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 konzeptualisiert ein Interaktionsmodell, das die Verknüpfung von IoT-Anwendungen mit generativer KI ausführlich und strukturiert beschreibt. Das Modell bezieht sich vor allem auf die technologische und teilweise auf die organisationale Dimension und folgt einer IoT-Datenpipeline aus Datenintegration, Verarbeitung in Datenplattformen und Nutzung in Anwendungen, um die Interaktionen generativer KI in jeder Stufe systematisch zu erfassen. Die Arbeit folgt einem Design-Science-Research-Ansatz, baut auf einer strukturierten qualitativen Literaturrecherche auf, entwickelt ein technisch gestütztes konzeptionelles Interaktionsmodell und Framework und ordnet das Ergebnis abschließend in die bestehende IoT-Research-Agenda ein.

Diese Bachelorarbeit arbeitet auf Basis einer systematischen Literaturrecherche die in der wissenschaftlichen Literatur beschriebenen Use Cases bei der Integration von Internet-of-Things-(IoT)-Systemen und Large Language Models (LLMs) heraus. Untersucht werden Szenarien, in denen LLMs IoT-bezogene Daten analysieren, interpretieren oder generieren, etwa in Smart Cities, Unternehmen, Smart Homes, industriellen Umgebungen (Industrie 4.0), bei individuellen Nutzenden oder im Gesundheitswesen. Die identifizierten Anwendungskontexte werden kategorisiert und hinsichtlich ihrer Chancen, technischen und datenbezogenen Herausforderungen wie großen Datenmengen, hohen Datenraten, heterogenen Datenquellen sowie zeitlichen und kontextuellen Abhängigkeiten und hinsichtlich Risiken und ethischen Fragestellungen wie Datenschutz, Überwachungsgefahren und Fairness betrachtet.

Diese Bachelorarbeit konzipiert, implementiert und evaluiert ein LLM-gestütztes System zur Verknüpfung komplementärer IoT-Datenquellen als funktionsfähiges IT-Artefakt. Das System soll Ad-hoc-Analysen im Universitätscampus-Umfeld ermöglichen, ohne technisches oder statistisches Vorwissen vorauszusetzen. Dazu werden mehrere SensorThings-API-basierte Datenquellen standardisiert und kontextbezogen für ein Large Language Model zugänglich gemacht, Daten wie Bibliotheks- und Raumbelegung, CO₂-Werte und Temperatur dynamisch integriert und datenquellenübergreifende Analysen über Tool Calls koordiniert. Das Artefakt folgt der Design Science Research Methodology und wird hinsichtlich Nutzerakzeptanz, korrekter Datenquellenauswahl und Zuverlässigkeit der generierten Analysen evaluiert.

Diese Masterarbeit konzipiert und evaluiert ein prototypisches LLM-basiertes Agentensystem für ausgewählte Aufgaben persönlicher Finanzberater, um den Task-Technology Fit solcher Systeme zu untersuchen und Gestaltungsprinzipien für agentische Finanzberatungssysteme abzuleiten. Dazu werden Tätigkeiten in der persönlichen Finanzberatung identifiziert und strukturiert, aufgabenspezifische Anforderungen in benötigte Fähigkeiten eines LLM-basierten Agentensystems übersetzt, bestehende Lösungen für Finanzberater-Agenten untersucht, ein Prototyp für eine definierte Auswahl von Aufgaben implementiert und hinsichtlich Task-Technology Fit, Aufgabenleistung, Zuverlässigkeit, wahrgenommenem Nutzen und Nutzerakzeptanz evaluiert. Die Arbeit folgt der Design Science Research Methodology und kombiniert literaturbasierte Aufgabenanalyse, Prototyping, szenariobasierte und benchmarkgestützte Tests sowie leitfadengestützte Interviews mit potenziellen Nutzern oder Domänenexperten.