Konviviale Künstliche Intelligenz: Definition und Entwicklung eines Vorgehensmodells

CIplus Band 2/2023 Konviviale Künstliche Intelligenz: Definition und Entwicklung eines Vorgehensmodells Markus Dusdal Richard Schulz Christoph Haag Thomas Bartz-Beielstein II Inhalt III Inhalt 1. EINFÜHRUNG 1 2. THEORETISCHE GRUNDLAGEN 3 2.1. KONVIVIAL KONZIPIERTE WERKZEUGE 3 2.2. VORGEHENSMODELLE FÜR DIE EINFÜHRUNG VON KI-SYSTEMEN 4 2.2.1. CRISP-DM 4 2.2.2. Erweiterungen des CRISP-DM 5 2.2.3. Alternative Vorgehensmodelle 5 3. ABLEITUNG VON PRINZIPIEN FÜR EINE „KONVIVIALE KI“ 7 3.1. ANWENDUNGS- / NUTZENZENTRIERTE VORGEHENSWEISE 7 3.2. BETONUNG DER MENSCH-TECHNIK-INTERAKTION UND SELEKTIVE (VOLL-) AUTOMATISIERUNG 7 3.3. REDUZIERUNG DER TECHNOLOGISCHEN KOMPLEXITÄT VON KI (ERKLÄRBARKEIT) 8 4. ERSTELLUNG EINES KONVIVIALEN KI-MODELLS 9 4.1. PHASE: INITIAL OPPORTUNITY RECOGNITION 9 4.2. PHASE: REQUIREMENTS ENGINEERING 10 4.3. PHASE: MODEL DEVELOPMENT 11 4.4. PHASE: MODEL EVALUATION 11 4.5. OUTCOMES / BOUNDARY OBJECTS 11 5. ZUSAMMENFASSUNG 13 LITERATURVERZEICHNIS 14 Einführung 1 1. Einführung Die Entwicklung künstlicher Intelligenz (KI) und ihre wirtschaftliche Verbreitung wurden seit Beginn der 2010er Jahren bis heute vorangetrieben. Das zeigt u.a. ein Blick auf die zur Verfügung gestellten Finanzmittel für KI-Startups: Diese sind in der Zeit zwischen 2011 und 2017 um den Faktor 50 auf mehr als 15 Mrd. US$ angewachsen (CB Insights 2018). Die Einsatzgebiete für KI reichen von intelligenten Produktlösungen über innerbetriebliche Prozessoptimierungen bis hin zu automatisierten Kundenservices und Pricing-Vorgängen (Gentsch 2018, S. 43). Heutzutage beeinflussen KI-Anwendungen und deren algorithmische Implikationen den beruflichen und privaten Alltag auf ganz selbstverständliche und mitunter subtile Art und Weise. Es ist absehbar, dass zukünftig Entwicklungssprünge in immer kürzeren Innovationszyklen und ein dynamisch zunehmender Einzug von KI in die Gesellschaft folgen werden. Trotz des zweifelsfrei vorhandenen Nutzenpotenzials von KI wird deren zunehmende Verbreitung mittlerweile kritisch diskutiert. Zweifel bezüglich der Auswirkungen und Vorteilhaftigkeit von KI-Anwendungen wurden zuletzt öffentlichkeitswirksam durch ein allgemeines Positionspapier führender KI-Experten, wie ChatGPT-Erfinder Sam Altman, zum Ausdruck gebracht. Hierin werden insbesondere die durch KI entstehenden Gefahren für die Menschheit betont (Forschung & Lehre 2023). Andere Studien warnen vor einem unkontrollierten Einsatz von KI, da dieser im Endeffekt kontraproduktiv sein und zu einer „Verdummung“ von Mitarbeitern führen kann (Fügener et al. 2021; Granados 2022). Um potentielle Gefahren eines unkontrollierten KI-Einsatzes abzuwenden hat das EU-Parlament zuletzt den sog. „AI-Act“ ins Leben gerufen, der u.a. eine Risikobewertung von generativer (d.h. künstliche Inhalte generierender) KI vorsieht (News Europäisches Parlament 2023). Die zunehmende Sorge um einen ausufernden KI-Einsatz, der die menschliche Kontrollfähigkeit übersteigt, hat innerhalb der Wissenschaft zu neuen Forschungsrichtungen geführt, die als „Responsible AI“, „Trustworthy AI“ oder „Explainable AI“ bezeichnet werden. Diese ambitionierten und auf großes Forschungsinteresse stoßenden Denkansätze sind bislang jedoch wenig ausgereift oder gar für den Praxiseinsatz operationalisiert (Linardatos et al. 2020, S. 36). Die Entwicklung und Anwendung von