Inhalt

Fitness-Apps für Smartphones sind spätestens seit Bekanntwerden der Freeletics-App kaum mehr aus dem privaten Alltag wegzudenken. Alleine Freeletics hat weltweit 51 Mio. Nutzer. Hinzu kommen sportspezifische Applikationen wie „CrossFit“ oder „down dog“, diverse Apps namhafter Sportmarken wie Nike oder Adidas sowie die hauseigenen Fitness-Apps vieler Smartwatch und -gadget Anbieter. Gemein haben viele dieser Applikationen, dass sie mit der Individualisierung von Trainings- und Ernährungsplänen über künstliche Intelligenz werben.
Doch was steckt eigentlich dahinter, welche Voraussetzungen müssen für die Anwendung künstlicher Intelligenz zur Individualisierung von Plänen erfüllt sein und welche Aspekte solcher Applikationen können durch Optimierung und Modellierung besonders wirkungsvoll unterstützt werden? Diesen Fragen wollen wir im Projektstudium 2021 an der Professur für ABWL, insbesondere Business Analytics & Management Science nachgehen.
Die betrachteten Fragestellungen haben eine hohe Praxisrelevanz. Daher wird das Studienprojekt in Kooperation mit Vertretern des Start-Ups ALFA AI durchgeführt. In einer ersten Vorstellungsrunde werden dabei seitens ALFA AI Einblicke in die Entwicklung von Fitnessapplikationen gegeben. Aus den Informationen der Vertreter von ALFA AI werden Forschungsfragen abgeleitet, welche dann in zwei Projektphasen bearbeitet werden.

Ablauf

Phase 1: Ableiten von Forschungsfragen, Einarbeitung und Spezialisierung
In der ersten Phase erarbeiten die Studierenden zunächst in 2er-Teams und in Absprache mit den Betreuenden Forschungsfragen. Anschließend erfolgt die Aufarbeitung der relevanten wissenschaftlichen Literatur. Jedes Team behandelt dabei unterschiedliche Aspekte der für das Projekt relevanten Spezialgebiete, auf denen die Teammitglieder zu „Experten“ werden. Dabei steht die Erarbeitung entsprechender quantitativer Ansätze, insbesondere zur mathematischen Modellierung und Optimierung, im Vordergrund. Relevante Spezialgebiete sind etwa
• „Lineare Modellierung“,
• „Ganzzahlige Optimierung“,
• „Traveling-Salesman Probleme“ und
• „Set-Covering/Set-Partitioning Probleme“.
Weitere Spezialgebiete mit Bedeutung für das Studienprojekt können sein:
• „Anpassung durch Datenmanipulation“,
• „Open-source Optimierungssoftware“
• … .
Zum Abschluss der Phase 1 erstellt jeder Studierende eigenständig eine kurze schriftliche Ausarbeitung im Sinne einer wissenschaftlichen Arbeit zum entsprechenden Spezialisierungsgebiet. Ferner ist von den jeweiligen 2er-Teams eine Präsentation zu halten.
Phase 2: Konzeption von Modellierungsansätzen
Im Rahmen der zweiten Phase wird die ursprüngliche Teamzusammenstellung aufgehoben und es werden, je nach Gesamtteilnehmerzahl, neue Gruppen mit verschiedenen Experten gebildet, in denen dann jeweils ein Modellierungsansatz für eines der Teilprobleme entwickelt wird.
Die Ansätze selbst sind in schriftlicher Form zu erarbeiten, wobei die Anteile der einzelnen Studierenden kenntlich zu machen sind. Auch eine prototypische Umsetzung und Demonstration, etwa unter Verwendung von IBM ILOG CPLEX Optimization Studio, Google OR Tools oder anderer Optimierungssoftware, ist vorzunehmen. Am Ende der zweiten Phase halten alle Teilnehmer gemeinsam eine Gesamtpräsentation.
Bewertungsgegenstand:
• Schriftliche (wissenschaftliche) Ausarbeitung sowie Team-Präsentation (Ende von Phase 1)
• Schriftliches Gesamtkonzept, prototypische Umsetzung und Gesamtpräsentation (Ende von Phase 2)

An wen richtet sich das Studienprojekt?

Das Studienprojekt an der Professur richtet sich an Studierende der Wirtschafts- und Organisationswissenschaften sowie explizit auch an Studierende der Wirtschaftsinformatik.
Es sollte Interesse und die Bereitschaft bestehen, sich in Modelle und Methoden der mathematischen Optimierung einzuarbeiten. Dabei sind Kenntnisse im Bereich der linearen Optimierung hilfreich, deren Grundlagen in der Veranstaltung „Mathematik für Wirtschaftswissenschaftler“ gelegt wurden und die in den parallel im WT bzw. FT 21 im Rahmen des Ergänzungsstudiums angebotenen Kursen „Angewandte Modellierung mit IBM ILOG“ und „Einführung in die Modellierung“ vertiefend vermittelt werden. Ein Besuch dieser Veranstaltungen wird je nach individueller Rolle innerhalb des Studienprojekts empfohlen. Das Studienprojekt eignet sich insbesondere im Hinblick auf die prototypische Umsetzung auch für Studierende mit IT-Vorkenntnissen, etwa in Python oder Java.

Fragen

Bitte richten Sie Ihre Fragen im Vorfeld des Projektstudiums per E-Mail an:
quantitative-methoden@unibw.de