DTA-06-002

Siehe Studienverlaufsplan

Pflicht

Prof. Dr. Philipp Liedl

Deutsch / Englisch

Mind. 1 x jährlich

1 Semester

150 Std.

Präsenz: 32 Std. | Selbststudium: 56 Std. | Transfer: 62 Std.

5 CP

Klausur (60 min.) oder Mündliche Prüfung oder Case oder Transferarbeit (6-8 Seiten)

Seminar (Präsenzlehre), ergänzend Selbststudium und Transfer, ggf. E-Learning, Pre- und Post-Reading

• Basiskonzepte des Wissensmanagements: Definition und Zusammenhänge zwischen Wissen, Intelligenz, Daten und Lernen. Unterscheidung zwischen implizitem und explizitem Wissen sowie deren Transformation.

• Strategien und Gestaltungsansätze: Entwicklung wissensbasierter Strategien zur Förderung organisationalen Lernens. Wissensmanagement-Modelle (SECI, KMC).

• Organizational Learning: Wissensgenerierung und -nutzung in Unternehmen.

• Competence / Skills Management: Kompetenzmanagement in datengetriebenen Organisationen, Aufbau von Lernökosystemen zur Weiterentwicklung von Skills.

• Wissen als Ressource: Wert und strategische Bedeutung in datengetriebenen Organisationen.

• Monetarisierung von Wissen: Wettbewerbsvorteile durch daten- und wissensbasierte Geschäftsmodelle.

• Verbindung von Wissensmanagement mit Konzepten der künstlichen Intelligenz (KI).

• Wissensmanagementsysteme: Customer Support Systems, Expert Knowledge Systems, Document Management, E-Learning Systeme

• Verbesserung von Entscheidungsprozessen durch Cognitive Intelligence.

• Einführung in Cognitive Computing: Überblick Systeme wie IBM Watson, OpenAI GPT und Google Bard.

• Cognitive Computing-Architekturen: Von regelbasierten Systemen zu generativen KI-Modellen.

• Integration von KI in wissensbasierte Systeme: maschinelles Lernen, NLP (Natural Language Processing) und Deep Learning.

• Cognitive Search: Intelligente Suchtechnologien mit NLP und semantischen Technologien, Frage-Antwort-Systeme und Chatbots für wissensbasierte Anwendungen.

• Nutzung von Generative AI für die Erstellung, Analyse und Bereitstellung von Wissen.

• Wissensgraphen und semantischen Technologien zur Wissensrepräsentation und -nutzung. Wissensmodellierung mit Tools wie Neo4j.

• Basic Concepts of Knowledge Management: Definition and relationships between knowledge, intelligence, data, and learning. Distinction between implicit and explicit knowledge and their transformation.

• Strategies and Design Approaches: Development of knowledge-based strategies to foster organizational learning. Knowledge management models (SECI, KMC).

• Organizational Learning: Knowledge generation and utilization in companies.

• Competence / Skills Management: Competence management in data-driven organizations, development of learning ecosystems for skill enhancement.

• Knowledge as a Resource: Value and strategic importance in data-driven organizations.

• Monetization of Knowledge: Competitive advantages through data- and knowledge-based business models.

• Integration of Knowledge Management with Artificial Intelligence (AI) Concepts.

• Knowledge Management Systems: Customer support systems, expert knowledge systems, document management, e-learning systems.

• Improving Decision-Making Processes through Cognitive Intelligence.

• Introduction to Cognitive Computing: Overview systems such as IBM Watson, OpenAI GPT, and Google Bard.

• Cognitive Computing Architectures: From rule-based systems to generative AI models.

• Integration of AI into Knowledge-Based Systems: Machine learning, NLP (Natural Language Processing), and deep learning.

• Cognitive Search: Intelligent search technologies with NLP and semantic technologies, question-answering systems, and chatbots for knowledge-based applications.

• Utilizing Generative AI for Knowledge Creation, Analysis, and Distribution.

• Knowledge Graphs and Semantic Technologies for Knowledge Representation and Utilization: Knowledge modeling with tools like Neo4j.