KI erzeugt ein zwiespältiges Meinungsbild: Dem offenkundigen Nutzen für die Gesellschaft und Industrie stehen Sorgen über unerwünschte Nebenwirkungen durch fehlerhafte oder missbräuchliche Anwendungen gegenüber. Folglich bedarf es neuer Lösungsansätze zur Erschließung dieser Potentiale bei gleichzeitiger Minimierung möglicher Risiken. Zur Lösung dieses Konflikts schlagen wir einen Ansatz vor, der als „konviviale künstliche Intelligenz“ (konviviale KI) bezeichnet und im Folgenden näher erläutert werden soll. Im allgemeinen Sprachgebrauch bezeichnet „Konvivialität“ das gemeinschaftliche Miteinander (so etwa zwischen Menschen und Technik). Konvivialität beschreibt Vorgehensweisen, bei denen die Gemeinschaft im Vordergrund steht. Im engeren Sinne lehnt sich der hier vorgestellte Ansatz an den durch Ivan Illich geprägten Begriff der „konvivial konzipierten Werkzeuge“ (engl. „Tools for Conviviality“) an. Danach sind unter konvivialen Werkzeugen solche Technologien und Hilfsmittel zu verstehen, „welche zwar die Produktivität menschlicher Arbeitskraft erhöhen, diese aber nicht ersetzen" (Paech 2013, S. 59). Die Bezeichnung „konviviale KI“ soll folglich auf ein harmonisches Zusammenspiel zwischen KI und Mensch hindeuten. Hiermit wird nicht etwa die Entwicklung einer neuen 2 Technologie angestrebt. Vielmehr werden damit eine neue Anspruchshaltung und damit einhergehende, menschenzentrierende Gestaltungselemente formuliert, die es bei der Entwicklung und Implementierung von KI-Modellen zu berücksichtigen gilt. Um diesen neuen Ansatz darzulegen, werden nachfolgend zunächst Illichs Gedanken zu „konvivial konzipierten Werkzeugen“ erläutert. Es folgt die Vorstellung bereits existierender und in der Industrie etablierter Vorgehensmodelle für die Entwicklung und Implementierung von künstlicher Intelligenz. Anschließend werden – ausgehend von Illichs Konvivialitätsverständnis – die Prinzipien eines „konvivialen KI“-Systems abgeleitet und ausführlich dargestellt. Schließlich wird ein neues Vorgehensmodell vorgestellt, welches die Entwicklung von KI-Systemen unter Berücksichtigung der konvivialen Leitprinzipien befördern und operationalisieren soll. Theoretische Grundlagen 3 2. Theoretische Grundlagen Im folgenden Kapitel werden die vom Ökonomen Ivan Illich konvivial konzipierten Werkzeuge erläutert. Anschließend werden mögliche Vorgehensmodelle aus der gegenwärtigen KI-Landschaft vorgestellt. 2.1. Konvivial konzipierte Werkzeuge Nachdem sich bereits Autoren wie Günther Anders (1956) und Lewis Mumford (1968) aus unterschiedlichen Beweggründen gegen einen starken Technologie-Einzug in die Gesellschaft positioniert hatten, verstärkten sich in den frühen 1970er Jahren entsprechende Bewegungen, die sich insbesondere vor dem Hintergrund der Veröffentlichung „The Limits to Growth“ des Club of Rome im Jahr 1972 kritisch mit der Gestaltung von Technologien befassten (Vetter 2018). Zu den Gründungsvätern derartiger Denkströmungen zählt Ivan Illich mit dem Ansatz des „konvivial konzipierten Werkzeugs“. In seinem Essay „Selbstbegrenzung“ übt Ivan Illich massiv Kritik an dem Wachstumsgedanken hochindustrialisierter Gesellschaften und warnt vor den Gefahren einer übertechnisierten Lebenswelt. Als Gegenmodell zum Wachstumsparadigma zeichnet Illich das Bild einer „konvivialen“ Gesellschaft. Hierbei ist der Gedanke der „Konvivialität“ durch Autonomie und schöpferischer Kreativität charakterisiert