Abschlussarbeiten

Im Internet der Dinge (IoT) sammeln große Sensornetzwerke Daten, die wichtige Erkenntnisse und Entscheidungen ermöglichen. Die Zuverlässigkeit dieser Daten kann jedoch aufgrund von Umgebungsgeräuschen, Sensordrift oder Hardware-Inkonsistenzen beeinträchtigt sein. Die Sensordatenfusion, d. h. die Kombination von Daten mehrerer Sensoren, kann dazu beitragen, diese Herausforderungen zu bewältigen, indem sie eine genauere, konsistentere und zuverlässigere Schätzung des überwachten Systems liefert. Das Ziel dieser Arbeit ist es, einen robusten Mechanismus zur Fusion von Sensordaten zu entwickeln, wobei der Schwerpunkt auf Techniken liegt, die die Datengenauigkeit validieren und verbessern. Durch die Anwendung von Sensorfusionstechniken soll ein System entworfen werden, das die Datenzuverlässigkeit in dynamischen IoT-Umgebungen verbessert und so die Grundlage für intelligentere, datengesteuerte Systeme schafft.

Pedagogical Conversational Agents (PCAs) werden zunehmend in Bildungseinrichtungen eingesetzt, um den Lernprozess zu erleichtern und zu verbessern. Diese Agenten sind in der Regel als textbasierte Chatbots implementiert und fungieren als konversationelle Schnittstellen, die Unterstützung beim Lernen bieten. PCAs können als Tutoren oder Motivatoren dienen, die den Lernenden helfen, ihre Lernziele zu erreichen. Diese Arbeit zielt darauf ab, anthropomorphe Designelemente, d.h. Merkmale, die das menschenähnliche Erscheinungsbild und die Interaktion des Agenten verbessern, in einen bestehenden Tutoring-Chatbot zu integrieren. Die Hauptziele dieser Forschung sind die Durchführung einer umfassenden Überprüfung der relevanten Literatur, die Implementierung von menschenähnlichen Designmerkmalen und die Bewertung ihrer Auswirkungen auf die Benutzererfahrung und die Lernergebnisse.

Diese Arbeit entwickelt umfassende Bewertungsmechanismen für die Evaluierung von generativen KI-basierten Internet-of-Things-Anwendungen. Die Bewertung von Artefakten, die auf nicht-deterministischen KI-Algorithmen basieren, ist von Natur aus komplex und erfordert ausgefeilte Frameworks, die sowohl die technische Leistung als auch die praktische Wirksamkeit berücksichtigen. Die Forschung legt mehrdimensionale Bewertungskriterien fest, die Genauigkeit, Latenz, Skalierbarkeit, Benutzerzufriedenheit und Interpretierbarkeit umfassen. Diese Metriken werden anhand etablierter Standards gemessen, wobei aktuelle Frameworks zur Bewertung großer Sprachmodelle angepasst werden, um den einzigartigen zeitlichen und kontextuellen Eigenschaften von IoT-Datenströmen Rechnung zu tragen. Durch eine systematische Überprüfung bestehender Bewertungsmethoden und die Analyse aktueller GenAI-IoT-Anwendungen schlägt diese Arbeit neuartige Bewertungsansätze vor, die auf dieses aufstrebende Feld zugeschnitten sind. Das Ergebnis umfasst Bewertungsmethoden, praktische Leitlinien und Tools zur Messung der Artefaktleistung im Kontext der Design Science Research. Diese Bewertungsmechanismen unterstützen iterative Verfeinerungszyklen und bieten strukturierte Ansätze zur Validierung der Effektivität der GenAI-IoT-Integration in verschiedenen Einsatzszenarien.

Diese Arbeit konzipiert ein Interaktionsmodell, das die Integration zwischen Internet-of-Things-Anwendungen und generativen KI-Technologien ermöglicht. Der Schwerpunkt liegt auf der Schaffung der konzeptionellen Grundlagen, die erforderlich sind, um IoT-Sensordaten mit GenAI-gesteuerten Prozessen und Schnittstellen zu verknüpfen, insbesondere um autonome und agentenbasierte GenAI-Anwendungen im IoT-Bereich zu ermöglichen. Die Forschung untersucht technische Grundlagen, darunter die grammatikbeschränkte LLM-Generierung, Zwischenprompting-Ansätze unter Verwendung logischer Programmiersprachen und neue Standards wie das Model Context Protocol. Diese Methoden befassen sich mit Herausforderungen wie der Einbindung von Open Data in standardisierte Plattformen, der Verwaltung heterogener Datenformate und der Interaktion von LLMs mit komplexen verteilten Systemen. Das Framework umfasst dialogbasierte Interaktionsmodelle, um die Übereinstimmung mit natürlichen Abfragemustern der Benutzer und den Anforderungen an die Interpretation von IoT-Daten sicherzustellen. Durch die systematische Analyse bestehender Interaktionsmodelle und ihrer Grenzen schlägt diese Arbeit ein neuartiges Framework vor, das eine effektive Kommunikation und Zusammenarbeit zwischen IoT-Geräten und GenAI-Systemen ermöglicht. Das Ergebnis ist ein konzeptionelles Modell, das technische Anforderungen mit benutzerseitigen Szenarien verbindet und die Grundlagen für intelligente, kontextbewusste IoT-Systeme schafft, die durch generative KI-Fähigkeiten erweitert werden.

