Themen für Abschlussarbeiten
Am Ende Ihres Bachelor- Diplom- oder Masterstudiums fertigen Sie eine Abschlussarbeit an, um den jeweiligen akademischen Grad zu erlangen. Der erste Schritt Ihrer Abschlussarbeit ist die Themenfindung. Hierbei ist es wichtig, dass Sie ein Thema finden, dass für Sie sehr interessant ist und an Ihre praktische Tätigkeiten anknüpft. Ziel einer wissenschaftlich orientierten Arbeit ist ein Erkenntnisgewinn (aufklären statt erklären).
Die Themenfindung ist Teil des Studiums, so dass kein zentraler Themenkatalog bereitgestellt wird. Im Folgenden finden Sie jedoch eine Auswahl aktueller Themen, die Sie aufgreifen können. Es besteht die Möglichkeit, dass die dargestellten Inhalte der Themen abgeändert werden können. Wenn Sie Ihre Abschlussarbeit zu einem der Themen verfassen möchten oder einen eigenen Themenvorschlag haben, dann kontaktieren Sie mich und wir werden in einem individuellen Gespräch ein passendes Konzept erarbeiten. Das Konzept und der Titel der Arbeit wird in einer Disposition (Exposé) dokumentiert, womit Sie die Arbeit anmelden. Anregungen finden Sie auch im Archiv vergangener Abschlussarbeiten.
Eine Auswahl von nützlichen Dokumenten können Sie über der Link in der linken Spalte finden.
Die Arbeit untersucht, inwieweit semantische Suchverfahren die Suche nach relevanten Informationen gegenüber klassischen textbasierten Suchmethoden verbessern können. Anhand eines geeigneten Anwendungsszenarios sollen unterschiedliche Suchstrategien implementiert und hinsichtlich Ergebnisqualität, Antwortzeit und Ressourcenverbrauch verglichen werden. Dabei soll auch die Einbindung semantischer Suchfunktionen in BI-Werkzeuge untersucht werden.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit AI Vector Search, VECTOR und Vektorindizes (HNSW, IVF), PostgreSQL mit pgvector sowie Oracle Analytics Cloud, Qlik Cloud Analytics, IBM Cognos Cloud und/oder Power BI.
Die Arbeit untersucht, wie zuverlässig KI-gestützte Systeme natürlichsprachliche Fragestellungen in Datenbankabfragen und Analysen umsetzen können. Anhand unterschiedlich komplexer Abfrageaufgaben sollen verschiedene Ansätze hinsichtlich Ergebnisqualität, Fehleranfälligkeit und Bearbeitungsaufwand verglichen werden. Dabei kann insbesondere untersucht werden, welchen Einfluss die Datenbankstruktur auf die Qualität der erzeugten Abfragen hat.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit Select AI (Natural Language to SQL) und Oracle Analytics Cloud, Qlik Cloud Analytics mit Insight Advisor, IBM Cognos Cloud mit AI Assistant, Power BI mit Copilot.
Die Arbeit untersucht, welche Auswirkungen unterschiedliche Datenmodellierungsansätze auf die Bereitstellung und Analyse von Daten haben. Anhand eines geeigneten Datenbestands sollen relationale, dokumentenorientierte und hybride Modelle hinsichtlich Abfrageperformance, Speicherbedarf, Flexibilität und Integrationsaufwand verglichen werden. Die Untersuchung soll auch die Nutzung der Datenmodelle in BI-Anwendungen berücksichtigen.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit JSON Relational Duality Views und SQL/JSON, PostgreSQL mit JSONB sowie Oracle Analytics Cloud, Qlik Cloud Analytics, IBM Cognos Cloud und/oder Power BI.
Die Arbeit untersucht, welche Möglichkeiten graphbasierte Abfragen zur Analyse komplexer Beziehungen innerhalb großer Datenbestände bieten. Anhand eines geeigneten Anwendungsszenarios sollen graphbasierte und klassische relationale Abfrageverfahren hinsichtlich Ausdrucksmöglichkeiten, Abfrageperformance und Skalierbarkeit verglichen werden. Ergänzend soll untersucht werden, wie sich die Ergebnisse in BI-Werkzeugen aufbereiten und visualisieren lassen.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit SQL Property Graphs und SQL/PGQ (GRAPH_TABLE), klassische SQL-Abfragen sowie Oracle Analytics Cloud, Qlik Cloud Analytics, IBM Cognos Cloud und/oder Power BI.
Die Arbeit untersucht die Möglichkeiten und Grenzen KI-gestützter Analysefunktionen moderner BI-Werkzeuge. Anhand eines gemeinsamen Datenbestands und standardisierter Analyseaufgaben sollen Qlik Cloud Analytics und Power BI hinsichtlich Funktionsumfang, Ergebnisqualität, Benutzerfreundlichkeit und Bearbeitungsaufwand verglichen werden. Im Mittelpunkt stehen insbesondere natürlichsprachliche Abfragen, die automatisierte Erstellung von Analysen und die Unterstützung bei komplexeren Fragestellungen.
Technologien und Implementierungsansätze: Qlik Cloud Analytics mit Insight Advisor und Microsoft Power BI mit Copilot. Als gemeinsame Datenbasis können Oracle AI Database 26ai oder PostgreSQL eingesetzt werden.
Die Arbeit untersucht Suchverfahren, die klassische schlüsselwortbasierte und semantische Suchansätze kombinieren. Anhand eines geeigneten Anwendungsszenarios sollen unterschiedliche Kombinations- und Rankingstrategien hinsichtlich Suchqualität, Antwortzeit und Skalierbarkeit verglichen werden. Dabei soll auch untersucht werden, welchen Mehrwert hybride Suchverfahren für die Informationssuche innerhalb analytischer Anwendungen bieten.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit Hybrid Vector Search, Hybrid Vector Indexes, AI Vector Search und Oracle Text sowie PostgreSQL mit pgvector und Full Text Search. Oracle Analytics Cloud, Qlik Cloud Analytics, IBM Cognos Analytics und/oder Power BI.
Die Arbeit untersucht, inwieweit KI-basierte Agenten komplexe Datenanalyseaufgaben automatisiert bearbeiten können. Anhand unterschiedlich anspruchsvoller Analyseaufgaben sollen agentenbasierte Ansätze mit klassischen KI-gestützten Abfrageverfahren hinsichtlich Ergebnisqualität, Fehleranfälligkeit, Nachvollziehbarkeit und Bearbeitungseffizienz verglichen werden. Dabei sollen auch die Möglichkeiten zur Integration in BI-Anwendungen berücksichtigt werden.
Technologien und Implementierungsansätze: Oracle AI Database 26ai mit Select AI und gegebenenfalls Select AI Agent, LLM-basierte Analyseagenten sowie Oracle Analytics Cloud, Qlik Cloud Analytics, IBM Cognos Cloud und/oder Power BI.