No abstract

This paper introduces a framework for managing bias in machine learning (ML) projects. When ML-capabilities are used for decision making, they frequently affect the lives of many people. However, bias can lead to low model performance and misguided business decisions, resulting in fatal financial, social, and reputational impacts. This framework provides an overview of potential biases and corresponding mitigation methods for each phase of the wellestablished process model CRISP-DM. Eight distinct types of biases and 25 mitigation methods were identified through a literature review and allocated to six phases of the reference model in a synthesized way. Furthermore, some biases are mitigated in different phases as they occur. Our framework helps to create clarity in these multiple relationships, thus assisting project managers in avoiding biased ML-outcomes.

Smart dust is an autonomous sensing, computing, and communication system that can be packed into a cubic-millimeter mote to form the basis of integrated, massively distributed sensor networks. The purpose of this manuscript is to identify potential applications of smart dust in product lifecycle management with a focus on the industrial economic sector. Resting upon empirical data from the European DACH region, we describe six applications: (1) Advancement of requirements engineering, (2) Improvement of manufacturing processes, (3) Enhancement of logistics monitoring, (4) Optimization of operations, (5) Ameliorated maintenance and repair processes, and (6) Augmented retirement planning. Bearing the exploratory, qualitative approach and early-stage character of applications in mind, we can reason that smart dust offers great potentials to both product lifecycle management and research on it.

Zusammenfassung: Künstliche Intelligenz bietet Unternehmen neue Möglichkeiten Prozesse, Produkte, Dienstleistungen und Geschäftsmodelle zu innovieren und bestehende zu verändern. Daher wird das professionelle Management Künstlicher Intelligenz in Unternehmen zu einer zentralen Aufgabe, um die neuen Wertversprechen mit produktiven Systemen zu realisieren. Der Beitrag stellt das St.Galler Management Modell für KI (SGMM-KI) vor und zeigt sieben Handlungfelder für den betrieblichen Einsatz von KI: (1) Management von Künstlicher Intelligenz, (2) Organisation des Betriebs, (3) Rechtliche Gestaltung, (4) Regulierung und Compliance, (5) Lebenszyklus-Management, (6) Management der Technologie-Infrastruktur, sowie (7) Cybersicherheit.Der vorliegende Artikel leitet konkrete erste Schritte an und richtet sich primär an Geschäftsleitungsmitglieder, IT-und Innovationsverantwortliche sowie Projektleiter, welche die neuen Wertversprechen der KI in der betrieblichen Praxis verwirklichen möchten.

Zusammenfassung Neben der massiven Erhöhung der Leistungsfähigkeit ist die radikale Miniaturisierung von Technologien ein zentraler Aspekt des digitalen Zeitalters – auch im Bereich der Robotik. In diesem Kontext stellen Smart Dust und Micro Robots mikro-elektro-mechanische Systeme im Sub-Millimeter-Bereich dar, je nach Ausprägung mit Sensorik‑, Verarbeitungs‑, Kommunikations- und Aktuatorikfähigkeiten ausgestattet. Dieser praxisorientierte Beitrag beschäftigt sich mit der Rolle von Smart Dust und Micro Robots im industriellen Sektor auf der Evidenzgrundlage von Fokusgruppen mit Industrievertretern. Interessierten Fach- und Führungskräften wird aufgezeigt, welche Potentiale resultieren, welche Hürden gemeistert werden müssen und welche strategische Aktivitäten es zur wertschöpfenden Nutzung in die Wege zu leiten gilt. Auch wenn heute in der Praxis noch schwierig umzusetzen, erkennt die Industrie diese Technologien und den damit verbundenen Mehrwert durchaus an.

Artificial Intelligence (AI) provides organizations with vast opportunities of deploying AI for competitive advantage such as improving processes, and creating new or enriched products and services. However, the failure rate of projects on implementing AI in organizations is still high, and prevents organizations from fully seizing the potential that AI exhibits. To contribute to closing this gap, we seize the unique opportunity to gain insights from five organizational cases. In particular, we empirically investigate how the unique characteristics of AI -i.e. experimental character, context sensitivity, black box character, and learning requirements -induce challenges into project management, and how these challenges are addressed in organizational (sociotechnical) contexts. This shall provide researchers with an empirical and conceptual foundation for investigating the cause-effect relationships between the characteristics of AI, project management, and organizational change. Practitioners can benchmark their own practices against the insights to increase the success rates of future AI implementations.

ZusammenfassungViele der wertvollsten Unternehmen der Welt betreiben ihr Geschäft auf Basis einer digitalen Plattform samt umgebendem Ökosystem. Während es in der Theorie zahlreiche Erklärungs-und Gestaltungsansätze für die erfolgreiche Umsetzung gibt, gelten diese wirtschaftlich attraktiven Geschäftsmodelle in der Praxis nach wie vor als herausfordernd. Auf der empirischen Grundlage von sieben Plattform-Innovationsprojekten und mit Methoden der Fallstudienforschung untersucht der vorliegende Artikel, welche Rolle digitale Plattformen in der Praxis spielen und wie diese Artefakte entwickelt werden können. Mit den Ergebnissen in Form von vier Einsatz- (Platform-as-a-Core, Platform-as-an-Evolution, Platform-as-an-Enabler, Platform-as-an-Add-On) und vier Entwicklungsmodellen (Methodic Problem Solvers, Methodic Strategists, Methodic Leaders, Ad-Hoc Developers) kann gefolgert werden: Digitale Plattformen können in der Praxis vielfältige Rollen einnehmen und deren Entwicklung kann mit unterschiedlicher Methodikintensität erfolgen. Für die Praxis profitieren Fach- und Führungskräfte von industrienahen Einblicken und abgeleiteten Handlungsempfehlungen. Für die Forschung wird der Wissensfundus im Bereich des Designs und der Entwicklung digitaler Plattformen erweitert.

No abstract