Pyxis/Technische Universität München/Management and Technology/Advanced Seminar Operations & Supply Chain Management: Operations Research and AI

Gib Feedback

★★★★★

DEEN

Filter

KategorieSpracheTurnusPrüfungsform

Zurücksetzen

Stundenplan

Aufbau des Studiengangs

Management-Schwerpunkt–

Management-Schwerpunkt: Economics & Econometrics–Management-Schwerpunkt: Energy Markets–Management-Schwerpunkt: Finance & Accounting–Management-Schwerpunkt: Innovation & Entrepreneurship–Management-Schwerpunkt: Life Sciences Management & Policy–Management-Schwerpunkt: Management & Marketing–Management-Schwerpunkt: Operations & Supply Chain Management–

Technik-Schwerpunkt–

Wirtschaftswissenschaftlich-technische Wahlmodule–

Wahlkatalog: Informatik–Projektstudium–Sonstige wirtschaftswissenschaftlich-technische Wahlmodule–

Double Degree Program HEC Paris–Master's Thesis–

Gesamt–

bestanden im Stundenplanoffen

Leistungsnachweis hochladen ?

Notenoptimierung

zurück zur Suche

Advanced Seminar Operations & Supply Chain Management: Operations Research and AI

MGT001536Management-Schwerpunkt6 ECTSEnglischWintersemesterProfessur für Operations Reserach and Artificial Intelligence (Prof. Ayerbe)

KI-überarbeitetes Infoblatt. Auf Basis der TUMonline-Modulbeschreibung, sprachlich aufbereitet.Original in TUMonline

Worum geht's

Du beschäftigst dich mit Erklärbarkeit (explainability) für Optimierungs- und Entscheidungsmodelle in Operationen und Supply Chain Management. Am Ende kannst du verschiedene Erklärmethoden für Optimierung formal beschreiben, ihre Annahmen und Rechenaspekte bewerten und Ergebnisse verständlich präsentieren.

Was du danach kannst

Erklären, warum Explainability für datengetriebene Entscheidungsunterstützung nötig ist
Unterscheiden von Erklärungen für Vorhersagen und für Optimierungsentscheidungen
Beschreiben mathematischer Formulierungen für counterfactual explanations (weak/strong/relative)
Analysieren eines aktuellen Forschungsartikels zu Annahmen, Modellwahl und Lösungsmethoden
Vergleichen von Erklärmethoden bzgl. Anwendungsbereich, Rechenaufwand und Garantien
Bewerten von Einschränkungen einer Erklärmethode für konkrete Entscheidungsprobleme
Verfassen einer wissenschaftlichen Seminararbeit mit korrekter Zitierweise und Reproduzierbarkeit
Präsentieren und Verteidigen komplexer technischer Ergebnisse vor informierten Nicht‑Fachleuten

Aus was das Modul besteht

Seminarzentrale Veranstaltungsform: Betreuung, Paper‑Arbeit und Präsentationen
Methodenblocksessionszwei Blocktermine zu wissenschaftlichem Arbeiten und zu mathematisch‑computationalem Hintergrund
Kick-off MeetingEinführung, Vergabe der Papers, Erwartungen und Fristen
Individuelle Supervisionpflichtige Betreuungsgespräche an festen Meilensteinen
AbschlusspräsentationenBlockformat: Präsentation und Diskussion vor Peers

Lehrmethode

Guided self-studyeigenständiges Arbeiten an zugewiesenen Forschungsartikeln
PlenarsitzungenEinführung, Diskussion und Präsentationen in der Gruppe
Individuelle Supervisionfrühes und fortlaufendes Feedback zu Thema, Struktur und Entwurf
Block‑WorkshopsVertiefung methodischer Grundlagen (Literaturrecherche, Reproduzierbarkeit, Optimierungsformulierung)

Solltest du schon können

Grundkenntnisse in linearer und ganzzahliger Optimierungempfohlen
Grundkenntnisse in Statistik und überwachtem maschinellen Lernenempfohlen
Grundkenntnisse in Operations Research / Management Science (Einführungskurs)empfohlen
Programmierkenntnisse in Pythonempfohlen