Diese Arbeit führt eine umfassende Literaturrecherche durch, um die Chancen und Herausforderungen bei der Interaktion von generativer KI mit IoT-basierten Systemen aufzuzeigen. Obwohl GenAI-Anwendungen in verschiedenen Bereichen ihren Wert unter Beweis gestellt haben, sind zahlreiche technische und konzeptionelle Fragen an dieser Schnittstelle noch unerforscht. Zu den wichtigsten Herausforderungen gehören die Verwaltung des Volumens und der Geschwindigkeit von IoT-Sensorwerten für die Echtzeitintegration, die Berücksichtigung der einzigartigen zeitlichen und kontextuellen Eigenschaften von Sensordaten, die die Standardansätze der GenAI-Abfrage erschweren, sowie die Minderung von Halluzinationsphänomenen, bei denen Modelle sachlich falsche Informationen generieren. Es werden ethische Aspekte im Zusammenhang mit Datenschutz, Fairness und Verantwortlichkeit untersucht, insbesondere in sensiblen Bereichen wie dem intelligenten Gesundheitswesen. Die Forschung nutzt strukturierte Literaturrecherchen, um dominante Forschungsstränge und Lücken in peer-reviewten Arbeiten zu identifizieren, wobei Smart-City-Anwendungen als primärer Bereich für IoT-basierte Anwendungsfälle dienen. Qualitative Methoden wie Workshops zur Ideenfindung und Interviews mit Stakeholdern bilden den Problemraum ab, während die Analyse von Prototyp-Artefakten und Protokolldaten kontextbezogene, reale Problembelege liefert. Dieser explorative, induktive Ansatz folgt der ersten Stufe der eDSR-Methodik.

Diese Arbeit untersucht, wie Server für das Model Context Protocol (MCP) die Ad-hoc-Analyse von IoT-Daten auf SensorThings-API-kompatiblen Datenplattformen ermöglichen können. Obwohl standardisierte IoT-Plattformen Sensorbeobachtungen technisch zugänglich machen, benötigen Nutzer häufig weiterhin spezialisiertes Wissen, um heterogene Datenströme abzufragen, Datenquellen zu kombinieren und explorative Analysen wie Korrelationen zwischen Umwelt-, Raum- oder Belegungsdaten durchzuführen. Die Arbeit kann einem Design-Science-Research-Ansatz folgen, indem MCP-basierte Artefakte entworfen, implementiert und evaluiert werden, die Large Language Models über strukturierte Tool-/API-Aufrufe mit IoT-Datenplattformen verbinden. Aufbauend auf bestehenden MCP-Servern für campusbezogene Datenquellen wie die Belegung der Bibliothek kann die Arbeit den Zugriff auf weitere SensorThings-API-Datenquellen erweitern und kombinierte Analysen über mehrere Datensätze hinweg unterstützen. Je nach Schwerpunkt können empirische qualitative oder quantitative Studien durchgeführt werden, um Anforderungen zu erheben, Benutzerfreundlichkeit und analytischen Nutzen zu bewerten, die Zuverlässigkeit generierter Analysen zu untersuchen oder Gestaltungsprinzipien für MCP-basierten IoT-Datenzugriff und datenquellenübergreifende Analysen abzuleiten.

Diese Arbeit leitet umfassende Systemanforderungen für die Integration generativer KI-Technologien in Datenverarbeitungssysteme für das Internet der Dinge ab. Die Forschung stützt sich auf mehrere Quellen: literaturbasierte Erkenntnisse, empirische Studien zu sensorbasierten Anwendungsfällen im Kontext von Smart Cities und frühere IoT-Artefakte aus verwandten Arbeiten. Normative Richtlinien werden anhand bestehender theoretischer Rahmenwerke festgelegt, während ethische und gesellschaftliche Überlegungen gemäß etablierten Praktiken für Multi-User-Datenplattformen in den gesamten Designprozess integriert werden. Die Forschung identifiziert zentrale Herausforderungen, Chancen und Designüberlegungen für die Entwicklung effektiver GenAI-basierter IoT-Lösungen. Durch die systematische Analyse aktueller Technologien, Anwendungsfälle und theoretischer Grundlagen legt diese Arbeit eine Reihe von Designzielen und -anforderungen fest, die mit der eDSR-Methodik in Einklang stehen. Diese Anforderungen dienen als Grundlage für die zukünftige Entwicklung in diesem aufstrebenden Bereich und bieten eine Orientierungshilfe für die Schaffung effizienter und verantwortungsvoller GenAI-IoT-Integrationsarchitekturen.