Angewandte Künstliche Intelligenz und Digitale Transformation

HIER finden Sie die passenden Bachelor zum Studiengang!

Studienüberblick

Die Künstliche Intelligenz stellt unstrittig eine der wichtigsten Zukunftstechnologien dar, von der die globale Wettbewerbsfähigkeit der deutschen Wirtschaft entscheidend abhängen wird. An dieser Stelle setzt der Masterstudiengang "Angewandte Künstliche Intelligenz und Digitale Transformation" (KDT) an: Ziel ist die Ausbildung von Expert*innen für betriebliche Anwendungen der Künstlichen Intelligenz, die im Unternehmen unmittelbar einsetzbar sind und bei der erfolgreichen Umsetzung und digitalen Transformation maßgeblich unterstützen. Dabei soll der Fokus auf dem konstruktiven Entwickeln von innovativen, intelligenten und zugleich wirtschaftlich praktikablen Lösungen liegen, insbesondere in den Bereichen Produktion, Marketing und Personal.

Notwendig sind daher interdisziplinär ausgebildete Expert*innen, die neben dem dringend notwendigen mathematisch-technischen Fachwissen, z.B. zu symbolischen (Regel- und Entscheidungsbauminduktion) und subsymbolischen (Neuronale Netze, Deep Learning) Verfahren des Maschinellen Lernens, auch Kompetenzen zur organisatorischen Umsetzung der Anforderungen unter Beachtung der wirtschaftlichen, rechtlichen und ethischen Rahmenbedingungen besitzen („Business Understanding“). Ihre Aufgabe wird es insbesondere auch sein, mit den jeweiligen Fachleuten (Mathematiker*innen, IT-Vertretern, Ingenieur*innen, Vertretende des Managements) gemeinsam Lösungen zu entwickeln und die Umsetzung im Rahmen von Change-Projekten zu leiten oder zu begleiten. Im Fokus steht daher eine breite Ausbildung, die das Erlernen grundlegender Aspekte sowie insbesondere der Fachsprache der relevanten Bereiche garantiert.

Kurzform	KDT
Studienart	Vollzeit
Regelstudienzeit	3 Semester
Abschluss	Master of Arts (M.A.)
Studienstart	Wintersemester
Zulassungsbeschränkung	spezifisch
Vorlesungsort	Ansbach
Unterrichtssprache	Deutsch
Studiengangleitung	Prof. Dr. Sigurd Schacht
Studienfachberatung	Prof. Dr. Sigurd Schacht
Studiengangsassistenz KDT	studiengangsassistenz-kdt(at)hs-ansbach.de
Studierendenservice	studierendenservice.kdt(at)hs-ansbach.de

Studiengangsflyer

Modulhandbuch

Studien- und Prüfungsordnung für alle Jahrgänge

Zulassungsvoraussetzungen und Bewerbung zum Studium

Sie können den Master-Studiengang KDT im Wintersemester starten. Wie für alle Studiengänge, ist auch für diesen Studiengang eine rechtzeitige Bewerbung über das Online-Bewerberportal erforderlich. Bitte beachten Sie, dass die regulären Fristen Ausschlussfristen sind. Ihre Bewerbung muss daher spätestens mit Ablauf des letzten Tages der jeweiligen Frist bei uns eingegangen sein (2. Mai – 15. Juli).

Alle Informationen zur Bewerbung finden Sie HIER.

Darüber hinaus ist ein erfolgreich abgeschlossenes Hochschulstudium in einem einschlägigen Studiengang oder ein gleichwertiger in- oder ausländischer Abschluss mit einer Prüfungsgesamtnote von mind. 2,5, dessen Umfang in der Regel 210 ECTS-Punkte, mindestens jedoch 180 ECTS-Punkte umfasst, nötig. Als einschlägig gelten Studiengänge, die auf Grundlagen aus den Bereichen Medien, Wirtschaft bzw. Technik aufbauen.

Studienaufbau

Der Masterstudiengang "Angewandte Künstliche Intelligenz und Digitale Transformation" umfasst 90 ECTS, die in drei Semestern durchlaufen werden können. Wenn Sie mit einem Abschluss, der weniger als 210 ECTS umfasst, einsteigen, müssen Sie ggf. zusätzliche Zeit für das Nachholen von Modulen/ECTS einplanen.

Der Studiengang ist stark praxisorientiert und bietet im 1. Semester neben einer technologischen Grundlagenvermittlung bereits frühe Spezialisierungsmöglichkeiten innerhalb der Module in den Bereichen der digitalen Geschäftsmodelle und -prozesse sowie Leadership und Change Management an. Um die Studierenden optimal auf ihr späteres Berufsleben vorzubereiten, werden die Lehrinhalte aus den unterschiedlichen Vorlesungen bereits ab dem 1. Semester unmittelbar in praxisbezogenen Gruppenübungen angewendet. Im 2. Semester werden die vermittelten Lehrinhalte im Rahmen eines eigenständigen angewandten Projektes, i.d.R. mit einem externen Partner, in die Praxis umgesetzt. Begleitend dazu werden betriebliche Anwendungsmöglichkeiten der KI in drei unterschiedlichen Bereichen angeboten. Zusätzlich bereiten diese Module die Absolvierenden auf den späteren Berufsalltag vor, da sie vertiefende praxisbezogene Beispiele liefern. Nach der Projektarbeit folgt im 3. Semester die Möglichkeit der Vertiefung (z.B. der Projektarbeit) anhand einer Masterarbeit.