und soll als Gegensatz zu den konditionierten Reaktionen von Menschen auf Anforderungen durch eine künstliche Umwelt verstanden werden (Illich 1998, S. 28). Die Notwendigkeit eines entsprechenden Gesellschaftswandels begründet Illich mit der Überzeugung, dass die Mitglieder eines Systems bei mangelnder Konvivialität durch keine noch so hohe industrielle Produktivität befriedigt werden können (Illich 1998, S. 29). Ob eine Gesellschaft als konvivial bezeichnet werden kann, hängt laut Illich maßgeblich von der Gestaltung und dem Umgang mit Werkzeugen ab. Menschen empfänden nicht nur Befriedigung, sondern Freude, wenn sie schöpferisch tätig sein können. Hingegen entständen Abhängigkeiten, Ausbeutung und Ohnmacht, sobald Werkzeuge zu leistungsfähig und über das menschliche Fassungsvermögen hinauswachsen würden. Werkzeuge gelten nach Ansicht von Illich somit als konvivial, wenn sie jedem, der sie benutzt, die bestmögliche Gelegenheit bieten, die Umwelt mit den Ergebnissen seiner Visionen zu bereichern (Illich 1998, S. 41). Anhand der Beschreibung „konvivialer Werkzeuge“ fällt auf, dass der Begriff der Werkzeuge von Illich weit gefasst wird, weshalb in der Fachliteratur häufig auch von „konvivialen Technologien“ gesprochen wird, wenngleich Illich diesen Begriff nicht verwendete (Vetter 2018, S. 1781). Das Gegenstück zu konvivialen Werkzeugen bezeichnet Illich als „manipulative Werkzeuge“. Diese verursachen mehr Kosten als Nutzen, sind exklusiv und erzeugen Abhängigkeiten. Hervorzuheben ist, dass nicht jedes in einer konvivialen Gesellschaft vorkommende Produktionsmittel die Kriterien der Konvivialität erfüllen muss, das Verhältnis zwischen den jeweiligen Werkzeugen jedoch ausgewogen sein sollte (Illich 1998, S. 44– 45). Weiterhin hebt Illich sechs Faktoren hervor, die durch industrielle Entwicklungsprozesse entstanden sind und Bedrohungen für den Menschen darstellen. Diese umfassen unter anderem eine durch fehlerhafte Technik unbewohnbar werdende Umwelt, die Dominanz 4 einzelner Produkte („radikales Monopol“) und die Obsoleszenz von Produkten (Illich 1973, S. 57–58). Illich spricht von sogenannten „Wasserscheiden“ als markanten Zeitpunkten („Wendejahren“), an denen technologische und wissenschaftliche Errungenschaften begannen, kontraproduktive Wirkungen auf die Gesellschaft und Umwelt zu entfalten (Leggewie et al. 2012, S. 307). Mit Blick auf die technologischen, wirtschaftspolitischen und klimatischen Entwicklungen seit Illichs Ausführungen in den 1970er Jahren darf festgestellt werden, dass seine Grundgedanken heutzutage aktueller und relevanter denn je sind (Leggewie et al. 2012, S. 307; Vetter 2018, S. 1781). 2.2. Vorgehensmodelle für die Einführung von KI-Systemen In der Fachliteratur existieren verschiedene KI-Vorgehensmodelle, von denen einige nachfolgend exemplarisch dargestellt werden sollen. Neben einer ausführlichen Beschreibung des renommierten CRISP-DM und einer Auflistung von Nachfolge-Modellen, die auf den Grundgedanken des CRISP-DM basieren, sollen dazu auch die Ansätze alternativer Vorgehensmodelle aufgegriffen werden. 