Daniel Schnurr
Prof. Dr. Daniel Schnurr ist seit 2022 Inhaber des Lehrstuhls für Maschinelles Lernen, insbesondere Uncertainty Quantification an der Universität Regensburg. Zuvor leitete er die Forschungsgruppe Data Policies an der Universität Passau. In seiner Forschung befasst sich Daniel Schnurr mit den technischen, ökonomischen und gesellschaftlichen Implikationen neuer maschineller Lernverfahren und Daten als entscheidender Wettbewerbsfaktor und Innovationstreiber in digitalen Märkten. Seine Forschungsarbeiten sind in renommierten Fachzeitschriften wie beispielsweise Management Science, Journal of Information Technology und Journal of Industrial Economics erschienen.
Daniel Schnurr promovierte 2016 im Bereich Wirtschaftsinformatik am Karlsruher Institut für Technologie, wo er zuvor drei Jahre als wissenschaftlicher Mitarbeiter am Institut für Informationswirtschaft und Marketing (IISM) tätig war. Von 2007 bis 2013 studierte er Informationswirtschaft (B.Sc. & M.Sc.) am Karlsruher Institut für Technologie mit Auslandsaufenthalten an der John Molson School of Business, Concordia University (Kanada) und der Singapore Management University (Singapur).
Daniel Schnurr promovierte 2016 im Bereich Wirtschaftsinformatik am Karlsruher Institut für Technologie, wo er zuvor drei Jahre als wissenschaftlicher Mitarbeiter am Institut für Informationswirtschaft und Marketing (IISM) tätig war. Von 2007 bis 2013 studierte er Informationswirtschaft (B.Sc. & M.Sc.) am Karlsruher Institut für Technologie mit Auslandsaufenthalten an der John Molson School of Business, Concordia University (Kanada) und der Singapore Management University (Singapur).
Mensch vs. Maschine: Wettbewerb mit künstlicher Intelligenz in digitalen Märkten
Das Projekt erforscht die Wettbewerbsdynamik zwischen menschlicher und künstlicher Intelligenz und untersucht, welche ökonomischen Auswirkungen der vermehrte Einsatz von maschinellem Lernen in digitalen Märkten mit sich bringt. Mit Hilfe einer Serie von Laborexperimenten wird analysiert, welchen Einfluss Algorithmen auf das Marktergebnis haben, wenn Preise automatisiert von maschinellen Lernverfahren bestimmt werden. Durch die kontrollierte Variation (1) der handelnden Akteure, (2) der eingesetzten Lernverfahren und (3) des Grades der Entscheidungsunterstützung für menschliche Entscheider werden Einflussfaktoren und Implikationen der Mensch-Maschine-Interaktion im strategischen Wettbewerb systematisch untersucht.