Forschungsprojekte am Lehrstuhl für Simulation

Computergestützte Kollaboration in Lean-Startups

Bearbeiter: Dr. Stefan Werner Knoll
Projektlaufzeit: 01.10.2013 - 30.09.2016

Die Lean-Startup-Methode beschreibt einen Ansatz der Unternehmensgründung, bei dem alle Prozesse so schlank wie nur möglich gehalten werden. Zentrales Element der Methode ist die Umsetzung eines validierten Lernprozesses durch die fortlaufende wissenschaftliche Überprüfung und Anpassung von Annahmen zum Geschäftsmodell eines Unternehmens. Der resultierende kurze und kontinuierliche Entwicklungszyklus eines Produktes ist geprägt durch eine Vielzahl von dynamischen Interaktionsprozessen innerhalb des Unternehmens, sowie zwischen dem Unternehmen und seinen möglichen Partnern bzw. Kunden.    
 
Ein allgemeiner Ansatz zur Unterstützung dynamischer Interaktionsprozesse im bzw. zwischen Unternehmen stellt die Verwendung von Groupware dar. Als Groupware bezeichnet man eine Software zur Unterstützung der Zusammenarbeit in einer Gruppe über zeitliche und/oder räumliche Distanz hinweg. Groupware stellt dabei die Umsetzung der theoretischen Grundlagen der computergestützten Gruppenarbeit (Computer Supported Cooperative Work, Abkürzung CSCW) in eine konkrete Anwendung dar. Hierzu stellen die meisten Systeme eine Reihe von Funktionen zur Verfügung, um die Aktivitäten der Teilnehmer zu strukturieren, Informationen zu generieren und die Gruppenkommunikation zu verbessern. Die Entwicklung eines solchen Systems stellt eine wissenschaftliche Herausforderung dar, da neben der Gestaltung des Systems und deren Interface auch psychologische Einflussfaktoren auf den Gruppenprozess betrachtet werden müssen.
 
Bedingt durch das relativ neue Forschungsgebiet des Lean-Startup fehlen derzeit Grundlagen zur Entwicklung von Groupware zur Unterstützung eines validierten Lernprozesses. Ziel des Forschungsprojektes ist es daher in einem explorativen Ansatz die Forschungslücke zwischen dem CSCW und dem Lean-Startup zu schließen. Hierzu sollen bestehende Interaktionsprozesse innerhalb des Lean-Startups untersucht werden, um Anforderungen an eine Groupware für den Lean-Startup zu definieren. Weiterhin sollen erste Konzepte einer möglichen Groupware im Rahmen der Lehrveranstaltung „Innovation für Startups“ am LfS sowie mit regionalen Startups evaluiert werden.

Virtuelle Stochastische Sensoren für die Verhaltensrekonstruktion von Partiell Beobachtbaren Diskreten oder Hybriden Stochastischen Systemen

Bearbeiter: Dr. Claudia Krull
Projektlaufzeit: 01.10.2012 - 30.09.2015

Viele realweltliche Probleme lassen sich durch diskrete oder hybride stochastische Systeme beschreiben; z.B. Produktionssysteme oder Krankheitsverläufe. Deren Modellierung und Simulation ist sehr gut möglich, aber nur, wenn sie komplett beobachtbar sind. Oft sind aber nur bestimmte Ausschnitte oder Ausgaben des Systems beobachtbar, wie die Symptome eines Patienten. Wenn diese Beobachtungen dann noch stochastisch von den Zuständen des bereits stochastischen Prozesses abhängen, wird die Verhaltensrekonstruktion schwierig. Unsere verborgenen nicht-Markovschen Modelle können solche partiell beobachtbaren Systeme abbilden. Wir haben auch effiziente Algorithmen die typische Fragestellungen für diese Modellklasse beantworten können, z.B. kann ein virtueller stochastischer Sensor aus einen Beobachtungsprotokoll rekonstruieren, welches spezifische Systemverhalten dieses hervorgebracht hat, und mit welcher Wahrscheinlichkeit. Oder es kann auf das wahrscheinlichste Modell geschlossen werden, wenn mehrere möglich sind. Derzeitig werden verschiedene Anwendungsszenarien ausgelotet, beispielsweise die Analyse von Wartungs- und Lagerprozessen mit Hilfe von an neuralgischen Punkten aufgenommenen RFID Daten. Weiterhin ist eine Anwendung in Planung, die die Früherkennung von Demenz anhand einfacher Sensoren im Lebensumfeld von älteren Menschen ermöglichen soll.