2.2.1. CRISP-DM Ein verbreitetes Vorgehensmodell für Einführung von KI-Prozessen ist der „CRoss-Industry Standard Process for Data Mining“ (Abk.: CRISP-DM; siehe Abb. 1). CRISP-DM ist ein branchenunabhängiges iteratives, sechs-phasiges Vorgehensmodell für Data Mining (Schröer et al. 2021, S. 527) und wird in der Fachliteratur als die am weitesten verbreitete Analytik-Methode bzw. als De-facto-Standard für die Durchführung von Datenanalysen in industriellen Anwendungen gehandelt (Huber et al. 2019, S. 403; Martinez-Plumed et al. 2021, S. 3048; Schröer et al. 2021, S. 526), was wesentlich durch die hohe Flexibilität bei der Verwendung des Ansatzes begründet ist. Abbildung 1: CRISP-DM Prozessmodell (Martinez-Plumed et al. 2021, S. 3049) Die initiale Modellphase wird als „Business Understanding“ bezeichnet und zielt darauf ab, den Projektumfang und konkrete Projektziele, wie z.B. Kriterien zur Erfolgsmessung, zu definieren. In Abhängigkeit vom vorliegenden Problem erfolgt in der Phase „Data Understanding“ die Erfassung und Sammlung von Daten, wobei diese bereits durch ihre Quelle, Eigenschaften oder Qualität eine unterschiedliche Eignung aufweisen und Theoretische Grundlagen 5 entsprechend vorselektiert werden können (Maulana et al. 2020, S. 2). Im Rahmen der anschließenden Phase „Data Preparation“ werden die erhobenen Daten mittels Datenauswahl, -bereinigung, -normalisierung und -transformation (Maulana et al. 2020, S. 2; Gonçalves et al. 2020, S. 558) für die weitere Verarbeitung vorbereitet. In der Phase „Modeling“ erfolgt die Auswahl einer in Abhängigkeit der genauen Projektfragestellung geeigneten Modellierungstechnik. Abschließend werden die durch das Modell erzielten Ergebnisse hinsichtlich ihrer Genauigkeit geprüft und im Hinblick auf die anfangs definierten Geschäftsziele bewertet (Maulana et al. 2020, S. 2; Gonçalves et al. 2020, S. 559). Die abschließende „Deployment“-Phase umfasst bspw. die Bereitstellung einer Softwarekomponente oder eines Abschlussberichts, sowie die Implementierung neuer Architekturen oder Modelle in bestehende Systeme (Schröer et al. 2021, S. 531). 2.2.2. Erweiterungen des CRISP-DM In den vergangenen Jahren war zu beobachten, wie das CRISP-DM zahlreichen Erweiterungsund Optimierungsversuchen unterzogen worden ist. Beispielhaft sollen einige dieser Ansätze nachfolgend erläutert werden: - APRED-DM: Nagashima und Kato (2019) schlagen das APREP-DM-Framework vor, das einen besonderen Fokus auf die Vorverarbeitung von Sensordaten legt. - CRISP-ML (Q): Studer et al. (2020) sehen eine zusätzliche Phase der ModellÜberwachung und -Wartung im CRISP-DM als erforderlich an und integrieren diese im CRISP-ML(Q). - LDTM: Um die Stärken des CRISP-DM mit Lean-Startupund Design-ThinkingStrategien zu verknüpfen, entwickeln Ahmed et al. (2018) die Lean Design Thinking Methodology (LDTM). - DMME: Auch Huber et al. (2019, S. 406) gehen mittels des Data Mining Methodology for Engineering Applications (DMME) über die ursprüngliche Methodik des CRISP-DM hinaus. Die zu definierenden Geschäftsziele werden um technische Parameter erweitert und eine Prüfung zusätzlich erforderlicher Sensoren und Schnittstellen vorgesehen ist (siehe Abb. 2). Abbildung 2: DMME-Prozess (Huber et al. 2019, S. 406) 2.2.3. Alternative Vorgehensmodelle Alternativ zum CRISP-DM-Prozessmodell existieren in der Fachliteratur weitere Vorschläge, die Parallelen zu einzelnen Aspekten des CRISP-DM-Modells aufweisen oder 12 Outcome Inhaltliche Abstimmungsbedarfe Checkpoint-Kriterien Idea OnePager - Fixierung auf einen Anwendungsfall - Definition des Kernproblems - Definition der Zielsetzung - Bestimmung der Projektbeteiligten und Festlegung ihrer jeweiligen Einbindung - Relevanz des Anwendungsfalls für Unternehmen