In the context of the Internet of Things (IoT), there is the need to manage huge amounts of time series sensor data, if high frequency device monitoring and predictive analytics are targeted for improving the overall process quality in production or supervision of quality management. The key challenge here is to be able to collect, transport, store and retrieve such high frequency data from multiple sensors with minimum resource usage, as this allows to scale such systems with low costs. For evaluating the performance impact of such an IoT scenario, we produce 1000 datasets per second for five sensors. We send them to three different types of popular database management systems (i.e., MariaDB, MongoDB and InfluxDB) and measure the resource impacts of the writing and reading operations over the whole processing pipeline. These measurements are CPU usage, network usage, disk performance and usage, and memory usage results plus a comparison of the difficulty for the developers to engineer such a processing pipeline. In the end, we have a recommendation depending on the needs, which database management system is best suited for processing high frequency sensor data in an IoT context.

Ist Compliance als Einhaltung von Recht und Gesetz für staatliche Hochschulen als Behörden und Körperschaften des öffentlichen Rechts eine Selbstverständlichkeit? Überf lüssig? Oder bedarf es Nachdenkens über Compliance in Bezug auf Handeln und Strukturen der Hochschulen im Sinne eines adäquaten Wissenschaftsmanagements? Im modernen Wissenschaftsbetrieb tritt das verwaltungsmäßige Handeln immer mehr in den Hintergrund zugunsten des Agierens auf dem Markt von Forschungsleistungen und der Weiterbildung. Im Spannungsfeld der institutionellen Selbstverwaltung mit Freiheit von Forschung und Lehre und der unternehmerischen Hochschule mit hochschulübergreifenden Zielen wie Open Access, hohen Drittmittelquoten und Forschungsclustern auf dem Markt der Forschungsdienstleistungen entstehen rechtliche Risiken, denen mit dem althergebrachten Verwaltungshandeln, das das Eingehen von Risiken insgesamt scheut, nicht begegnet werden kann.

Hochschulen machen sich heute auf den Weg von klassischen Verwaltungseinheiten zu modernen Wissenschaftsbetrieben mit unternehmerischen Akzenten, um im internationalen Wettbewerb um Studierende und Forschungsmittel zu bestehen oder sich neuen Forschungsfeldern zu öffnen. Allerdings setzen ihnen die grundrechtlich gesicherte Wissenschaftsfreiheit, die gesetzlichen Vorgaben sowie der gesellschaftspolitische Auftrag beim Eingehen unternehmerischer Risiken enge Grenzen. Wie der Aufbau eines wissenschaftsadäquaten Compliance-Managements gelingt, das die Einhaltung rechtlicher Pflichten, die organisatorische Effizienz und die Kommunikation aller Beteiligten verbessert, erfahren Sie in diesem Buch. Ziele und Herausforderungen von Compliance-Management-Systemen (CMS) an Universitäten, Hochschulen und außeruniversitären Forschungseinrichtungen Prüfungsstandards für ein CMS, u.a. nach IDW PS 980 oder ISO 19600 Hochschulgerechte Compliance-Risikoanalyse: Risikoidentifizierung, Risikobewertung, Steuerung und Kontrolle, mit Checkliste Compliance-Funktionen: organschaftliche und persönliche Verantwortlichkeiten Compliance-Maßnahmen: personell, organisatorisch und regulativ Spezifische Compliance-Bereiche: eCompliance, Datenschutz, Wissens- und Technologietransfer, Personal-Compliance, Korruptionsprävention Ein Muss für alle, die in Universitäten, Hochschulen und außeruniversitären Forschungseinrichtungen mit Fragen zu Recht, Compliance, Datenschutz, Korruptionsprävention, Personal, Technologietransfer, Prozessorganisation und der strategischen Ausrichtung der Hochschule befasst sind.

Künstliche Intelligenz gilt als das große „Buzzword“ unserer Tage. Insbesondere im Marketing wird der Technologie ein enormes Potenzial zugeschrieben. Dabei besteht eigentlich bis heute kein Konsens darüber, was nun genau unter KI zu verstehen ist. Eine einheitliche Definition existiert nicht. Allerdings gibt es beim Verständnis von KI so etwas wie einen „gemeinsamen Nenner“. Der Aspekt, bei dem sich alle einig darüber sind, dass es sich hierbei um etwas „künstlich Intelligentes“ handeln muss, ist der, wenn wir von der Lernfähigkeit eines Systems sprechen.

Die Verunsicherung durch die Digitale Transformation ist im Mittelstand sowohl auf der Arbeitgeber- als auch der Arbeitnehmerseite groß, denn jeder weiß, dass sich unser Wirtschafts- und Gesellschaftssystem aufgrund der unzähligen Fortschritte in den Informations- und Kommunikationstechnologien (IKT) aktuell einem tiefgreifenden Wandel unterzieht.

In der Digitalisierung sind Geschäftsmodelle in der Regel Daten getrieben. Der Erfolg der vielzitierten „Plattformökonomie“ beruht zu einem erheblichen Anteil auf der Sammlung und Auswertung von Informationen. Der Bedarf an Datenvielzahl und Datenvielfalt von Zukunftstechnologien wie Künstlicher Intelligenz, Blockchain und Virtual Reality ist ebenfalls enorm. Aber wie kann diese Masse an Daten und Informationen bereitgestellt und verarbeitet werden? Vielleicht ist ein Umdenken in den Unternehmen notwendig: Tradierte Verhaltensmuster und Strategien gehören auf den Prüfstand.