Die Verwendung von Methoden der Data Science (insbesondere der Künstlichen Intelligenz und des Maschinellen Lernens) gehört mittlerweile in vielen Bereichen von Wissenschaft, Wirtschaft, Medizin und Gesellschaft zum täglichen Standard. Die fortschreitende Digitalisierung und die digitale Transformation verstärken diesen Trend. Mittlerweile werden Methoden der Data Science und die damit verbundenen Analyseverfahren (Analytics) immer stärker für Entscheidungsprozesse verwendet. Systeme und Algorithmen
übernehmen Entscheidungen, auch solche, die mit weitreichenden Konsequenzen verbunden sind oder gar irreversibel sind.

Dies zeigt die dringende Notwendigkeit, Methoden, Verfahren und Algorithmen der Data Science auf ein solides Fundament zu stellen. Begriffe wie Erklärbarkeit, Nachvollziehbarkeit, Transparenz und Diskriminierungsfreiheit werden u.a. im Bereich der Künstlichen Intelligenz intensiv diskutiert. Das hier beantragte Kooperative Promotionskolleg (KPK) wird einen Beitrag zur anwendungsnahen Forschung im Bereich Data Science und Analytics leisten, indem seine Thematik über Transparenz und Erklärbarkeit hinausgeht.

Vertrauen in Verfahren der Data Science setzt natürlich Erklärbarkeit und Nachvollziehbarkeit voraus. Diese Begriffe zielen aber eher auf den Zeitraum nach Anwendung von Data Science-Methoden. Einem Verfahren zu vertrauen, verlangt in der Regel jedoch Garantien über das zu erwartende Verhalten der Methode vor und während deren Anwendung. Damit ist eine quantitative Untersuchung der Verfahren notwendig, die Spezifikation von wesentlichen Einflussfaktoren, der Sensitivitäten und Abhängigkeiten. Dies erlaubt auch die Kontrolle von Verfahren und Algorithmen sowie -je nach Anwendungderen Überwachung und Steuerung1, ggf. wiederum durch Verfahren und Algorithmen.

Die Kombination von grundlagen- und anwendungsorientierter Forschung wird abgebildet durch die zu verwendenden Methoden einerseits und die betrachteten Anwendungen andererseits. Wir verwenden Methoden aus den Bereichen der (Wirtschafts-)Informatik, Mathematik und Statistik, die allesamt durch Expert*innen an UUlm und THU vertreten sind: Algorithmen, Optimierung sowie Maschinelles und Statistisches Lernen. Diese Methoden sind natürlich universell in dem Sinne, dass sie nicht anwendungsspezifisch sind. Wir konzentrieren uns auf solche Domänen, die durch Professor*innen an THU und UUlm kompetent vertreten sind: Automatisierung, Business Analytics, Lebenswissenschaften (inkl. Medizin).