Search
Generic filters
Exact matches only
Filter by content type
Users
Attachments

Tobias Fahse

Wissenschaftlicher Mitarbeiter
apartment
9000 St Gallen
mail
phone
+41 71 224 3800

Publikationen


Algorithmic forecasts outperform human forecasts in many tasks. State-of-the-art machine learning (ML) algorithms have even widened that gap. Since sales forecasting plays a key role in business profitability, ML based sales forecasting can have significant advantages. However, individuals are resistant to use algorithmic forecasts. To overcome this algorithm aversion, explainable AI (XAI), where an explanation interface (XI) provides model predictions and explanations to the user, can help. However, current XAI techniques are incomprehensible for laymen. Despite the economic relevance of sales forecasting, there is no significant research effort towards aiding non-expert users make better decisions using ML forecasting systems by designing appropriate XI. We contribute to this research gap by designing a model-agnostic XI for laymen. We propose a design theory for XIs, instantiate our theory and report initial formative evaluation results. A real-world evaluation context is used: A medium-sized Swiss bakery chain provides past sales data and human forecasts.

Mehr
Over the last decade, the importance of machine learning increased dramatically in business and marketing. However, when machine learning is used for decision-making, bias rooted in unrepresentative datasets, inadequate models, weak algorithm designs, or human stereotypes can lead to low performance and unfair decisions, resulting in financial, social, and reputational losses. This paper offers a systematic, interdisciplinary literature review of machine learning biases as well as methods to avoid and mitigate these biases. We identified eight distinct machine learning biases, summarized these biases in the cross-industry standard process for data mining to account for all phases of machine learning projects, and outline twenty-four mitigation methods. We further contextualize these biases in a real-world case study and illustrate adequate mitigation strategies. These insights synthesize the literature on machine learning biases in a concise manner and point to the importance of human judgment for machine learning algorithms.

Mehr
Im Rahmen einer Lehrveranstaltung des Masters in Business Innovation im Frühjahr 2021 gelang es, ohne vertiefte Kenntnisse der Bäckereibranche durch Verwendung bereits vorhandener Daten und durch Nutzung von Methoden der Statistik und der Künstlichen Intelligenz die Verkaufsprognosen der Filialleiterinnen und Filialleiter zu übertreffen und die Verkäufe des folgenden Tags mit einer Abweichung von ca. 13% bis 14% vorherzusagen. Diese unerwartet guten Ergebnisse lassen den Schluss zu, dass der Einsatz von Methoden der Statistik und der Künstlicher Intelligenz auch in KMUs wie Bäckereien in Zukunft wettbewerbsrelevant sein wird. Wenn es gelänge, die Prognosequalität zu verbessern, wäre in Bäckereien Nutzen in zwei Richtungen zu erwarten: Der unternehmerische Erfolg kann gesteigert und der Foodwaste reduziert werden. Allerdings bräuchte es mehr und bessere Daten, weiteren Austausch mit Experten der Domäne sowie geeignete Apps, um datengetriebene Prognosen in den Bäckereien zu implementieren.

Mehr
This paper introduces a framework for managing bias in machine learning (ML) projects. When ML-capabilities are used for decision making, they frequently affect the lives of many people. However, bias can lead to low model performance and misguided business decisions, resulting in fatal financial, social, and reputational impacts. This framework provides an overview of potential biases and corresponding mitigation methods for each phase of the well-established process model CRISP-DM. Eight distinct types of biases and 25 mitigation methods were identified through a literature review and allocated to six phases of the reference model in a synthesized way. Furthermore, some biases are mitigated in different phases as they occur. Our framework helps to create clarity in these multiple relationships, thus assisting project managers in avoiding biased ML-outcomes.

Mehr
Die pandemische Verbreitung des Virus COVID-19 bedeutet einen tiefen Einschnitt in Wirtschaft, Gesellschaft und das Leben fast aller Menschen. Die Auswirkungen des Lockdowns, der in zahlreichen Ländern stattgefunden hat und in einigen noch nicht beendet ist, zwingt nach unserer Meinung und Erfahrung Unternehmen, sich aktiv, intensiv und strategisch mit seinen Auswirkungen auseinanderzusetzen. Digitalisierung wird bei der Aufarbeitung des Lockdowns, das ist unbestritten, eine grosse Rolle spielen. Um besser verstehen zu können, wie Führungskräfte, die sich jeden Tag mit Digitalisierung auseinandersetzen, auf den Lockdown reagieren, haben wir Chief Information Officers und Chief Digital Officers grosser Schweizer Unternehmen nach ihren Erfahrungen in der COVID-19-Krise und mit dem Lockdown und ihren Plänen befragt. Sie alle erwarten grosse Veränderungen und beginnen mit der Aufarbeitung der Erkenntnisse und Erfahrungen. Die Ergebnisse unserer Befragung haben wir in sieben Thesen zusammengefasst. Einschränkend ist zu sagen, dass zum Zeitpunkt der Befragung, im Juni 2020, die Krise noch nicht überwunden ist. Entsprechend ist es möglich, dass der weitere Verlauf der COVID-19-Krise Aussagen in diesem Artikel in Frage stellt oder sie sich sogar als nicht richtig erweisen.

Mehr

Lehraktivitäten


Robotic Process Automation

Künstliche Intelligenz in kleinen und mittleren Betrieben

Projekte


Entwicklung eines Maturitätsmodells für Künstliche Intelligenz