@inproceedings{BenderGrum2016,
  author    = {Bender, Benedict and Grum, Marcus},
  title     = {Entwicklung eines Architekturkonzepts zum flexiblen Einsatz von Analytics},
  series = {Proceedings INFORMATIK - Jahrestagung der Gesellschaft f{\"u}r Informatik e.V. ; Lecture Notes in Informatics (LNI)},
  booktitle = {Proceedings INFORMATIK - Jahrestagung der Gesellschaft f{\"u}r Informatik e.V. ; Lecture Notes in Informatics (LNI)},
  number    = {P259},
  publisher = {Gesellschaft f{\"u}r Informatik e.V.},
  address   = {Bonn},
  pages     = {815 -- 824},
  year      = {2016},
  abstract  = {Die optimale Dimensionierung von IT-Hardware stellt Entscheider aufgrund der stetigen Weiterentwicklung zunehmend vor Herausforderungen. Dies gilt im Speziellen auch f{\"u}r Analytics-Infrastrukturen, die zunehmend auch neue Software zur Analyse von Daten einsetzen, welche in den Ressourcenanforderungen stark variieren. Damit eine flexible und gleichzeitig effiziente Gestaltung von Analytics-Infrastrukturen erreicht werden kann, wird ein dynamisch arbeitendes Architekturkonzept vorgeschlagen, das Aufgaben auf Basis einer systemspezifischen Entscheidungsmaxime mit Hilfe einer Eskalationsmatrix verteilt und hierf{\"u}r Aufgabencharakteristiken sowie verf{\"u}gbare Hardwareausstattungen entsprechend ihrer Auslastung ber{\"u}cksichtigt.},
  language  = {de}
}
@article{Grum2018,
  author    = {Grum, Marcus},
  title     = {Manufacturing Analytics},
  series = {Von Industrial Internet of Things zu Industrie 4.0. Band 2},
  journal   = {Von Industrial Internet of Things zu Industrie 4.0. Band 2},
  publisher = {Gito},
  address   = {Berlin},
  isbn      = {978-3-95545-261-2},
  pages     = {149 -- 190},
  year      = {2018},
  language  = {de}
}
@article{GrumSultanowFriedmannetal.2021,
  author    = {Grum, Marcus and Sultanow, Eldar and Friedmann, Daniel and Ulrich, Andre and Gronau, Norbert},
  title     = {Tools des Maschinellen Lernens},
  publisher = {Gito},
  address   = {Berlin},
  isbn      = {978-3-95545-380-0},
  doi       = {10.30844/grum_2020},
  pages     = {143},
  year      = {2021},
  abstract  = {K{\"u}nstliche Intelligenz ist in aller Munde. Immer mehr Anwendungsbereiche werden durch die Auswertung von vorliegenden Daten mit Algorithmen und Frameworks z.B. des Maschinellen Lernens erschlossen. Dieses Buch hat das Ziel, einen {\"U}berblick {\"u}ber gegenw{\"a}rtig vorhandene L{\"o}sungen zu geben und dar{\"u}ber hinaus konkrete Hilfestellung bei der Auswahl von Algorithmen oder Tools bei spezifischen Problemstellungen zu bieten. Um diesem Anspruch gerecht zu werden, wurden 90 L{\"o}sungen mittels einer systematischen Literaturrecherche und Praxissuche identifiziert sowie anschließend klassifiziert. Mit Hilfe dieses Buches gelingt es, schnell die notwendigen Grundlagen zu verstehen, g{\"a}ngige Anwendungsgebiete zu identifizieren und den Prozess zur Auswahl eines passenden ML-Tools f{\"u}r das eigene Projekt systematisch zu meistern.},
  language  = {de}
}
@misc{GrumKoerppenKorjahnetal.2022,
  author    = {Grum, Marcus and K{\"o}rppen, Tim and Korjahn, Nicolas and Gronau, Norbert},
  title     = {Entwicklung eines KI-ERP-Indikators},
  publisher = {Center for Enterprise Research, Universit{\"a}t Potsdam},
  address   = {Potsdam},
  pages     = {27},
  year      = {2022},
  abstract  = {K{\"u}nstliche Intelligenz (KI) gewinnt in zahlreichen Branchen rasant an Bedeutung und wird zunehmend auch in Enterprise Resource Planning (ERP)-Systemen als Anwendungsbereich erschlossen. Die Idee, dass Maschinen die kognitiven F{\"a}higkeiten des Menschen imitieren k{\"o}nnen, indem Wissen durch Lernen auf Basis von Beispielen in Daten, Informationen und Erfahrungen generiert wird, ist heute ein Schl{\"u}sselelement der digitalen Transformation. Jedoch charakterisiert der Einsatz von KI in ERP-System einen hohen Komplexit{\"a}tsgrad, da die KI als Querschnittstechnologie zu verstehen ist, welche in unterschiedlichen Unternehmensbereichen zum Einsatz kommen kann. Auch die Anwendungsgrade k{\"o}nnen sich dabei erheblich voneinander unterscheiden. Um trotz dieser Komplexit{\"a}t den Einsatz der KI in ERP-Systemen erfassen und systembezogen vergleichen zu k{\"o}nnen, wurde im Rahmen dieser Studie ein Reifegradmodell entwickelt. Dieses bildet die Ausgangsbasis zur Ermittlung der KI-Reife in ERP-Systemen und grenzt dabei die folgenden vier KI- bzw. systembezogenen Ebenen voneinander ab: 1) Technische M{\"o}glichkeiten, 2) Datenreife, 3) Funktionsreife und 4) Erkl{\"a}rf{\"a}higkeit des Systems.},
  language  = {de}
}