und Anwender - Vorhandensein von datenbasierten Optimierungspotentialen NonFunctional Mockup - Festlegung von modellbezogenen Zielkriterien (wirtschaftlich, konvivial) - Definition des Soll-Prozesses inkl. anvisierter Unterstützungsstufe - Festlegung der Mensch-ModellSchnittstelle und Benutzeroberfläche - Festlegung der erforderlichen Datengrundlage und Infrastruktur - Bewertung erforderlicher Anwender-Kompetenzen und Festlegung von Qualifizierungsmaßnahmen - Festlegung von Projektzeitraum und -budget - Wirtschaftliche Machbarkeit des Vorhabens - Technologische Machbarkeit des Vorhabens (aus Datensicht) - Kompatibilität zu bereits vorhandenen Systemen - Möglichkeit der Verbesserung und Berücksichtigung konvivialer Aspekte Functional Mockup - Festlegung der akzeptablen Fehlertoleranz bei erzielten Modell-Ergebnissen - Anwendbarkeit bzw. nutzerzentrierte Modell-Gestaltung - Einhaltung der Modell-Zielkriterien - Erzielung der anvisierten Unterstützungsstufe Productive Model - Erfahrungsaustausch für zukünftige Projekte - Planung von modellbezogenen Follow-Up-Aktivitäten (u.a. kontinuierliches Monitoring) - Planung einer Mitarbeiter-Integration in die Identifikation weiterer Anwendungsbereiche mit datenbasiertem Optimierungspotential - Übereinstimmung von ModellKomplexität und Anwender-Kompetenzen - Genauigkeit der erzielten ModellErgebnisse Tabelle 1: Inhalte und Checkpoint-Kriterien der einzelnen Outcomes! Zusammenfassung 13 5. Zusammenfassung Das Ziel der vorliegenden Ausarbeitung war es, ein Vorgehensmodell zur Entwicklung von KI-Modellen unter Berücksichtigung konvivialer Elemente zu erstellen. Um dies zu erreichen, konnten die Ausarbeitungen von Ivan Illich genutzt werden, um grundsätzliche Prinzipien konvivial konzipierter Werkzeuge zu definieren und diese im Anschluss auf drei Anforderungen einer konvivialen KI zu konkretisieren: Die Betonung der Anwendungszentrierung und der Mensch-Technik-Interaktion sowie die Reduzierung der technologischen Komplexität von KI im Sinne der Erklärbarkeit und Nachvollziehbarkeit von erzielten Modell-Ergebnissen. Das präsentierte Vorgehensmodell legt einen starken Fokus auf die Berücksichtigung der genannten Prinzipien: Während der Aspekt der Anwendungszentrierung durch die initiale Anwendungsfallidentifikation und -analyse betont wird, erfüllt das gemeinsam erstellte Use-Case Design den Anspruch an eine intensive Planung der Mensch-TechnikInteraktion. Die in gemeinsamer Absprache aller Projektbeteiligten erstellten Outcomes sorgen für ein einheitliches und frühzeitiges Verständnis der grundsätzlichen Projektausrichtung und der späteren Modell-Leistungsfähigkeit, wobei dieses Vorhaben durch das Erstellen von Modell-Prototypen in der frühen Model Development-Phase zusätzlich unterstützt wird. Bei alledem stehen die Anforderungen des Endanwenders durch die mehrfach integrierte Aktivität des „User Testings“ im Mittelpunkt der Modellentwicklung. Im Vorgehensmodell der vorliegenden Ausarbeitung werden somit Aspekte in den Vordergrund gerückt, die in den bisher verfügbaren Vorgehensmodellen der KI-Landschaft kaum Berücksichtigung finden. Seine Anwendung kann die gezielte Identifikation geeigneter Anwendungsfälle fördern und die Planung eines KI-Einsatzes aus Unternehmensund Anwendersicht optimieren. ! ! 14 Literaturverzeichnis Ahmed, Bakhtiyar; Dannhauser, Thomas; Philip, Nada (2018): A Lean Design Thinking Methodology (LDTM) for Machine Learning and Modern Data Projects. In: 2018 10th Computer Science and Electronic Engineering (CEEC). 