Repository der Technischen Hochschule Ingolstadt
Not a member yet
4170 research outputs found
Sort by
Autonomous weapons: considering the rights and interests of soldiers
No full textThe development of autonomous weapons systems (AWSs), which would make decisions on the battlefield without direct input from humans, has the potential to dramatically change the nature of war. Due to the revolutionary potential of these technologies, it is essential to discuss their moral implications. While the academic literature often highlights their morally problematic nature, with some proposing outright banning them, this paper highlights an important benefit of AWSs: protecting the lives, as well as the mental and physical health of soldiers. If militaries can avoid sending humans into dangerous situations or relieve drone operators from tasks that lead to lifelong trauma, this obviously appears morally desirable – especially in a world where many soldiers are still drafted against their will. Nonetheless, there are many arguments against AWSs. However, we show that although AWSs are potentially dangerous, criticisms apply equally to human soldiers and weapons steered by them. The combination of both claims makes a strong case against a ban on AWSs where it is possible. Instead, researchers should focus on mitigating their drawbacks and refining their benefits
Systems Engineering in der ingenieurwissenschaftlichen Lehre: Herausforderungen und Good Practices
No full textInterdisziplinäre Zusammenarbeit und ganzheitliches Denken sind essenziell, um drängende gesellschaftliche Herausforderungen wie den Klimawandel durch technische Innovationen zu bewältigen. Systems Engineering hat sich in der Industrie als bewährte Methodik zur Entwicklung komplexer mechatronischer Systeme etabliert und bietet auch für die ingenieurwissenschaftliche Lehre großes Potenzial. Am Beispiel des studentischen Projekts DriveOhm der TH Nürnberg wird gezeigt, wie Systems Engineering erfolgreich in die Lehre integriert werden kann. Studierende entwickeln mithilfe eines speziell ausgestatteten Modellfahrzeugs eigenständig Fahrerassistenzsysteme und wenden Methoden wie Requirements Engineering, Systemarchitekturentwicklung und Verifikation & Validierung an. Der vorliegende Beitrag präsentiert die erstmalige Umsetzung des Lehrkonzeptes, identifiziert Good Practices und diskutiert Herausforderungen dieses Ansatzes
Digitale Dynamik im Hörsaal: Wie die Campus App synchrone Lehre unterstützt
No full textDigitale Lehre erfolgt oft asynchron mit mehreren Plattformen und Tools, die unterschiedliche Bedienkonzepte aufweisen und teils nicht DSGVO-konform sind. Wir stellen eine selbst entwickelte Campus App vor, die digital und synchron im Hörsaal unterstützt. Sie bietet viele Alltagsfunktionen wie Stundenplan, Mensaplan und Notenansicht. Neu ist jedoch, dass die App Lehrende live durch eine Lehrveranstaltung begleitet und so den Interaktionsrahmen im Hörsaal in den digitalen Raum erweitert. Didaktische Szenarien wie Peer Instruction, Wissensabfragen und Gruppenaktivitäten (auch hybrid) werden gezielt unterstützt. Künftig soll die App auch komplexe Methoden wie Gruppenpuzzle und Infomarkt in Echtzeit begleiten, unterstützt durch Guides, Erinnerungen und Chats. Die App wurde am Didaktik-Medien-Zentrum der TH Augsburg entwickelt und wird von rund 4000 Studierenden und 120 Lehrenden genutzt. Erste Erfahrungen in Inverted-Classroom-Szenarien ergaben positives Feedback
In-Store Customer Experience-Analytics: Kundenmanagement-Potenziale von Sensordaten für den stationären Fachhandel
No full text
Methodology for Evaluating and Optimizing Machine Learning Applications in Industrial Production
No full textThis dissertation examines the challenges of integrating machine learning into manufacturing environments and introduces a structured optimization methodology, termedUnderstanding and Transformation, Classification and Estimation, Optimization, Results and Evaluation (UT-CORE), to align technical solutions with strategic production objectives. The initial chapters establish the historical context and current state of data-driven production, emphasizing the complexities introduced by imbalanced datasets, constrained budgets, and evolving AI maturity within the industry. Cost emerges as a central determinant for success, prompting in-depth analyses of model-centric and data-centric pipeline design approaches.
Building on these foundations, UT-CORE is presented as a four-phase process that employs a morphological box to isolate critical pipeline components and to quantify them through cost, time, availability, and complexity. By transforming high-level goals into systematic ranking and selection mechanisms using multi-criteria decision-making tools, UTCORE pinpoints the most impactful aspects of an ML pipeline, such as labeling, deployment, or model tuning, and visualizes their break-even points for more transparent managerial oversight. This process supports incremental improvements and comprehensive overhauls and can be adapted to industrial use cases.
An extensive real-world application in a small to medium-sized enterprise validates the method’s utility. The findings underscore the importance of optimizing meta-characteristics selectively rather than attempting to address an entire pipeline simultaneously. Concluding discussions highlight UT-CORE’s adaptability to emerging technologies such as automated machine learning, and robotic process automation, as well as the potential for integrated information modeling to enhance future iterations of the method. Ultimately, this dissertation contributes a robust, modular framework to facilitate cost-effective, data-driven quality assurance across diverse production contexts