Das Modul ist ohne Vorkenntnisse aus anderen Modulen studierbar.

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:

• Die wesentlichen Entwicklungstrends im Bereich des Wissensmanagements (WM) in Verbindung mit Cognitive Intelligence (CI) zu analysieren und die Vorteile einer Verknüpfung von WM und CI zu erklären.

• Die Nutzwertkriterien sowie die geschäftlichen Potenziale von WM- und CI-Lösungen zu bewerten und auf strategische Unternehmensziele zu beziehen.

• Methodische Ansätze des Wissensmanagements anzuwenden, um Projekte systematisch zu planen, durchzuführen und deren Ergebnisse zu evaluieren.

• Eigenständig WM-Lösungen und CI-Systeme anwendungsorientiert zu planen, einzuführen und deren Umsetzung zu begleiten.

• Geeignete WM-Tools sowie CI-Plattformen (z. B. IBM Watson, Microsoft Azure, Knowledge Graph Tools) auszuwählen und für die Lösung spezifischer Fragestellungen praktisch anzuwenden.

• Den unternehmerischen Nutzen sowohl traditioneller WM-Ansätze als auch moderner CI-Lösungen kritisch zu beurteilen und Potenziale zur Optimierung von Geschäftsprozessen aufzuzeigen.

• Das erworbene Wissen über WM und CI im Rahmen von Transferprojekten oder Transferarbeiten praxisorientiert auf konkrete Unternehmensbereiche anzuwenden.

• Interdisziplinäre WM-Projekte in Teams mit unterschiedlichem Vorwissen zu planen, durchzuführen und die Ergebnisse effektiv zu kommunizieren;

• Innovative Lösungen für komplexe wissensbezogene Herausforderungen in Organisationen zu entwickeln und deren Mehrwert für die Unternehmensstrategie zu demonstrieren.

After successfully completing the module, students will be able to:

• Analyze key development trends in the field of Knowledge Management (KM) in connection with Cognitive Intelligence (CI) and explain the benefits of linking KM and CI.

• Evaluate the utility criteria and business potential of KM and CI solutions and relate them to strategic corporate goals.

• Apply methodological approaches of knowledge management to systematically plan, execute, and evaluate projects.

• Independently design, implement, and oversee the deployment of application-oriented KM solutions and CI systems.

• Select appropriate KM tools and CI platforms (e.g., IBM Watson, Microsoft Azure, Knowledge Graph tools) and practically apply them to solve specific challenges.

• Critically assess the business value of both traditional KM approaches and modern CI solutions and identify potential optimizations for business processes.

• Apply acquired knowledge of KM and CI in practice-oriented transfer projects or transfer papers to specific corporate areas.

• Plan, execute, and effectively communicate the results of interdisciplinary KM projects within teams of varying expertise.

• Develop innovative solutions for complex knowledge-related challenges in organizations and demonstrate their added value for corporate strategy.

Verwendbar im Masterstudiengang Wirtschaftsinformatik

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur: / For self-study, the following literature is recommended for students:

• Machado, C.; Davim, J.P. (2021): Knowledge Management and Learning Organizations; Springer

• Kragulj, F. (2023): Knowledge Management and Sustainable Value Creation: Needs as a Strategic Focus for Organizations; Springer

• Dalkir, K. (2017) Knowledge management in theory and practice; MIT press

• Gronau, N. (Hrsg.) (2014): Handbuch prozessorientiertes Wissensmanagement - Methoden und Praxis; Gito

• Gronau, N. (Hrsg.) (2012): Modeling and Analyzing knowledge intensive business processes with KMDL - Comprehensive insights into theory and practice; Gito

• North, K. (2016): Wissensorientierte Unternehmensführung - Wertschöpfung durch Wissen, 6. Auflage, Springer Gabler, Wiesbaden

• Haun, M. (2014): Cognitive Computing; Springer

• Barrasa, J; Hodler, A.E., Webber, J. (2021): Knowledge Graphs. Data in Context for Responsible Business; O’Reilly

• Nguyen, N.T.; Szczerbicki, E. (2009): Intelligent Systems for Knowledge Management; Springer

Keine