Künstliche Intelligenz und Blockchain sind derzeit womöglich die am intensivsten diskutierten Themen im Bereich der digitalen Transformation. Beiden wird immer wieder erhebliches Potenzial zugeschrieben, die Spielregeln auf den Märkten aufzubrechen und zu disruptieren. Unweigerlich stellt sich dann die Frage, jenseits allen Buzz-Word-Bingos, ob sich hierbei dann nicht Szenarien ergeben, die einen kombinierten Einsatz nahelegen. Diese finden sich vor allem im Bereich des (Industrial) Internet of Things sowie der dezentralen Koordinierung autonomer intelligenter Systeme.

Durch ein verändertes Kundenverhalten wird die so genannte „Darkside of the Customer Journey“ immer umfangreicher und das Unternehmen verliert die Hoheit über den Vertriebsprozess. Diese Entwicklung kann nur durch den gezielten Einsatz digitaler Tools sowie einem exzellenten Market-Intelligence- System rückgängig gemacht werden.

Fluch oder Segen? Welche Entwicklungen sich mit der Digitalisierung durchsetzen werden, ist schwer vorhersehbar. Aber die digitalen Transformationsprozesse werden vor der Sozialwirtschaft nicht haltmachen. Daher sollte sie die Chancen nutzen und Veränderungen aktiv gestalten.

Blockchain-Technologie kann nicht auf den Märkten für die dezentrale Transaktionsabwicklung genutzt werden. Auch der Rückgriff als Gestaltungselement im politischen System wird diskutiert. Damit verbunden ist aber auch eine Ideologisierung politischer Prozesse.

Diskussionen über Blockchain kreisen oft um deren „disruptives Potenzial“ im Bereich der Transaktionsabwicklung etwa bei Kryptowährungen wie Bitcoin oder bei Smart Contracts. Jenseits dieser ökonomischen Belange könnte die Technologie jedoch auch die politischen und gesellschaftlichen Gegebenheiten auf den Kopf stellen – im Wege einer „Politischen Disruption“.

We use an application scenario that collects, transports and stores sensor data in a database. The data is gathered with a high frequency of 1000 datasets per second. In the context of this scenario, we analyze the performance of multiple popular database systems. The benchmark results include the load on the system writing the data and the system running the database.

In our previous work, we proposed a system which makes complex production machines more user-friendly by giving the recommendations to the operator. So, we assist the user working with a complex production machine. The recommen- dations are presented like: ”In the last 10 occurrences of this event the operators performed the following keystrokes”. While working on the project, we had problems with retrieving the correct recommendations from our knowledge base. Meanwhile, we gathered more data from our project partners. Now, we dive deeper into this data in order to improve our solutions. This work describes methods to preprocess the data. This preprocessing should help us building up the knowledge base. To achieve this automatically, we do not want to know much about the machine and the production process itself.

Critical Infrastructures (CIs) use Supervisory Control And Data Acquisition (SCADA) systems for remote control and monitoring. Sophisticated security measures are needed to address malicious intrusions, which are steadily increasing in number and variety due to the massive spread of connectivity and standardisation of open SCADA protocols. Traditional Intrusion Detection Systems (IDSs) cannot detect attacks that are not already present in their databases. Therefore, in this paper, we assess Machine Learning (ML) for intrusion detection in SCADA systems using a real data set collected from a gas pipeline system and provided by the Mississippi State University (MSU). The contribution of this paper is two-fold: 1) The evaluation of four techniques for missing data estimation and two techniques for data normalization, 2) The performances of Support Vector Machine (SVM), and Random Forest (RF) are assessed in terms of accuracy, precision, recall and F 1 score for intrusion detection. Two cases are differentiated: binary and categorical classifications. Our experiments reveal that RF detect intrusions effectively, with an F 1 score of respectively > 99%.