Lehrprojekte

In bestehenden DBIS-Projekten mit intensiver App-Nutzung (z.B. TrackYourTinnitus oder Corona Health), konnten wir feststellen, dass Apps auf verschiedenen Geräten mit unterschiedlichen Android-Versionen oder -Konfigurationen zu unterschiedlichem Verhalten führten. Letzteres wirkte sich auf die Funktionalität der App aus, indem z.B. Hintergrunddienste wie GPS-Tracking oder der Empfang von Benachrichtigungen von Serveranwendungen nicht korrekt ausgeführt wurden. Da es eine Vielzahl unterschiedlicher Smartphone-Konfigurationen (z.B. Hardware, Betriebssystemversion, Betriebssystemhersteller, Benutzereinstellungen, etc.) gibt, ist für eine verallgemeinerbare Betrachtung dieses Themas ein ausgeklügelter Monitoring-Ansatz erforderlich, der sowohl vielseitig als auch für den großflächigen Einsatz geeignet ist.

Aus diesem Grund wurde LAMP entwickelt: ein konfigurierbares Monitoring-Framework für die Erforschung von mHealth-Anwendungen. Mit LAMP wollen wir das Verhalten von Smartphone-Apps in freier Wildbahn untersuchen, um Erkenntnisse über die Ausführung von Android-Apps zu gewinnen. Das Framework ist so konzipiert, dass es mehrere Studien (einschließlich automatischer Datenberichterstattung) gleichzeitig durchführen kann, wobei der Schwerpunkt auf geringem Ressourcenverbrauch und der Minimierung von Daten liegt. Letztendlich soll LAMP Praktikern und Entwicklern dabei helfen, qualitativ hochwertige mHealth-Apps zu entwickeln.

In der heutigen Zeit wird die Bedeutung von Daten immer wichtiger. Dies wirkt sich auch auf Geschäftsprozessen aus, und eröffnet neue Potentiale zum Management von Geschäftsprozessen. Philharmonic Flows befasst sich dabei mit einem objektzentrierten Ansatz zum Geschäftsprozessmanagement. Für die Ausführung und Modellierung steht bereits eine Engine zur Verfügung. Im Gegensatz zu klassischen Geschäftsprozessen (z.B., BPMN 2.0) werden Objekte in PHILharmonic Flows mittels eines Lifecycles beschrieben. Außerdem werden Objekte zur Laufzeit in einer relationalen Prozessstruktur in Beziehung gesetzt und mittels Koordinationsprozessen koordiniert. Für die Ausführung eines solchen Prozesses spielen vor allem die anfallenden Daten eine wesentliche Rolle, da sie den Prozess vorantreiben.

Ein wichtiger Bestandteil zur Verbesserung solcher Prozesse ist eine umfassende Überwachung sowohl nach als auch während der Ausführung. Dabei spielen sowohl Monitoring als auch Conformance und Compliance eine Rolle. Aufgrund der besseren Vernetzung von Prozess und entstehenden Daten bietet dieser Ansatz immenses Potential für Ansätze aus dem Bereich Data Science.

PHILharmonic Flows ist Teil des interdisziplinären Kooperationsprojekt ZAFH Intralogistik des Instituts für Datenbanken und Informationssysteme zusammen mit der Technischen Hochschule Ulm und der Hochschule Reutlingen. Das Projekt befasst sich damit die Innovationshürden für die Anwendung von Servicerobotik in der Logistik zu senken. Dadurch sind auch Projekte mit hohem Praxisbezug möglich.

Wir sind immer auf der Suche nach motivierten Studierenden, die unser interdisziplinäres Team bei der Weiterentwicklung von PHILharmonic Flows unterstützen und dadurch wertvolle praktische Erfahrungen aus den Bereichen Data Science, Process Monitoring und Mining sammeln können.

Für weitere Informationen oder konkretere Projektthemen, wenden Sie sich bitte an einen der Ansprechpartner.

An educational platform where a recommender system provides users with sound recommendations has been the subject of many projects, there are still unfilled gaps which provide opportunities for promising research. One of the promising areas is to provide techniques of generating recommendations which not only reflect the continuously changing nature of user interests and preferences, but also influence these interests. To this end, mining user preference and interests would provide a valuable source for our system to enable useful recommendations generation. The data to be mined should be obtained through In addition, tracking user behaviour on the system would enable measuring how effective the recommendation received is and whether it would influence the user decision.
 Another promising area, is concerned with explaining suggested recommendations. From one side, there is a need to study how to provide a convincing explanation of a recommendation generated by the system. This explanation should reflect the internal inference mechanism which was adopted by the recommendation algorithm used.

We are looking for motivated students who can support our team in the development and thereby gain valuable practical experience in the following areas:
    • Building and maintaining Front-end and back-end of the system.
    • Auditing and tracking user journey on the system.
    • Building the core of the recommender system.

For the web app front-end there are no restrictions on tools usage. Meanwhile, for the back-end, a rest API will be developed using any framework (preferred but not restricted to: python-based framework, e.g., Flask, Django…etc.). For building the recommender system: machine learning knowledge and python programming skills are mandatory.