Sandra Nickol

Tel. 0951 - 863 2659

Bitte beachten Sie, dass wir uns teilweise im Homeoffice befinden und in der Regel am besten per E-Mail zu erreichen sind. Gerne rufen wir Sie zurück.

Email: bamberg@vawi.de

Studiengangmanagement Bamberg
Universität Bamberg | Studiencenter VAWi

An der Weberei 5
96047 Bamberg  


Universität Bamberg

Virtueller Weiterbildungsstudiengang Wirtschaftsinformatik (VAWi)
Fakultät für Wirtschaftsinformatik und Angewandte Informatik

An der Weberei 5
96047 Bamberg
* Pflichtfeld
Weichelt

Dr. Thomas Weichelt

Tel. 0201 - 183 3001

Bitte beachten Sie, dass wir uns teilweise im Homeoffice befinden und in der Regel am besten per E-Mail zu erreichen sind. Gerne rufen wir Sie zurück.

Email: essen@vawi.de

Studiengangmanagement Essen
Universität Duisburg-Essen | Studiencenter VAWi

Universitätsstraße 9
45141 Essen


Universität Duisburg-Essen

Virtueller Weiterbildungsstudiengang Wirtschaftsinformatik (VAWi)
Fakultät für Wirtschaftswissenschaften

Universitätsstraße 9
45141 Essen
* Pflichtfeld

Generative Artificial Intelligence

Modulvorstellung Generative Artificial Intelligence


Informationen zum Modul Generative Artificial Intelligence

Dozent & Tutoren

Dozent:
Prof. Dr. Stefan Eicker

Tutoren:
Dr. Gero Strobel
M.Sc. Leonardo Banh

Universität Duisburg-Essen
Fakultät für Informatik
Lehrstuhl für Wirtschaftsinformatik und Softwaretechnik
https://softec.ris.uni-due.de

Turnus & Dauer, Einordnung & Sprache

Turnus & Dauer:
Sommersemester / 1 Semester

Einordnung:
Entwicklung und Management von Informationssystemen

Sprache:
Deutsch

Modulverwendung

Dieses Modul steht exklusiv den Studierenden des VAWi-Studiengangs zur Verfügung.

Lehr- & Medienformen

Für dieses Modul steht eine internetbasierte Lernumgebung für die Durchführung der Lehr-/Lernprozesse und der Lernunterstützungsprozesse zur Verfügung. Dabei erfolgt die Betreuung der Studierenden durch die Lehrenden über asynchrone (Foren, E-Mail) und synchrone (Chat, Telefon, Online-Konferenzen) Kommunikationswerkzeuge. Diese stehen auch für die Kommunikation der Studierenden untereinander zur Verfügung.

Die Studierenden werden beim Wissenserwerb durch den Zugang zur notwendigen IT-Infrastruktur als auch die folgenden elektronischen Selbstlernmedien unterstützt: Videocasts, Erweiterte Skripte, Reading Class und Ergänzende Literatur. Zudem wird der Aufbau von Fertigkeiten und Kompetenzen insbesondere gefördert durch eine Hands-On Fallstudie als auch die integrierte Studienleistung. Innerhalb der Fallstudie erhalten Studierende die Möglichkeit eigenständig mit generativen KI-Modellen (insbesondere große Sprachmodelle – LLMs) wie ChatGPT oder LLaMA zu arbeiten, diese zu trainieren und für ihre Einsatzzwecke mittels Techniken wie Prompt-Engineering, RAG oder Fine-Tuning zu individualisieren. Für das Modul wird keine eigene leistungsstrake Hardware für das Training oder die Ausführung von LLMs oder anderen generativen Modellen benötigt, dies wird komplett von den Modulverantwortlichen angeboten.

Arbeitsaufwand, ECTS-Credits & Zuordnung

Arbeitsaufwand:
150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung

ECTS-Credits:
5

Zuordnung:
5 % Wirtschaftswissenschaften
25 % Informatik
60 % Kerngebiete der Wirtschaftsinformatik
10 % Allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

Keine

Angestrebte Lernergebnisse

Die Studierenden

  • erhalten Einblicke in die Funktionsweise und Anwendungsfelder von Generative AI
  • verstehen den Unterschied zwischen discriminative und generative Artificial Intelligence
  • verstehen und differenzieren die grundlegenden Technologieparadigmen (Deep Generative Models)
  • können Herausforderungen und Chancen durch Generative AI in Unternehmen und Gesellschaft identifizieren
  • können Trainings- und Erweiterungstechniken (Fine-Tuning, RAG) unterscheiden und einsetzen
  • können Generative AI für die Lösung von Problemstellungen einsetzen
  • können Generative AI basierte Systeme evaluieren
  • können aufkommende Trends mitsamt ethischen, rechtlichen und sozialen Aspekten diskutieren
  • können den Einsatz Generative AI kritisch hinterfragen.

