Vorarlberg University of Applied Sciences
Online Publication Server University of Applied Science VorarlbergNot a member yet
2106 research outputs found
Sort by
Künstliche Intelligenz im IT Service Management
Get PDFDie vorliegende Masterarbeit untersucht systematisch die Potenziale und Erfolgsfaktoren für den Einsatz von künstlicher Intelligenz (KI) in Form von Chatbots im IT Service Management (ITSM). Vor dem Hintergrund steigender Komplexität und Kund:innenanforderungen in modernen IT-Organisationen wird ein Retrieval Augmented Generation (RAG)-basiertes Chatbot-System entwickelt und in drei zentralen Anwendungsbereichen von IT Services evaluiert: Knowledge Transfer, Service Request und Incident Management. Die Forschung selbst folgt dem Design Science Research Paradigma und umfasst die Entwicklung eines Basismodells sowie einer verbesserten zweiten Iteration. Durch strukturierte Workshops mit zwanzig Analyst:innen aus den IT Services im Bereich Product Lifecycle Management (PLM) eines Industriekonzerns, werden sowohl technologische Weiterentwicklungen als auch Maßnahmen zur Verbesserung des organisatorischen Wissensmanagements getestet und bewertet. Die Evaluationsergebnisse zeigen signifikante Potenziale für den Einsatz von Chatbots im ITSM, wobei sich Maßnahmen zur Verbesserung des Wissensmanagements als wirkungsvoller erweisen als ausschließlich technologische Optimierungen. Besonders die Implementierung maschinenlesbarer Dokumentationsformate und strukturierter Wissensmanagementsysteme führt zu deutlichen Verbesserungen in der Antwortqualität und Akzeptanz der Benutzer:innen. Die Arbeit identifiziert kritische Erfolgsfaktoren für die nachhaltige Integration von Chatbots in ITSM-Umgebungen und leitet praxisrelevante Handlungsempfehlungen für Organisationen ab. Die Erkenntnisse verdeutlichen, dass hochwertige Wissensstrukturen die Grundvoraussetzung für erfolgreiche Chatbot-Implementierungen darstellen und organisatorische Reife über den technologischen Implementierungserfolg entscheidet
AI4Green: a framework for AI-based resource optimizations for reliable applications
No full textClimate change, increasing environmental pollution and rising resource consumption implicate sustainable and also reliable solutions to ensure a liveable and safe future for generations to come. Significant opportunities for savings lie in the field of business and industry, particularly by improving production processes. In this paper, we summarize our ongoing research from the AI4Green project funded by INTERREG Bayern-Österreich. We outline challenges and opportunities for reliable resource optimizations in challenging domains such as agriculture, robotics and production processes using artificial intelligence. We conclude that the optimization potential is high and provide an outlook of our future research activities to develop safe and reliable resource-optimal industrial AI-based solutions
A comparison of tourism brand relevance in the individual and bundled context: exploring the German travellers’ perspective
No full textBeyond (Multi-) Media
No full textÜberall und zu jeder Zeit, ob erwünscht oder nicht, sind wir das Ziel medialer Inhalte. Damit wir uns bei all dem Informationsüberfluss überhaupt angesprochen fühlen, müssen die Informationen, die über die medialen Kanäle in unsere Richtung gesendet werden, gezielt so aufbereitet werden, dass sie unsere Aufmerksamkeit wecken. Darüber hinaus soll diese Aufmerksamkeit auch erhalten bleiben.
Das Problem dabei ist nicht das einzelne Medium an sich, sondern vielmehr die Vielzahl der unterschiedlichen Kanäle und damit die Vielzahl der unterschiedlichen Medienformen, auf denen wir erreicht werden. Mittlerweile wird eine Information eher selten nur auf einem einzigen Kanal übermittelt. Vielmehr wird „auf allen Kanälen gefeuert“, in der Hoffnung, dass wenigstens ein Kanal sein Ziel – also uns und unsere Aufmerksamkeit – erreicht.
Zwei Folgeprobleme resultieren daraus: Das eine Folgeproblem besteht darin, dass für jeden genutzten Kanal, also für jedes genutzte Medium, die Inhalte gezielt aufbereitet, gestaltet und strukturiert werden müssten. Dies wiederum ist aber aufwendig, so dass hier gerne nur das Nötigste für diese Anpassung der Inhalte an den jeweiligen Kanal aufgewendet wird.
Das zweite Folgeproblem besteht darüber hinaus in der medialen Vielfalt an sich: Multimedia? Hypermedia? Social Media? 3D, 360°, VR? Wer kennt schon wirklich den Unterschied? Welche Informationen passen auf welchen Medienkanal? Wie verpacken wir die Informationen in spannende Geschichten, die auf den jeweiligen Medien auch funktionieren?
