AWK - Detailansicht Veranstaltungen

Übersprungnavigation

Navigation

Inhalt

27.11.2019, 14:30 Uhr

Klasse für Ingenieur- und Wirtschaftswissenschaften, 120. Sitzung

Vortrag 1: "Stadtentwicklungskonflikte und Planungspraxis in europäischen Städten" Jun.-Prof.’ in Dr. Carola Silvia Neugebauer, Aachen (Junges Kolleg); Vortrag 2: "Data-Driven Customer Journey Mapping in Local High Street Retail (Datengetriebene Analyse von Kundeninteraktionen im stationären Einzelhandel)" Prof. Dr. Daniel Beverungen, Paderborn; Vortrag 3: "Maschinelles Lernen in nichtstationären Umgebungen" Prof.’ in Dr. Barbara Hammer, Bielefeld

Vortrag 1

Weitere Informationen zum Vortrag lagen bei Redaktionsschluss noch nicht vor.

Jun.-Prof.’ in Dr. Carola Silvia Neugebauer (Jahrgang 1980) ist seit Juni 2014 Juniorprofessorin für „Sicherung Kulturellen Erbes“ an der Fakultät für Architektur der RWTH Aachen. Sie studierte Landschaftsarchitektur mit Schwerpunkt Städtebau an der Technischen Universität Dresden und ENSP in Versailles. Ab 2005 war sie Wissenschaftlerin am Leibniz-Institut für Ökologische Raumentwicklung sowie am Leibniz-Institut für Länderkunde (IfL), wo sie u. a. zu fluvialen Kulturlandschaften in Europa und sozialräumlichem Wandel in Stadtregionen des mittleren und östlichen Europas (DFG Projekt) forschte. Parallel zur Tätigkeit am IfL promovierte sie an der TU Dresden zum Thema UNESCO-Weltkulturerbe und nachhaltige Stadtentwicklung: Sie evaluierte die Wirkungen des UNESCO-Labels für nachhaltige Stadtentwicklung und formulierte raumdifferenzierte Ansätze zur Inwertsetzung des Erbes. Ab 2013 war sie Postdoc am IfL in dem Forschungsverbund „Urban Reconfigurations in Post-Soviet Space“. Vortragsreisen führten sie u. a. nach China und in die USA. Carola Neugebauer ist seit 2016 Mitglied des Jungen Kollegs der Nordrhein- Westfälischen Akademie der Wissenschaften und der Künste. 

Vortrag 2

Once the mainstay of shopping and cultural exchange, many local high streets increasingly struggle to compete for their customers‘ wallets and leisure time against digital shopping channels. Besides superior convenience and broader assortments, data-driven recommendations of products that fit individual customers‘ needs are substantial strategic assets possessed by online stores. While first recommender systems that can leverage the advantages of physical servicescapes – such as high streets – have been designed and evaluated in shopping malls, their applicability, accuracy, impact, and business value have neither been demonstrated nor evaluated in local high streets. In a field study, we set out to identify and quantify the impact of geospatial recommendations on customer experiences in the high street of a medium-sized German city center. Having equipped 70 local retail stores and restaurants as well as 23 public points of interest with more than 140 bluetooth low energy beacons, we were able to provide geospatial recommendations to more than 400 customers using a mobile application. Also, while customers walked through the high street, our information systems collected geospatial data to trace and analyze their customer journeys. With this approach, we documented more than 1,000 shopping trips with a median length of 60 minutes that took place along six weeks in November/December 2018. Based on exploring this unique dataset, we empirically identify, analyze, and quantify the effects of geospatial recommendations on customer experiences in local high streets. From a design-oriented perspective, we propose new IT artifacts and design theories that prescribe how to develop effective geospatial recommender systems for local high streets. For management, we demonstrate how local retailers can make use of digital technology and geospatial recommendations to attract additional customers to their stores.

Prof. Dr. Daniel Beverungen leitet den Lehrstuhl für Wirtschaftsinformatik, insbesondere betriebliche Informationssysteme, an der Universität Paderborn. Er studierte Wirtschaftsinformatik an der Universität Paderborn und war nachfolgend als wissenschaftlicher Mitarbeiter, Akademischer Rat und Vertretungsprofessor am Institut für Wirtschaftsinformatik der WWU Münster (Prof. Dr. Dr. h. c. Dr. h. c. Jörg Becker) tätig. Seine Forschungsschwerpunkte umfassen die Dienstleistungsforschung, das Geschäftsprozessmanagement, die Informationsmodellierung sowie die methodische und anwendungsorientierte Gestaltung innovativer Informationssysteme. Seine Forschungsergebnisse wurden in zahlreichen referierten Fachzeitschriften veröffentlicht und auf den national und international führenden Konferenzen der Disziplin präsentiert. Darüber hinaus war Daniel Beverungen federführend an der Entwicklung verschiedener Industriestandards (z. B. DIN PAS 1091, DIN PAS 1094, DIN SPEC 33453) beteiligt. Er ist Mitherausgeber der Fachzeitschrift Business & Information Systems Engineering (BISE) sowie Gastherausgeber für das Information Systems Journal (ISJ) und andere Fachzeitschriften. Daniel Beverungen war von 2016–2018 Präsident der Special Interest Group on Services (SIGSVC) in der Association for Information Systems (AIS), die rund 200 Dienstleistungsforscher* innen weltweit repräsentiert. Zudem leitet er das Service Science Competence Center am European Research Center for Information Systems (ERCIS) und ist Mitglied des Software Innovation Campus Paderborn (SICP). Gastforschungsaufenthalte führten ihn u. a. an die TU Berlin, die QUT (Brisbane, Australien), das UNIST (Ulsan, Südkorea) und die University of Melbourne (Melbourne, Australien). 

