DATEV (Germany)

ZusammenfassungDieser Artikel der Zeitschrift Gruppe. Interaktion. Organisation. beschäftigt sich mit der Bedeutung von Lernen auf den Ebenen Individuum, Team und Organisation im Rahmen der digitalen Transformation von Organisationen. Anhand eines Fallbeispiels wird illustriert, wie mittels verschiedener Dialog- und Lernformate ein solches Transformationsprojekt gelingen kann.Die zunehmende Digitalisierung stellt Unternehmen vor viele Herausforderungen und macht eine Transformation notwendig. Um die Transformation aktiv zu gestalten, können Organisationen das Thema Lernen in den Fokus rücken. Ein Beispiel für ein Unternehmen, das sich diesen Herausforderungen stellt, ist DATEV, die IT-Genossenschaft des steuerberatenden Berufsstands, die gemeinsam mit ihren Mitgliedern Buchhaltungs‑, Steuer- und Unternehmensberatungsdienstleistungen für kleine und mittlere Unternehmen anbietet. Am Beispiel von verschiedenen, dort eingeführten Dialog- und Lernformaten (z. B. Communities of Practice, Barcamps, Lernbegleitung) wird illustriert, wie der Transformationsprozess durch Lernen auf allen Ebenen aktiv gestaltet werden kann. Abschließend werden aus dem Fallbeispiel Learnings für Wissenschaft und Praxis abgeleitet.

The optical inspection of the surfaces of diode lasers, especially the p-sides and facets, is an essential part of the quality control in the laser fabrication procedure. With reliable, fast, and flexible optical inspection processes, it is possible to identify and eliminate defects, accelerate device selection, reduce production costs, and shorten the cycle time for product development. Due to a vast range of rapidly changing designs, structures, and coatings, however, it is impossible to realize a practical inspection with conventional software. In this work, we therefore suggest a deep learning based defect detection algorithm that builds on a Faster Regional Convolutional Neural Network (Faster R-CNN) as a core component. While for related, more general object detection problems, the application of such models is straightforward, it turns out that our task exhibits some additional challenges. On the one hand, a sophisticated pre- and postprocessing of the data has to be deployed to make the application of the deep learning model feasible. On the other hand, we find that creating labeled training data is not a trivial task in our scenario, and one has to be extra careful with model evaluation. We can demonstrate in multiple empirical assessments that our algorithm can detect defects in diode lasers accurately and reliably in most cases. We analyze the results of our production-ready pipeline in detail, discuss its limitations and provide some proposals for further improvements.

Explainable Artificial Intelligence (AI) has emerged to be a key component for Black-Box Machine Learning (ML) approaches in domains with a high demand for transparency. Besides medical expert systems, which inherently need to be interpretable, transparent, and comprehensible as they deal with life-changing decision tasks, other application domains like financial auditing require trust in ML as well. The European General Data Protection Regulation (GDPR) also applies to such highly regulated areas where an auditor evaluates financial transactions and statements of a business. In this paper we propose an ML architecture that shall help financial auditors by transparently detecting anomalous datapoints in the absence of ground truth. While most of the time Anomaly Detection (AD) is performed in a supervised manner, where model-agnostic explainers can be easily applied, unsupervised AD is hardly comprehensible especially across different algorithms. In this work we investigate how to dissolve this: We describe an integrated architecture for unsupervised AD that identifies outliers at different levels of granularity using an ensemble of independent algorithms. Furthermore, we show how model-agnostic explanations can be generated for such an ensemble using supervised approximation and Local Interpretable Model-Agnostic Explanations (LIME). Additionally, we propose techniques for explanation-post-processing that allow explanations to be selective, receiver-dependent, and easily understandable. In a nutshell, our architecture paves the way for model-agnostic explainability for the task of unsupervised AD. It can further be transferred smoothly to other unsupervised ML problems like clustering problems.

Dieser Beitrag beschreibt die sozialen Folgen der Finanz- und Wirtschaftskrise seit 2008 für ältere Arbeitssuchende in Salzburg auf der Grundlage der Ergebnisse eines EU-Projekts. Zentrale Frage ist, wie sich die Krise auf das Wohlergehen in Form der Rechte und Verwirklichungschancen im Leben der Betroffenen ausgewirkt hat und ob die Strategie der Sozialinvestitionen die Folgen abgemildert hat. Methodisch kombiniert das Projekt partizipative Aktionsforschung, Menschenrechte und Capability-Ansatz. Der Artikel ist die Verschriftlichung einer gemeinsam mit Betroffenen als Co-Forschenden erarbeiteten Präsentation der Ergebnisse, welche im Wechselspiel mit und als Folge von dem gesellschaftlichen Kontext dargestellt werden. Arbeitslosigkeit wirkt sich nicht nur auf den materiellen Lebensstandard aus, sondern beeinträchtigt das Wohlergehen auch in Bezug auf die Gesundheit, auf das familiäre und gesellschaftliche Leben und damit auf die Identität und Selbstentfaltungsmöglichkeiten – allesamt von den Menschenrechten geschützte Bereiche. Es ist nicht zu erkennen, inwiefern die österreichische Arbeitsmarktpolitik bei der Zielgruppe der Arbeitssuchenden über 45 Jahre „in Menschen investiert“.