Konstantin Hopf ist seiner ehemaligen Arbeitsgruppe noch eng verbunden, in der er zunächst als Doktorand und später als Habilitand eine eigenständige Forschungsgruppe aufgebaut und damit die Forschung und Lehre maßgeblich mitgestaltet hat. Nach seinem Studium der Wirtschaftsinformatik an der Otto-Friedrich-Universität Bamberg widmete er sich am hiesigen Standort dem Einsatz maschineller Lernverfahren im Energievertrieb und der Energieeffizienz im Privatbereich. Nach seiner Promotion an unserem Lehrstuhl im Jahr 2019 setzte er seine Arbeit als Akademischer Rat fort, akquirierte und leitete industrienahe Forschungsprojekte, verantwortete sehr gut evaluierte Lehrveranstaltungen in den Masterstudiengängen der Wirtschaftsinformatik und habilitierte sich im Oktober 2025. 

Seine Forschungsschwerpunkte liegen in der Einbettung von Business-Analytics-Methoden in soziotechnische Systeme und der Anwendung erklärbarer KI-Methoden zur Entscheidungsunterstützung in Unternehmen. An der TU Chemnitz wird er diese Themen in Forschung und Lehre vertiefen und weiterentwickeln. 

Wir gratulieren herzlich zur Berufung, wünschen Prof. Hopf weiterhin viel Erfolg bei seiner künftigen akademischen und wissenschaftlichen Arbeit und freuen uns auch den weiteren Austausch im Rahmen des Bits-to-Energy-Labs!

An der Publikation waren neben Dr. Konstantin Hopf und Prof. Thorsten Staake auch die Kollegin Prof. Nora Nahr und der Kollege Prof. Franz Lehner der Universität Passau an der Studie beteiligt.

Der Artikel ist als Open Access im Journal of Information Technology verfügbar.

Effektive Zusammenarbeit in Data-Science-Projekten durch Boundary Objects

Der ausgezeichnete Beitrag mit dem Titel "Bridging Fields of Practice: How Boundary Objects Enable Collaboration in Data Science Initiatives", verfasst von Nils Rahlmeier und Dr. Konstantin Hopf, befasst sich mit den Herausforderungen und Erfolgsfaktoren der Zusammenarbeit in datenintensiven Projekten. Die Hauptfrage des Papiers lautet: Wie können Data-Science-Teams erfolgreich mit anderen Fachabteilungen kooperieren, um die oft enttäuschenden Ergebnisse solcher Projekte zu verbessern? Basierend auf Interviews in sechs verschiedenen Data-Science-Initiativen in Unternehmen identifiziert die Studie sechs Archetypen von Boundary Objects – Hilfsmittel, die den Austausch zwischen Fachbereichen erleichtern. Diese Archetypen, darunter Alignment, Collaboration, und Upskilling, helfen dabei, die Zusammenarbeit in den verschiedenen Phasen des Datenwertschöpfungsprozesses zu strukturieren und zu verbessern.

Wissenschaftliche Exzellenz mit Praxisbezug

„Die entwickelten Archetypen und Mechanismen bieten sowohl theoretische als auch praktische Ansätze, um die Umsetzung von Data Science-Projekten besser zu steuern“, erklärt Dr. Konstantin Hopf. „Unsere Ergebnisse unterstützen das Management solcher Initiativen und helfen, die Zusammenarbeit zwischen Data-Science- und Business-Teams zu optimieren“, ergänzt Nils Rahlmeier.

Das Papier ist das Ergebnis einer sehr guten Masterarbeit von Nils Rahlmeier, die er am Lehrstuhl für Wirtschaftsinformatik, insbesondere Energieeffiziente Systeme, der Universität Bamberg eingereicht hat. Der Erstautor ist heute Associate bei der auf die Energiewirtschaft spezialisierten Strategieberatung e.venture consulting in Berlin.

Erfolgsgeschichte wiederholt sich

Besonders hervorzuheben ist, dass der Lehrstuhl bereits im vergangenen Jahr den Best Paper Award der Hauptkonferenz der Wirtschaftsinformatik (WI 2023) erhalten hat, damals mit dem Beitrag „Addressing Learners' Heterogeneity in Higher Education: An Explainable AI-based Feedback Artifact for Digital Learning Environments“ von Felix Haag, Sebastian Günther, Konstantin Hopf, Philipp Handschuh, Maria Klose, Thorsten Staake.

DOAG.tv

• Interview von Dr. Konstantin Hopf zusammen mit Dr. Benjamin Linnik

Telekom LEX Learning from Experts

• Vortragsreihe "KI Evolution statt Revolution – Ein Prozessmodell für die betriebliche Wertschöpfung durch Machine-Learning-Anwendungen"
• 08. und 15. Mai 2024, mit jeweils ca. 90 Teilnehmenden, Online

QualityMinds Lunch & Learn

• Vortrag "Value Creation with Machine Learning"
• 10. April 2014, mit ca. 25 Teilnehmenden, Online

DOAG KI Navigator Konferenz

• Programmbeitrag "Von der Theorie zur Praxis: Fallstudien zur KI-Wertschöpfung in Unternehmen" zusammen mit Dr. Benjamin Linnik
• 22. November 2023, mit ca. 80 Fachbesuchern, Messe Nürnberg

SAP Inspiration Sessions

• Keynote "Process Model for Machine Learning Value Creation in Organizations"
• 15. November 2023, mit ca. 250 internationalen Teilnehmenden, Online

In den Praxisvorträgen werden die Forschungserkenntnisse anhand praktischer Beispiele erläutert. Interessenten an weiteren Vorträgen oder Workshops im Bereich KI Wertschöpfung wenden sich bitte direkt an Konstantin Hopf.