2018 10th Computer Science and Electronic Engineering (CEEC). Colchester, United Kingdom, 19.09.2018 - 21.09.2018: IEEE, S. 11–14. Amershi, Saleema; Begel, Andrew; Bird, Christian; DeLine Robert; Gall, Harald; Kamar, Ece et al. (Hg.) (2019): Software Engineering for Machine Learning: A Case Study. 2019 IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP). Montreal, QC, Kanada, 25.-31. Mai 2019. Anders, Günther (1956): [The Outdateness of Human Beings] Die Antiquiertheit des Menschen. CH Beck München. Baškarada, Saša; Koronios, Andy (2018): The 5S organizational agility framework: a dynamic capabilities perspective. In: IJOA 26 (2), S. 331–342. DOI: 10.1108/IJOA-052017-1163. CB Insights (2018): Top artificial intelligence trends to watch in 2018. Online verfügbar unter https://www.cbinsights.com/research/report/artificial-intelligence-trends-2018/. CC-KING (2021): PAISE (Process Model for AI Systems Engineering). Das Vorgehensmodell für KI-Engineering. Ellul, Jacques (1964): The Technological Society. A penetrating analysis of our technical civilization and of the effect of an increasingly standardized culture on the future of man: Alfred A. Knopf, Inc. and RandomHouse, Inc. Forschung & Lehre (2023): Experten warnen vor Risiken durch Künstliche Intelligenz. Online verfügbar unter https://www.forschung-und-lehre.de/zeitfragen/experten-warnenvor-risiken-von-kuenstlicher-intelligenz-5658. Fügener, Andreas; Grahl, Jörn; Gupta, Alok; Ketter, Wolfgang (2021): Will Humans-inthe-Loop Become Borgs? Merits and Pitfalls of Working with AI. In: Management Information Systems Quarterly (MISQ) 45 (3), S. 1527–1556. Gentsch, Peter (2018): Künstliche Intelligenz für Sales, Marketing und Service: Springer Fachmedien Wiesbaden. Gonçalves, Carina; Ferreira, Diana; Neto, Cristiana; Abelha, António; Machado, José (2020): Prediction of Mental Illness Associated with Unemployment Using Data Mining. In: Procedia Computer Science 177, S. 556–561. DOI: 10.1016/j.procs.2020.10.078. Granados, Nelson (2022): Human Borgs: How Artificial Intelligence Can Kill Creativity And Make Us Dumber. Forbes. Haag, Christoph (Hg.) (2022): Value Proposition of AI-based Innovation – A Utility-centred Framework. The XXXIII ISPIM Innovation Conference "Innovating in a Digital World". Copenhagen, 05.-08.06.2022. Hansen, Emil Blixt; Bogh, Simon (2020): Artificial intelligence and internet of things in small and medium-sized enterprises: A survey. In: Journal of Manufacturing Systems, S. 1–11. Hine, H. J.; Mumford, Lewis (1968): The Myth of the Machine: Technics and Human Development. In: Man 3 (3), S. 519. DOI: 10.2307/2798943. Literaturverzeichnis 15 Huber, Steffen; Wiemer, Hajo; Schneider, Dorothea; Ihlenfeldt, Steffen (2019): DMME: Data mining methodology for engineering applications – a holistic extension to the CRISP-DM model. In: Procedia CIRP 79, S. 403–408. DOI: 10.1016/j.procir.2019.02.106. Illich, Ivan (1973): Tools for conviviality. London: Calder and Boyars (Open forum). Illich, Ivan (1998): Selbsbegrenzung. Eine politische Kritik der Technik. 