Zwei Ziele wurden dabei abgesteckt: Für den gezielten Einsatz und die zielgerichtete Gestaltung ist es zwingend notwendig, die verschiedenen Medienformen definiert voneinander abgrenzen zu können. Ziel eins ist es deshalb, aktuelle Medienformen zu betrachten, einführend zu beschreiben und so die Unterschiede zwischen ihnen deutlich zu machen. Unterschiedliche mediale Formen unterscheiden sich jedoch nicht nur technisch voneinander. Mindestens ebenso wichtig ist es darüber hinaus zu wissen, wie die Medienformen einzeln aber auch im Zusammenspiel wirken und wie diese Wirkung erzeugt und unterstrichen werden kann. Ziel zwei ist es deshalb, auch die Unterschiede im Storytelling in, mit und durch die verschiedenen Medienformen zu beleuchten.
Im hier vorliegenden Buch „Beyond (Multi-) Media“ soll nicht auf die tiefgehende Theorie der Mediengestaltung eingegangen werden. Vielmehr soll ein Verständnis aufgebaut werden, wie sich die verschiedenen Medienformate voneinander unterscheiden. Dazu wird sowohl ein Blick auf die technische historische Entwicklung sowie die Betrachtung der psychologischen Wirkung geworfen. Dazu werden zunächst die verschiedenen Medienformate einzeln betrachtet, um sie dann später unter der Bezeichnung „Multimedia“ zusammenzuführen
Enhancing sustainability decisions: AR and AI in gamified public education for environmental decision-making
No full textThis study investigates the impact of integrating augmented reality (AR) and generative artificial intelligence (AI) into museum learning experiences to enhance sustainability decision-making. The research explores how these technologies can engage museum visitors of all ages in sustainability education by developing a gamified mobile AR quest embedded with AI-driven educational content. The study was conducted at the inatura museum in Austria, where visitors participated in an AR quest that utilised AI-generated recommendations aligned with the United Nations Sustainable Development Goals (SDGs). Findings (n = 51) reveal that the AI-powered AR quest (SusQuest) was practical, attractive and stimulating while significantly improving visitors’ experience in sustainability decision-making across all age groups and particularly among younger audiences. However, while the quest enhanced the experiential aspect of sustainability education, it did not significantly increase visitors’ overall awareness regarding sustainability decisions. The study highlights the importance of balancing cognitive demands and engagement in designing effective educational tools for diverse audiences and synthesises key design insights for public education
Influence of MPC based driver types on the energy consumption of battery electric vehicles
No full textElectric vehicles are increasingly important for emission reduction and the promotion of sustainable mobility. Despite their advantages over conventional vehicles, the energy consumption of electric vehicles is heavily influenced by various factors such as driving behavior, elevation profile, and environmental conditions. In particular, the driving style plays a crucial role in determining range and energy consumption. This influence is also observed in the context of the Interreg project FreeE-Bus. This project focuses on the development of optimized charging management for electric buses in the public transport system of the Lake Constance region. Due to strict data protection regulations that prevent a detailed analysis of driver data, assessing the impact of driving styles is difficult. This paper addresses this issue by developing an innovative driver model that simulates different driver types and analyzes their effects on energy consumption. The driver model employs a Model Predictive Control approach, and two driver types are implemented and tested on a real vehicle. The results of this study demonstrate that a simulation of different driving styles is possible and highlight significant differences in energy consumption, providing valuable insights into improving driving strategies. Therefore, this approach represents a valuable addition to the existing range of driver control modeling methods
Optimal restart strategies for parameter-dependent optimization algorithms
Get PDFThis paper examines restart strategies for algorithms whose successful termination depends on a parameter . After each restart, is increased, until the algorithm terminates successfully. It is assumed that there is an unknown, optimal value for . For the algorithm to run successfully, this value must be surpassed. The key question is whether there exists an optimal strategy for selecting after each restart taking into account that the computational costs increase with . Potential restart strategies are classified into parameter-dependent strategy types. A loss function is introduced to quantify the wasted computational cost relative to the optimal strategy. A crucial requirement for any efficient restart strategy is that its loss, relative to the optimal , remains bounded. To this end, upper and lower bounds of the loss are derived. Using these bounds it will be shown that not all strategy types are bounded. However, for a particular strategy type, where is increased multiplicatively by a constant factor , the relative loss function is bounded. Furthermore, it will be demonstrated that within this strategy type, there exists an optimal value = 2 that minimizes the maximum relative loss. In the asymptotic limit, this optimal choice does not depend on the unknown optimal . While the multiplicative strategy with = 2 was already used in implementations of evolutionary algorithms to control the population size showing acceptable performance in applications, a formal proof of its optimality is presented and the underlying conditions are discussed in this paper the first time