Lehrstuhlinhaber Prof. Dr. Thorsten Staake und Dr. Konstantin Hopf sind Mitglied im Bamberger Zentrum für Künstliche Intelligenz (BaCAI).

• Die Zeitschrift The Journal of Strategic Information Systems hat das Papier zum Best Paper 2022 gekürt
• Die Association for Information Systems hat den Artikel im Jahr 2023 als Senior Scholars' Best Information Systems Paper ausgezeichnet.

Der uni.blog berichtete im Sommer über das Forschungsprojekt mit dem Beitrag "Wie können Unternehmen mit KI Wert generieren?".

Abstract: Due to the advent of digital learning environments and the freedom they offer for learners, new challenges arise for students' self-regulated learning. To overcome these challenges, the provision of feedback has led to excellent results, such as less procrastination and improved academic performance. Yet, current feedback artifacts neglect learners’ heterogeneity when it comes to prescriptive feedback that should meet personal characteristics and self-regulated learning skills. In this paper, we derive requirements from self-regulated learning theory for a feedback artifact that takes learners’ heterogeneity into account. Based on these requirements, we design, instantiate, and evaluate an Explainable AI-based approach. The results demonstrate that our artifact is able to detect promising patterns in data on learners' behaviors and characteristics. Moreover, our evaluation suggests that learners perceive our feedback as valuable. Ultimately, our study informs Information Systems research in the design of future Explainable AI-based feedback artifacts that seek to address learners' heterogeneity.

[Link zum Artikel]

Die Masterarbeit von Elena Giacomazzi zum Thema "Forecast of electricity demand and load peaks in the distribution network with LSTM and transformer architectures" gewann einen Förderpreis im Jahr 2022.

Kurzzusammenfassung der Masterarbeit:

Short-term load forecasting is an essential problem for the electric power industry. It contributes to operating power systems efficiently and making them more adaptable for using renewable energy. This thesis evaluates the performances of a long-short term memory (LSTM) neural network, a basic Transformer model, and the Temporal Fusion Transformer (TFT) on an hourly day-ahead and week-ahead forecasting task. Additionally, the models are evaluated for their accuracy in predicting load peaks. This thesis contributes to the literature by applying Transformer-based architectures to short-term load forecasting, which are relatively new to the field. Experiments are conducted on a data set of German household loads which is aggregated to the distribution network level. This work finds that the LSTM architecture performs best for the day-ahead horizon with MAPE = 6.09%, while the TFT performs best for the week-ahead forecast with MAPE = 6.46%. Although the results demonstrate the value of modern deep learning methods for load forecasting, further work is necessary to validate the methods on other data sets.

Felix Haag gewann einen Förderpreis im Jahr 2021 für seine Masterarbeit zum Thema "Explainable AI for in-depth benchmarking of domestic electricity consumption".

Kurzzusammenfassung der Masterarbeit:

Machine learning models have made strong advances in improving modeling capabilities. Such models can detect patterns in data and provide precise predictions, but are usually—compared to more traditional statistical methods such as linear regression—non-interpretable to humans. Motivated by this tension, research has put forth Explainable Artificial Intelligence (XAI) techniques that represent patterns discovered by machine learning in a human-readable way. One application area that can benefit from high predictive performance and the explanation of patterns in data is energy benchmarking. In the field, feedback of energy benchmarks has so far been limited to a single performance score. Thus, it remains unclear to feedback recipients which building and household characteristics affect their specific consumption. Taking a linear regression model as baseline, this thesis tests the applicability of XAI methods for energy benchmarking in the context of domestic electricity use in order to determine influencing factors. The results of this work show that XAI is able to identify building and household characteristics that are, according to a machine learning model, relevant for electricity consumption. Notably, XAI in combination with machine learning offers a higher predictive performance compared to a statistical approach while maintaining explainability. Energy benchmarking providers should therefore use XAI to offer additional information on performance ratings to improve the feedback given.

Die Veröffentlichung "Shifting ML value creation mechanisms: A process model of ML value creation" ist als Volltext (open access) verfügbar.

Die Ergebnisse dieser Studie konnte Dr. Konstantin Hopf am Dienstag, den 17.01.2023, einem interessierten Fachpublikum aus Data Scientists und ML-Experten beim Nuremberg Data Science & AI Meetup in Nürnberg vorstellen und diskutieren. Die knapp 50 Praxisvertreter engagierten sich rege in der Diskussion die bis in den Abend hinein dauerte.