Evaluation der Anwendungsmöglichkeiten von verborgenen nicht-Markov’schen Modellen zur Muster- und Gestenerkennung

Bearbeiter: Tim Dittmar
Projektlaufzeit: 01.01.2013 - 31.12.2015

Für viele Problemstellungen werden in der Praxis bereits verborgene Modelle verwendet, um, anhand von Beobachtungen eines sogenannten partiell beobachtbaren Systems, Rückschlüsse auf dessen „verborgene“, d.h. nicht beobachtbare, Zustände ziehen zu können. So werden beispielsweise Verborgene Markov Modelle zur Sprach-, Gesten- und 2D-Formenerkennung, aber auch zur Analyse von DNA-Strängen eingesetzt. Markov Modelle abstrahieren ein System jedoch sehr stark, da nur mit Zuständen und einer fixen Wahrscheinlichkeit je Zustandswechsel modelliert werden kann. Mit unseren Verborgenen nicht-Markov‘schen Modellen können wir reale Systeme viel genauer modellieren, wodurch wir uns Verbesserungen und neue Möglichkeiten für die oben genannten Anwendungsgebiete erhoffen.  Dabei liegt der Fokus zunächst auf möglichen Formen der Gestenerkennung bei Multi-touch Geräten, da diese durch den Erfolg von Smartphones und Tablets eine große Verbreitung erfahren. Die zu bewältigenden Schwierigkeiten mit Verborgenen nicht-Markov’schen Modellen liegen in der meist höheren Berechnungskomplexität und vor allem in der komplexeren Parametrierung der Modelle anhand von Trainingsdaten.

Computergestützte Innovationsprozesse

Bearbeiter: Jana Görs
Projektlaufzeit: 01.01.2011 - 31.12.2014

Marktführende Unternehmen - insbesondere aus der Technologiebranche sind auf Innovation angewiesen, um ihre Zukunft zu sichern. Sie verwenden dazu einen Innovationsprozess, mit dem sie systematisch neue Produkte, Dienstleistungen und Geschäftsmodelle gewinnen. In diesem  Forschungsprojekt werden Methoden zur Unterstützung dieses Innovationsprozesses mit Hilfe der Informationstechnologie entwickelt. Diese Methoden sollen interdisziplinären Teams dabei helfen, interaktiv Geschäftsideen zu entwickeln und zu bewerten.

Die aktuelle Forschung teilt den Innovationsprozess in drei inhaltliche Phasen auf: die Ideengenerierung, den Ideenausbau und die Ideenselektion (auf Grund einer vorangegangen Bewertung). Traditionell steht dabei die Ideengenerierung am Anfang der Prozesskette und ist gefolgt von wiederkehrenden Ausbau- und Selektionsphasen. Das Ziel ist dabei, aus den ursprünglich zahlreichen, rohen Ideen diejenigen zu wählen, die bezüglich gegebener Kriterien am erfolgversprechendsten sind. Um dies entscheiden zu können, müssen die Ideen um Informationen angereichert, d.h. ausgebaut, werden. Nach der initialen Ideengenerierung folgt ein erster Auswahlprozess. Dadurch werden Ideen identifiziert, die zielführend und erfolgsversprechend erscheinen. In der ersten Ideenauswahl werden üblicherweise hunderte von Ideen in einer sehr rohen Form durch Experten gesichtet und bewertet.

Viele existierende Bewertungsmethoden sind jedoch nur auf einen Bewertungsprozess ausgelegt, der  mit wenigen und sehr weit entwickelten Alternativen arbeitet. Die Anwendung einer solchen Methode für die erste Ideenauswahl ist nicht nur aufwändig, sondern auch fehleranfällig. Sie entsprechen den Anforderungen an eine erste Ideenauswahl nicht. Finden diese Methoden dennoch Anwendung, würde die Zeit der Experten verschwendet werden. Die Arbeit von Jana Görs beschäftigt sich damit, wie die erste Ideenauswahl ihren Anforderungen entsprechend eine gute und schnelle Auswahl von Ideen ermöglicht.

Ein weiteres Problem bei der Ideenbewertung ist die in den Eingangsdaten enthaltene Ungewissheit. Die in Form von Rohideen und Auswahlkriterien vorliegende Information weist prozessbedingt große Defizite in ihrer Qualität und Quantität auf, was zu Ungewissheit in Form von z.B. Mehrdeutigkeiten, Ungenauigkeiten, Unbekannten, Annäherungen etc. führt. Diese Defizite erschweren die für die Bewertung nötige Urteilsbildung durch die Experten und können zu Fehlbewertungen führen. Die Promotion von Nadine Kempe untersucht, wie genau sich diese Effekte auswirken und soll Gegenmaßnahmen aufzeigen, die eine Ideenbewertung ermöglichen, die einerseits effizient bezüglich der investierten Zeit ist und andererseits die größtmögliche Gewissheit bzgl. der Eingangsdaten aufweist.

