Künstliche Intelligenz (KI) und vor allem das maschinelles Lernen (ML) sind in der digitalen und serviceorientierten Welt von Organisationen ein wichtiges Thema. Dabei stoßen vor allem kleinere Organisationen jedoch häufig auf Herausforderungen bei der Datenbereitstellung für das Modelltraining, da sie oft nicht über ausreichende Datenmengen und Kompetenzen verfügen, um leistungsfähige KI-Modelle zu trainieren. Federated Learning (FL) ist ein föderierter ML Ansatz, bei dem verteilte Systeme unter Wahrung der Privatheit kooperieren. Hierfür werden mehrere lokale KI-Modelle zu einem globalen Modell orchestriert, um einen Mehrwert für ein Ökosystem von verschiedenen Akteuren mit identischer Zielsetzung zu generieren. Diese Dissertation untersucht den Gestaltungsprozess von FL-Systemen. Das Anwendungsfeld ist die IT-Sicherheit im Personalwesen, mit dem Schwerpunkt auf der Erkennung von Schadcode in Bewerbungen. Unter Anwendung der Design Science Methode werden in drei Iterationen und drei vertiefenden Deep Dives strategische, ethische sowie technische Einflussfaktoren für die Gestaltung identifiziert und analysiert. Dabei werden theoretische Grundlagen der Service Science mit den praktischen Anforderungen und technologischen Besonderheiten von FL kombiniert, um Lösungen für die komplexe sozio-technische Perspektive zu entwickeln. Die Ergebnisse dieser Arbeit umfassen unter anderem Anforderungskataloge, Taxonomien und praxisorientierte Handlungsempfehlungen, die Organisationen bei der effektiven und verantwortungsvollen Gestaltung und Implementierung von FL-Systemen unterstützen. Somit leistet die Dissertation einen Beitrag zur effektiven Gestaltung und Integration von FL-Systemen, um die kollaborative Nutzung verteilter Daten zu ermöglichen.     «

Künstliche Intelligenz (KI) und vor allem das maschinelles Lernen (ML) sind in der digitalen und serviceorientierten Welt von Organisationen ein wichtiges Thema. Dabei stoßen vor allem kleinere Organisationen jedoch häufig auf Herausforderungen bei der Datenbereitstellung für das Modelltraining, da sie oft nicht über ausreichende Datenmengen und Kompetenzen verfügen, um leistungsfähige KI-Modelle zu trainieren. Federated Learning (FL) ist ein föderierter ML Ansatz, bei dem verteilte Systeme unte...     »