1. Auflage. München: Beck (Beck'sche Reihe [Formerly: Beck' sche Schwarze Reihe], 1167). Leggewie, Claus; Zifonun, Darius; Lang, Anne; Siepmann, Marcel; Hoppen, Johanna (2012): Schlüsselwerke der Kulturwissenschaften. Bielefeld: Transcript (Edition Kulturwissenschaft, Bd. 7). Linardatos, Pantelis; Papastefanopoulos, Vasilis; Kotsiantis, Sotiris (2020): Explainable AI: A Review of Machine Learning Interpretability Methods. In: Entropy (Basel, Switzerland) 23 (1). DOI: 10.3390/e23010018. Martinez-Plumed, Fernando; Contreras-Ochando, Lidia; Ferri, Cesar; Hernandez-Orallo, Jose; Kull, Meelis; Lachiche, Nicolas et al. (2021): CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. In: IEEE Trans. Knowl. Data Eng. 33 (8), S. 3048–3061. DOI: 10.1109/TKDE.2019.2962680. Maulana, Yudhi Dwi Fajar; Ruldeviyani, Yova; Sensuse, Dana Indra (2020): Data Mining Classification Approach to Predict The Duration of Contraceptive Use. In: IEEE Xplore, 2020. Nagashima, Hiroko; Kato, Yuka (2019): APREP-DM: a Framework for Automating the Pre-Processing of a Sensor Data Analysis based on CRISP-DM. In: 2019 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops). 2019 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops). Kyoto, Japan, 11.03.2019 - 15.03.2019: IEEE, S. 555–560. News Europäisches Parlament (2023): MEPs ready to negotiate first-ever rules for safe and transparent AI. Online verfügbar unter https://www.europarl.europa.eu/news/en/press-room/20230609IPR96212/meps-ready-to-negotiate-first-everrules-for-safe-and-transparent-ai. Paech, Niko (2013): Befreiung vom Überfluss. Auf dem Weg in die Postwachstumsökonomie. 4e dr. München: Oekom. Pokorni, Bastian; Braun, Martin; Knecht, Christian (2021): Menschzentrierte KI-Anwendungen in der Produktion. Praxiserfahrungen und Leitfaden zu betrieblichen Einführungsstrategien. Fraunhofer IAO. Schröer, Christoph; Kruse, Felix; Gómez, Jorge Marx (2021): A Systematic Literature Review on Applying CRISP-DM Process Model. In: Procedia Computer Science 181, S. 526–534. DOI: 10.1016/j.procs.2021.01.199. Schumacher, Ernst Friedrich (2013): Small is beautiful. Die Rückkehr zum menschlichen Maß. Neuaufl. München: Oekom. Studer, Stefan; Bui, Thanh Binh; Drescher, Christian; Hanuschkin, Alexander; Winkler, Ludwig; Peters, Steven; Mueller, Klaus-Robert (2020): Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. Online verfügbar unter http://arxiv.org/pdf/2003.05155v2. 16 Teece, David J. (2007): Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. In: Strat. Mgmt. J. 28 (13), S. 1319–1350. DOI: 10.1002/smj.640. Vetter, Andrea (2018): The Matrix of Convivial Technology – Assessing technologies for degrowth. In: Journal of Cleaner Production 197, S. 1778–1786. DOI: 10.1016/j.jclepro.2017.02.195. Hinweise / Notes Diese Veröffentlichungen erscheinen im Rahmen der Schriftenreihe "CIplus". Alle Veröffentlichungen dieser Reihe können unter https://cos.bibl.th-koeln.de/home abgerufen werden. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor. Datum der Veröffentlichung: 12.9.2023 Herausgeber / Editorship Prof. Dr. Thomas Bartz-Beielstein, Prof. Dr. Wolfgang Konen, Prof. Dr. Boris Naujoks, Faculty of Computer Science and Engineering Science, TH Köln, Steinmüllerallee 1, 51643 Gummersbach Schriftleitung und Ansprechpartner / Contact editor’s office Prof. Dr. Thomas Bartz-Beielstein, Faculty of Computer Science and Engineering Science, TH Köln, Steinmüllerallee 1, 51643 Gummersbach phone: +49 2261 8196 6391 url: http://www.th-koeln.de/ki eMail: [email protected] ISSN (online) 2194-2870 https://doi.org/10.57684/COS-1158 https://nbn-resolving.org/html/urn:nbn:de:hbz:832-cos4-11587