Sie schließen das Studium in drei Semestern ab. Nach erfolgreichem Abschluss wird Ihnen der international anerkannte akademische Grad Master of Arts (M.A.) verliehen.

Berufsaussichten

Die Kombination von Grundwissen über Angewandte KI, Kenntnissen über die Digitalisierung von Produkten und Prozessen, dem fundierten Wissen aus dem Bereich Digital Leadership und Transformation ermöglicht den Studierenden eine vielfältige und vor allem branchenunabhängige berufliche Zukunftsperspektive. Egal ob in der freien Wirtschaft, in nichtkommerziellen Organisationen oder Behörden - das spätere Tätigkeitsspektrum ist breit gefächert.

Einerseits ermöglicht das vermittelte interdisziplinäre Know-how den Absolvierenden, projektübergreifende Potentiale für KI-Lösungen eigenständig zu erkennen und diese wiederum durch strukturiertes wie auch zielorientiertes Handeln umzusetzen. Andererseits verfügen sie im Bereich Angewandte KI und digital Transformation über die Befähigung, Führungsverantwortung zu übernehmen und KI-Projekte zu initiieren, durchzuführen und hinsichtlich der Qualitätssicherung anschließend einer umfangreichen Evaluation zu unterziehen.

In diesem Rahmen sind die Absolvierenden durch das umfassende Einsatzspektrum nicht nur für globale Konzerne oder große Behörden interessant, sondern auch für kleine und mittlere Unternehmen (KMU).

Personen

Prof. Dr. Sigurd Schacht

Studiengangsleiter Angewandte Künstliche Intelligenz und Digitale Transformation (KDT) / Studienfachberatung Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)

0162 2304401 Retti 063 (Rettistraße 56, 91522 Ansbach) nach Vereinbarung sigurd.schacht vCard

Mehr erfahren

Nancy Herde

Fakultätsassistentin Wirtschaft

0981 4877-194 oder +49 (0)162 2145825 (Mobil) Retti 001 Mi. und Fr. (Home Office); Mo., Di. und Do., 7.30–12.00 Uhr (Büro) nancy.herde vCard

Mehr erfahren

Ralph-Peter Kappestein

Leiter Studierendenservice der School of Business and Technology (SBT)

0981 203633-16 BHS 3.02 (Brauhausstraße 15, 91522 Ansbach) nach Vereinbarung ralph-peter.kappestein vCard

Mehr erfahren

Prof. Dr. Wolf Knüpffer

Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)

0981 4877-366 92.1.5 Mittwoch 16.00-17.00 Uhr wolf.knuepffer vCard

Mehr erfahren

Prof. Dr.-Ing. Michael Müller

Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)

0981 4877-501 50.3.7 nach Vereinbarung mi.mueller vCard

Mehr erfahren

Prof. Dr.-Ing. Michael Müller

0981 4877-501
50.3.7
nach Vereinbarung
mi.mueller
vCard

Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)

Funktionen:

Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Professor Betriebswirtschaft (BW)
Mit-Initiator und Dozent Leadership im Gesundheitswesen (LSG) und Leadership (LEA)
Ehemaliger wissenschaftlicher Leiter des Instituts für Mittelstand und Unternehmensentwicklung der Hochschule Ansbach (IMEA)
Initiator und Dozent im ESF-Drittmittelprojekt KM²U 2017-2019 (Wissensmanagement im regionalen Mittelstand)
Mitglied im Arbeitskreis Qualitätsmanagement (bis 2020)
Vorsitzender, Mitglied und externer Gutachter in Berufungskommissionen

Lehrgebiete:

Organisation
Unternehmensführung
Geschäftsprozessmanagement
Organizational Behaviour und Change Management
Wissensmanagement
Digital Leadership und agiles KI-Projektmanagement

Vita:

Seit 2020: Initiator und Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
2018-2020: Studiengangsleiter Betriebswirtschaft (BW)
Seit 2012: Angewandte Forschung auf dem Gebiet „Sicherung von Erfahrungswissens“
Seit 2012: Professur Betriebswirtschaft (BW) an der Hochschule Ansbach
2005-2012: Berater und Trainer bei sciNOVIS für das Thema „Sicherung von Erfahrungswissen“
2001-2005: Mit-Gründer und Geschäftsführer bei der COGNEON GmbH
1997-2001: Stellv. Leiter der Forschungsgruppe Wissenserwerb des FORWISS Erlangen
1994-1998: Promotion zum Thema „Interessantheit bei der Entdeckung von Wissen in Datenbanken“
1993-1997: Wiss. Mitarbeiter in der Forschungsgruppe Wissenserwerb des FORWISS Erlangen
1987-1993: Studium der Informatik mit Schwerpunkt KI an der FAU Erlangen-Nürnberg

Publikationen:

Müller, Michael: Wissensmanagement. Reihe „WiWi klipp & klar“. Springer Gabler, Wiesbaden, 2022.

