Haag, Ch is oph (Hg.) (2022): Value P oposi ion o AI-based Inno a ion – A U ili y-cen-
ed F amewo k. The XXXIII ISPIM Inno a ion Con e ence "Inno a ing in a Digi al
Wo ld". Copenhagen, 05.-08.06.2022.
Hansen, Emil Blix ; Bogh, Simon (2020): A i icial in elligence and in e ne o hings in
small and medium-sized en e p ises: A su ey. In: Jou nal o Manu ac u ing Sys ems, S.
1–11.
Hine, H. J.; Mum o d, Lewis (1968): The My h o he Machine: Technics and Human
De elopmen . In: Man 3 (3), S. 519. DOI: 10.2307/2798943.
Li e a u e zeichnis
15
Hube , S e en; Wieme , Hajo; Schneide , Do o hea; Ihlen eld , S e en (2019): DMME:
Da a mining me hodology o enginee ing applica ions – a holis ic ex ension o he
CRISP-DM model. In: P ocedia CIRP 79, S. 403–408. DOI:
10.1016/j.p oci .2019.02.106.
Illich, I an (1973): Tools o con i iali y. London: Calde and Boya s (Open o um).
Illich, I an (1998): Selbsbeg enzung. Eine poli ische K i ik de Technik. 1. Au lage. Mün-
chen: Beck (Beck'sche Reihe [Fo me ly: Beck' sche Schwa ze Reihe], 1167).
Leggewie, Claus; Zi onun, Da ius; Lang, Anne; Siepmann, Ma cel; Hoppen, Johanna
(2012): Schlüsselwe ke de Kul u wissenscha en. Biele eld: T ansc ip (Edi ion Kul u -
wissenscha , Bd. 7).
Lina da os, Pan elis; Papas e anopoulos, Vasilis; Ko sian is, So i is (2020): Explainable
AI: A Re iew o Machine Lea ning In e p e abili y Me hods. In: En opy (Basel, Swi ze -
land) 23 (1). DOI: 10.3390/e23010018.
Ma inez-Plumed, Fe nando; Con e as-Ochando, Lidia; Fe i, Cesa ; He nandez-O allo,
Jose; Kull, Meelis; Lachiche, Nicolas e al. (2021): CRISP-DM Twen y Yea s La e : F om
Da a Mining P ocesses o Da a Science T ajec o ies. In: IEEE T ans. Knowl. Da a Eng.
33 (8), S. 3048–3061. DOI: 10.1109/TKDE.2019.2962680.
Maulana, Yudhi Dwi Faja ; Rulde iyani, Yo a; Sensuse, Dana Ind a (2020): Da a Mining
Classi ica ion App oach o P edic The Du a ion o Con acep i e Use. In: IEEE Xplo e,
2020.
Nagashima, Hi oko; Ka o, Yuka (2019): APREP-DM: a F amewo k o Au oma ing he
P e-P ocessing o a Senso Da a Analysis based on CRISP-DM. In: 2019 IEEE In e na-
ional Con e ence on Pe asi e Compu ing and Communica ions Wo kshops (Pe Com
Wo kshops). 2019 IEEE In e na ional Con e ence on Pe asi e Compu ing and Com-
munica ions Wo kshops (Pe Com Wo kshops). Kyo o, Japan, 11.03.2019 - 15.03.2019:
IEEE, S. 555–560.
News Eu opäisches Pa lamen (2023): MEPs eady o nego ia e i s -e e ules o sa e
and anspa en AI. Online e ügba un e h ps://www.eu opa l.eu-
opa.eu/news/en/p ess- oom/20230609IPR96212/meps- eady- o-nego ia e- i s -e e -
ules- o -sa e-and- anspa en -ai.
Paech, Niko (2013): Be eiung om Übe luss. Au dem Weg in die Pos wachs umsöko-
nomie. 4e d . München: Oekom.
Poko ni, Bas ian; B aun, Ma in; Knech , Ch is ian (2021): Menschzen ie e KI-Anwen-
dungen in de P oduk ion. P axise ah ungen und Lei aden zu be ieblichen Ein üh-
ungss a egien. F aunho e IAO.
Sch öe , Ch is oph; K use, Felix; Gómez, Jo ge Ma x (2021): A Sys ema ic Li e a u e
Re iew on Applying CRISP-DM P ocess Model. In: P ocedia Compu e Science 181, S.
526–534. DOI: 10.1016/j.p ocs.2021.01.199.
Schumache , E ns F ied ich (2013): Small is beau i ul. Die Rückkeh zum menschlichen
Maß. Neuau l. München: Oekom.
S ude , S e an; Bui, Thanh Binh; D esche , Ch is ian; Hanuschkin, Alexande ; Winkle ,
Ludwig; Pe e s, S e en; Muelle , Klaus-Robe (2020): Towa ds CRISP-ML(Q): A Ma-
chine Lea ning P ocess Model wi h Quali y Assu ance Me hodology. Online e ügba
un e h p://a xi .o g/pd /2003.05155 2.
16
Teece, Da id J. (2007): Explica ing dynamic capabili ies: he na u e and mic o ounda-
ions o (sus ainable) en e p ise pe o mance. In: S a . Mgm . J. 28 (13), S. 1319–1350.
DOI: 10.1002/smj.640.
Ve e , And ea (2018): The Ma ix o Con i ial Technology – Assessing echnologies o
deg ow h. In: Jou nal o Cleane P oduc ion 197, S. 1778–1786. DOI: 10.1016/j.jcle-
p o.2017.02.195.
Hinweise / No es
Diese Ve ö en lichungen e scheinen im Rahmen de Sch i en eihe "CIplus". Alle Ve ö en -
lichungen diese Reihe können un e h ps://cos.bibl. h-koeln.de/home abge u en we den.
Die Ve an wo ung ü den Inhal diese Ve ö en lichung lieg beim Au o .
Da um de Ve ö en lichung: 12.9.2023
He ausgebe / Edi o ship
P o . D . Thomas Ba z-Beiels ein,
P o . D . Wol gang Konen,
P o . D . Bo is Naujoks,
Facul y o Compu e Science and Enginee ing Science,
TH Köln,
S einmülle allee 1,
51643 Gumme sbach
Sch i lei ung und Ansp echpa ne / Con ac edi o ’s o ice
P o . D . Thomas Ba z-Beiels ein,
Facul y o Compu e Science and Enginee ing Science,
TH Köln,
S einmülle allee 1,
51643 Gumme sbach
phone: +49 2261 8196 6391
u l: h p://www. h-koeln.de/ki
eMail: homas.ba z-beiels ein@ h-koeln.de
ISSN (online) 2194-2870
h ps://doi.o g/10.57684/COS-1158
h ps://nbn- esol ing.o g/h ml/u n:nbn:de:hbz:832-cos4-11587