Verborgene nicht-Markovsche Modelle - Formalisierung und Lösungsansätze

Bearbeiter: Dr. Claudia Krull
Projektlaufzeit: 01.04.2008 - 30.09.2012

Zur Modellierung diskreter stochastischer Systems ist es notwendig, das reale System komplett beobachten zu können. Es gibt aber auch Systeme, die nur indirekt beobachtbar sind durch ihre Interaktionen mit der Umwelt, welche als Signale interpretiert werden können. Diese Signale können mit bisherigen Methoden nicht oder nur schwer direkt in den Aufbau eines Modells mit einfließen. Weiterhin ist es nicht einfach möglich für eine Sequenz von Signalen zu bestimmen, wie wahrscheinlich diese ist, oder welches Systemverhalten sie erzeugt haben könnte. Hidden Markov-Modelle (HMM) können nicht beobachtbare Systeme mit stochastischen Signalausgaben abbilden und analysieren, sind aber durch die Verwendung von zeitdiskreten Markov-Ketten eingeschränkt. Diskrete stochastische Modelle (DSM) haben eine größere Ausdrucksmächtigkeit, setzen aber voraus, dass das zu modellierende System komplett beobachtbar ist. Durch die Kombination von HMM und DSM zu Hidden non-Markov-Modellen, werden die Analysemethoden der HMM auch für realistischere Modelle nutzbar. Dadurch ist es möglich Fragestellungen zu beantworten, die mit bisherigen Methoden nicht oder nur schwer lösbar sind.

Analyse Diskreter Stochastischer Partiell-Beobachtbarer Modelle

Bearbeiter: Robert Buchholz
Projektlaufzeit: 01.04.2008 - 30.09.2012

Zur Modellierung diskreter stochastischer Systems ist es notwendig, das reale System komplett beobachten zu können. Es gibt aber auch Systeme, die nur indirekt beobachtbar sind durch ihre Interaktionen mit der Umwelt, welche als Signale interpretiert werden können. Diese Signale können mit bisherigen Methoden nicht oder nur schwer direkt in den Aufbau eines Modells mit einfließen. Weiterhin ist es nicht einfach möglich für eine Sequenz von Signalen zu bestimmen, wie wahrscheinlich diese ist, oder welches Systemverhalten sie erzeugt haben könnte. Hidden Markov-Modelle (HMM) können nicht beobachtbare Systeme mit stochastischen Signalausgaben abbilden und analysieren, sind aber durch die Verwendung von zeitdiskreten Markov-Ketten eingeschränkt. Diskrete stochastische Modelle (DSM) haben eine größere Ausdrucksmächtigkeit, setzen aber voraus, dass das zu modellierende System komplett beobachtbar ist. Durch die Kombination von HMM und DSM zu Hidden non-Markov-Modellen, werden die Analysemethoden der HMM auch für realistischere Modelle nutzbar. Dadurch ist es möglich Fragestellungen zu beantworten, die mit bisherigen Methoden nicht oder nur schwer lösbar sind.

Entwicklung eines Simulationsmodells für die psychiatrische Versorgung in Nord Sachsen-Anhalt

Bearbeiter: Benjamin Rauch-Gebbensleben
Projektlaufzeit: 01.11.2008 - 31.08.2012

Ziel des Projektes ist die Entwicklung einer Software, die auf Basis eines Simulationsmodells Trendaussagen zur Versorgung in der Psychiatrie ermöglicht. Diese wird es erlauben, verschiedene Entwicklungen und Rahmenbedingungen zu variieren sowie deren Auswirkungen zu bestimmen.
Indem die Einfluss- und Zielgrößen untereinander kombinierbar gestaltet werden, wird es möglich sein, unterschiedliche Szenarien zu entwickeln. Derartige Größen können zum Beispiel demographische Faktoren, die Vergütung des Personals und politische Rahmenbedingungen in verschiedensten Wechselbeziehungen sein.