Soziale Kompetenzen: Die Studierenden sind in der Lage (generative) Künstliche Intelligenz aus einer sozio-technischen Perspektive einzuordnen und deren Auswirkung auf Individuen, Unternehmen und die Gesellschaft zu bewerten. Darüber hinaus können die Studierenden ihr Wissen als auch ihre Ergebnisse im Rahmen eines virtuellen Impulsvortrags einem außenstehenden Personenkreis prägnant und auf einem angemessenen Abstraktionsniveau kommunizieren.

Studienempfehlungen

Für den erfolgreichen Abschluss des Moduls wird die Abgabe der Aufgabenbearbeitung im Rahmen der optionalen semesterbegleitenden Studienleistung (Bonusleistung) dringend empfohlen.

Inhalte & Gliederung

•    Grundlagen Generative Artificial Intelligence

  • Historie und Weiterentwicklung, insbesondere Discriminative vs. Generative Artificial Intelligence
  • Deep Generative Models, Foundation Models & Open Source Models
  • Large Language Models & Image Diffusion Models & (Multi-) Modalitäten
  • Einsatzmöglichkeiten und Limitationen Generative AI

•    Herausforderungen für Unternehmen und Gesellschaft

  • Bias, Hallucinations & Misuse
  • Implikationen für diverse Branchen, bspw. Kunst und Kreativität, Medien, Software Entwicklung oder Bildung
  • Ethische und rechtliche Rahmenbedingungen - AI Act & (Corporate) Social Responsibility

•    Entwicklung und Management von Generative AI-Systemen

  • Einblicke in den Software Development Lifecycle eines GenAI Projektes
  • Einsatz von State-of-the-Art Tools und Modellen (LangChain, OpenAI, Llama, Gemini, HuggingFace, Anthropic)
  • Advanced Techniques zum Customizen von GenAI Systemen (z.B. Prompt-Engineering, RAG)
  • Ausgewählte Evaluationsmechanismen

•    Zukunft für Generative AI – Ein Forschungsausblick

  • Generative Agents
  • LLM Reasoning
  • Artificial General Intelligence

•    Hands-On Fallstudie (Hausarbeit)

  • Systemkonzeption inkl. Auswahl des Foundation Models
  • Aufbau eines Wissenskorpus
  • Auswahl und Einsatz von Advanced Techniques
  • Evaluation des entwickelten GenAI-basierten digitalen Assistenten

Studien- & Prüfungsleistungen

  • Hausarbeit [90 Punkte / 100 %]
  • Ggf. Bonus durch eine nachgewiesene optionale Studienleistung [18 Punkte / 20 %]

Der Bonus kann nur angerechnet werden, wenn in der Hausarbeit mindestens 45 Punkte erreicht sind und die optionale semesterbegleitende Studienleistung durch Abgabe / Einreichen der Lösung zur Aufgabenbearbeitung nachgewiesen ist. Die Bestnote (1,0) kann ohne den Bonus erreicht werden.

Literatur

Das Skript präsentiert die Inhalte umfassend und entsprechend detailliert, wie es für die Erreichung der Lernziele erforderlich ist. Eine ausführliche Liste der relevanten Literatur ist den Bibliografie-Einträgen eines jeden Themenblocks zu entnehmen.

Ausgewählter Literatur zur Einführung in das Themenfeld Generative AI:

  • Banh, Leonardo, Strobel, Gero (2023). "Generative artificial intelligence". Electron Markets 33, 63. https://doi.org/10.1007/s12525-023-00680-1
  • Strobel, Gero, Banh, Leonardo, Möller, Frederik, Schoormann, Thorsten (2024). "Exploring Generative Artificial Intelligence: A Taxonomy and Types". HICSS 2024 Proceedings.

Ausgewählte Literatur zum Einsatz von Generative AI im Gesundheitswesen:

  • Strobel, Gero and Banh, Leonardo (2024). "What Did the Doctor Say? Empowering Patient Comprehension with Generative AI". ECIS 2024 Proceedings. 15. https://aisel.aisnet.org/ecis2024/track18_healthit/track18_healthit/15

Hinweise

In der Studienleistung präsentieren Sie das von Ihnen erarbeitete Ergebnis der Hands-On-Fallstudie (Hausarbeit). Dies kann sowohl in einer virtuellen Live-Präsentation als auch als Video erfolgen. Angemerkt sei hierbei, dass die Bearbeitung der Hausarbeit sowohl individuell als auch im Team erfolgen kann. Ziel ist es, dass Sie am Ende des Moduls in der Lage sind, Ihr Wissen über Generative AI einem außenstehenden Personenkreis prägnant und auf einem angemessenen Abstraktionsniveau zu kommunizieren.

© 2025 VAWi, Alle Rechte vorbehalten. Impressum | Datenschutz Anmelden