Vortrag 3

Maschinelles Lernen hat in den letzten Jahren verschiedene Bereiche revolutioniert; etwa die automatisierte Bilderkennung, Spracherkennung oder Übersetzung. Eine der grundlegenden Annahmen in der klassischen Modellierung ist dabei die Stationarität der Daten, d. h. Gegebenheiten und Einsatzbereich ändern sich über die Zeit nicht. Dieses ist in der Praxis oft verletzt: Sensoren altern, Umweltbedingungen sind Schwankungen unterlegen, Erwartungen und Einsatzbereiche wandeln sich über die Zeit. In diesen Szenarien tritt ein sogenannter Drift auf, d. h. die Daten ändern sich und das gelernte Modell ist in seiner ursprünglichen Form nicht mehr valide. Der Vortrag thematisiert die Herausforderung, wie Modelle des maschinellen Lernens quasi im laufenden Betrieb effizient an neue Gegebenheiten angepasst werden können. Anders als das derzeit populäre tiefe Lernen bedarf es hier Verfahren, die auch auf der Basis weniger Daten und verlässlich eine Adaption erlauben. Im Vortrag werden beispielhaft zwei unterschiedliche Ansätze für zwei verschiedene Anwendungsszenarien vorgestellt, wo Drift auftritt. Im Bereich der nichtinvasiven Prothesensteuerung können Annahmen über die Form des auftretenden Drifts gemacht werden und so eine besonders schnelle Adaptation zusammen mit sogenannten Prototyp-basierten Verfahren zum Einsatz kommen – ein Beispiel des sogenannten Transferlernens. Im Bereich der Klassifikation von Biosignalen oder kontinuierlichen Datenströmen ist zum Teil die Stärke und Form des Drift unbekannt. Hier können nichtparametrische, mit intelligenten Gedächtnisstrukturen erweiterte Methoden erstaunlich robuste Ergebnisse erreichen.

Barbara Hammer ist Professorin für maschinelles Lernen an der Technischen Fakultät der Universität Bielefeld. Sie studierte von 1989 bis 1995 Mathematik und Informatik an der Universität Osnabrück. 1999 wurde sie mit einer Dissertation zum Thema „Learning with Recurrent Neural Networks“ an der Universität Osnabrück promoviert und 2004 als Leiterin einer Forschernachwuchsgruppe zum Thema „Lernen von neuronalen Netzen auf strukturierten Daten“ habilitiert. Gastaufenthalte führten sie an die Rutgers University, USA, das Center for Artificial Intelligence & Robotics (CAIR) in Bangalore, Indien, die Universitäten Pisa und Padova, Italien, und die Université Paris 1 Panthéon-Sorbonne Frankreich. Ihre erste Professur bekleidete sie an der Technischen Universität Clausthal zum Gebiet Theoretische Informatik, und sie bekam unter anderem Rufe an die Universitäten Hamburg, Köln und Marburg. Ihre Forschungsschwerpunkte liegen in den Bereichen künstlicher neuronaler Netze, Data-Mining, Bioinformatik, Lerntheorie und lebenslanges interaktives maschinelles Lernen. Dabei interessiert sie besonders die Brücke von der mathematischen Fundierung der Methoden zu den Erfordernissen in der Praxis, insbesondere im Bereich der biomedizinischen Datenverarbeitung und der industriellen Anwendungen. In neuerer Zeit adressiert sie auch das Wechselspiel mathematischer Modellierung und der Implikationen der Ergebnisse auf die Gesellschaft, betreffend Fragen wie Privatheit, Sicherheit von Modellen oder Fairness. Prof. Hammer ist Mitglied des administrativen Comittees von IEEE CIS, wo sie unter anderem die technischen Comittees zu Data Mining und neuronalen Netzen sowie das Distinguished Lecturers Comittee leitete. Daneben ist sie in der Gesellschaft für Informatik als auch der europäischen und internationalen Neural Networks Society tätig.