Prüfung

SeminararbeitPräsentation

Die Modulprüfung besteht aus einer schriftlichen Seminararbeit (15 Seiten, 70%) und einer mündlichen Präsentation (25 min + 10 min Diskussion, 30%). Beide Teile sind individuell zu erbringen und müssen bestanden werden. Alle verwendeten Quellen und der Einsatz generativer KI sind offenzulegen. Teilnahme an Kick-off, den beiden methodischen Sessions und den Abschlusspräsentationen ist verpflichtend.

Literatur

Aigner, K.-M., Goerigk, M., Hartisch, M., Liers, F., Miehlich, A. - A framework for data-driven explainability in mathematical optimization
Aydın, N., Birbil, Ş. İ., Küçükparlak, İ., Yalçıntaş, A. - Explainable optimization: a call for interdisciplinary action
Bogetoft, P., Ramírez-Ayerbe, J., Romero Morales, D. - Counterfactual analysis and target setting in benchmarking
Chen, H., Constante-Flores, G. E., Mantri, K. S. I., Kompalli, S. M., Ahluwalia, A. S., Li, C. - OptiChat: bridging optimization models and practitioners with large language models
Cyras, K., Karamlou, A., Lee, M., Letsios, D., Misener, R., Toni, F. - AI-assisted schedule explainer for nurse rostering
Engelhardt, F., Kurtz, J., Birbil, Ş. İ., Ralphs, T. - Counterfactual explanations for integer optimization problems
Forel, A., Parmentier, A., Vidal, T. - Explainable data-driven optimization: from context to decision and back again (ICML 2023)
Goerigk, M., Hartisch, M. - A framework for inherently interpretable optimization models
Goerigk, M., Hartisch, M., Merten, S., Sharma, K. - Feature-based interpretable surrogates for optimization
Korikov, A., Beck, J. C. - Counterfactual explanations via inverse constraint programming (CP 2021)
Kurtz, J., Birbil, Ş. İ., den Hertog, D. - Counterfactual explanations for linear optimization
Lawless, C., Schoeffer, J., Udell, M. - It was a magical box: understanding practitioner workflows and needs in optimization
Lefebvre, H., Schmidt, M. - Computing weak counterfactual explanations for linear optimization: bilevel models and a tailored penalty ADMM
Misitano, G., Miettinen, K. - The emerging role of explainability in interactive multiobjective optimization
Otto, D., Kurtz, J., Birbil, Ş. İ. - Coherent local explanations for mathematical optimization
Rathi, T., Gupta, R., Pinto, J. M., Zhang, Q. - Enhancing explainability of stochastic programming solutions via scenario and recourse reduction
Wachter, S., Mittelstadt, B., Russell, C. - (2018) Goodman background reading (Harvard JL & Technology)
Rudin, C. - (2019) Nature Machine Intelligence (background reading)
Carrizosa, E., Ramírez-Ayerbe, J., Romero Morales, D. - (2024) European Journal of Operational Research (background reading)

Termine

SeminarAdvanced Seminar Operations & Supply Chain Management: Operations Research and AI (MGT001536, englisch) (Limited places)3 Gruppen zur Wahl

ADi.09:00–14:002566, Seminarraum (0505.02.566)einmalig am 26.01.
BDo.09:00–12:152566, Seminarraum (0505.02.566)einmalig am 10.12.
CMo.09:00–12:152566, Seminarraum (0505.02.566)einmalig am 09.11.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Modulbewertungen

Noch keine Bewertungen für dieses Modul.

Modul bewerten

Fülle nur die Kategorien aus, die du beurteilen kannst – je Kategorie entweder Sterne und Text zusammen oder gar nichts.

Semester

Vorlesung

★★★★★

Übung

★★★★★

Prüfung

★★★★★

Bewertungen werden vor der Veröffentlichung automatisch geprüft.

Offizielle Seite in TUMonline · Angaben unverbindlich.