Die Aussagen eines Simulationsdurchlaufes sind dann vom Typ:

  • Der Anteil der ambulant zu behandelnden Patienten beträgt im Jahr 2010 insgesamt x %.
  • Die durchschnittlichen Kosten für die vollständige Behandlung von Krankheit X pro Patient entwickeln sich nach der folgenden Kurve...
  • Wenn die stationäre Behandlung für Krankheit X um einen Tag gekürzt wird, erhöht sich die Rückfallquote schlagartig um 50% und die Kosten um...

Mithilfe des zu entwickelnden Modells können so mittel- und langfristige Vorhersagen der psychiatrischen Versorgungssituation gemacht werden.

Training und Einsatz von Hidden non-Markovian Models im Bereich Mensch-Maschine-Interaktion

Bearbeiter: Sascha Bosse
Projektlaufzeit: 01.11.2011 - 31.03.2012

Das Projekt hat das Ziel, Erkennungsprozesse im Bereich Mensch-Maschine-Interaktion zu verbessern. Dazu werden die an der OVGU entwickelten Hidden non-Markovian Models (HnMMs) eingesetzt. Sie ermöglichen eine zeitabhängige Musterbetrachtung und damit die Einführung des Faktors Ausführungsgeschwindigkeit zur Unterscheidung verschiedener Interaktionsmöglichkeiten Klassische stochastische Mustererkennungsverfahren wie Hidden Markov Models werden bereits erfolgreich eingesetzt, um bestimmte Interaktionen abzubilden und wiederzuerkennen.  Jedoch sind diese Modelle auf Markovsche Prozesse beschränkt und können damit gleiche Muster in verschiedenen Geschwindigkeiten schwierig unterscheiden. HnMMs hingegen können beliebige diskrete stochastische Prozesse (beispielsweise in Form eines Petri-Netzes) modellieren und verarbeiten. Somit ermöglichen sie zum Beispiel die Einbindung zeitbehafteter Zustandsübergänge und nebenläufiger Prozessen. Damit können im Bereich der Mensch-Maschine-Interaktion  semantisch verwandte Befehle durch unterschiedlich schnell ausgeführte Aktionen in Zusammenhang gebracht werden und nebeneinander ausgeführte Interaktionen isoliert werden. Um HnMMs im Bereich Mensch-Maschine-Interaktion anwenden zu können, müssen zunächst Möglichkeiten geschaffen werden, diese abhängig vom Nutzer spezialisieren, also trainieren, zu können. Die bisher betrachteten unüberwachten Lernalgorithmen konnten dabei nicht für HnMMs adaptiert werden. Daher wird in diesem Projekt die Anwendung überwachter Lernmethoden für HnMMs erforscht.

ThinXel und ThinkLets in Group Support Systemen: Definition, Spezifikation und Anwendungsgebiete

Bearbeiter: Stefan Knoll
Projektlaufzeit 01.07.2007 - 01.04.2012

Die Verwendung von Group Support Systemen (GSS) kann zu einer Verbesserung der Effektivität und Effizienz von Gruppenprozessen führen. Die Planung und Durchführung eines Gruppenprozesses setzt aber Expertenwissen, in Form eines professionellen Moderators voraus. Viele Unternehmen scheuen daher, aufgrund von hohen Kosten, den Einsatz eines GSS.

Ein Ansatz zur Optimierung eines GSS stellt die Verbesserung der Benutzerfreundlichkeit dar. Hierdurch kann der Anwender bei der Bedienung des Systems weiter unterstützt werden. Für die Planung, Gestaltung und Durchführung werden aber formale Regeln benötigt, auf deren Grundlage ein System die Effizienz eines gestalteten Gruppenprozess einschätzen, bzw. mögliche Prozessschritte vorschlagen kann.

Dieses Projekt greift daher das Konzept der ThinkLets (DeVreede / Briggs) auf und versucht ein neues Framework für GSS auf der Basis einer formalen Sprache und dem neuen Konzept „ThinXel“zu entwickeln. Ein „ThinXel“ ist als eine elementare Moderationsanweisung definiert, welche bei den Teilnehmern eines Workshops eine zum Ziel führende Reaktion auslöst. ThinXels können wie in einer Programmiersprache unter formalen Regeln zu komplexeren Modulen zusammengefügt werden. Diese Module bilden eine Bibliothek, die zur Erstellung von Moderationsskripten für die Planung und Durchführung von Workshops genutzt werden können. ThinXels erlauben somit eine eindeutige, kompakte Darstellung von Moderationsanweisung für reale und computergestützte Gruppenprozesse.

Letzte Änderung: 09.01.2015 - Ansprechpartner: Webmaster