Förtsch, Ferdinand; Müller, Michael: Wissensmanagement – Karriere in der Verwaltung. Kommunal- und Schul-Verlag, Wiesbaden, 2015.

Ittner, Friedrich-Alexander; Ambrosius, Ute; Müller, Michael: Wissensorientierte Strategieentwicklung für den Mittelstand (KMU). Schriftenreihe Campus Edition, Fachhochschule Ansbach, 2015.

Kaiser, Robert; Müller, Michael: Erfahrungsschätze bewahren. In Vitako aktuell, Zeitschrift der Bundes-Arbeitsgemeinschaft der Kommunalen IT-Dienstleister e.V., 2010.

Punzel, Joachim; Schwarze, Jochen; Graubner, Christian; Müller, Michael: Fallstudie: Von der Mindmap zum Wiki - Wissensbewahrung im eGovernment-Center der Stadt Erlangen. In „Enterprise 2.0 - Planung, Einführung und erfolgreicher Einsatz von Social Software in Unternehmen“, Forschungsgruppe Kooperationssysteme der Universität der Bundeswehr München, 2009.

Graubner, Christian; Müller, Michael: Wissensmanagement für Innovationsmanagement - Systematische Unterstützung des Innovationsmanagements durch Methoden und Prozesse des Wissensmanagements. In Tagungsband WM 2007 (4. Konferenz Professionelles Wissensmanagement), 2007.

Müller, Michael; Kaiser, Robert: Wissensbewahrung bei der Stadt Erlangen - Dokumentation und Kommunikation der Erfahrungen ausscheidender Wissensträger. In Tagungsband KnowTech 2006, S. 425-432, 2006.

Stoyan, Herbert; Müller, Michael; Bimazubute, Raymond; Grille, Barbara; Hausdorf, Carsten; Hormeß, Markus; Kraetzschmar, Gerhard K.; Schneeberger, Josef; Turk, Andreas: Wissenserwerb und Wissensmanagement. In Hammwöhner, R.; Rittberger, M.; Semar, W. (Hrsg.): Wissen in Aktion - Der Primat der Pragmatik als Motto der Konstanzer Informationswissenschaft, Festschrift für Rainer Kuhlen, Schriften zur Informationswissenschaft 41, Hochschulverband für Informationswissenschaft, S. 253-270, 2004.

Grille, Barbara; Stoyan, Herbert; Gaede, Bernd; Müller, Michael: Wissensmanagementprozesse - Mit Experteninterviews zum aufgabenbezogenen hypertextbasierten Informations- und Tutorsystem. In Buhl, H.-U.; Huther, A.; Reitwiesner, B. (Hrsg.): 5. Internationale Tagung Wirtschaftsinformatik 2001, S. 323-338, Physica-Verlag, 2001.

Hausdorf, Carsten; Stoyan, Herbert; Müller, Michael: Kaskadierter Wissenserwerb beim Wissensmanagement. In Gronau, N. (Hrsg.): Wissensmanagement: Systeme - Anwendungen - Technologien, Aachen, 2001.

Hogl, Oliver; Müller, Michael; Stoyan, Herbert; Stühlinger, Wolf: On Supporting Medical Quality with Intelligent Data Mining. In Sprague, R. (Hrsg.): Proceedings of the Thirty-Fourth Annual Hawaii International Conference on System Sciences (HICSS-01), IEEE Press, Maui, Hawaii, January 3-6 2001.

Hogl, Oliver; Stoyan, Herbert; Müller, Michael: The Knowledge Discovery Assistant: Making Data Mining Available for Business Users. In Gunopulos, D.; Rastogi, R. (Hrsg.): Proceedings of the 2000 ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD-2000), S. 96-105, Dallas, Texas, May 2000.

Müller, Michael: Interessantheit bei der Entdeckung von Wissen in Datenbanken. In Künstliche Intelligenz, Nr. 3, S. 40-42, September 1999.

Müller, Michael: Interessantheit bei der Entdeckung von Wissen in Datenbanken. Dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, 1998.

Müller, Michael; Hausdorf, Carsten; Schneeberger, Josef: Zur Interessantheit bei der Entdeckung von Wissen in Datenbanken. In Nakhaeizadeh, Gholamreza (Hrsg.): Data Mining: Theoretische Aspekte und Anwendungen, Beiträge zur Wirtschaftsinformatik, S. 248-264, Physica-Verlag, Heidelberg, 1998.

Büchter, Oliver; Müller, Michael; Schneeberger, Josef: Improving Forward Selection with Background Knowledge: Finding Interesting Multiple Regression Models for Sales Prediction. In Lu, Hongjun; Motoda, Hiroshi; Liu, Huan (Hrsg.): Proceedings of the First Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD’97), KDD: Techniques and Applications, S. 344-357, World Scientific, Singapore, 1997.