Prof. Dr. rer. nat.

Manuel Fritz

Kontaktdaten

Raum

W2.2.26

Kolloquiumzeit

Mittwoch, 11:30-13.00 Uhr, Terminvereinbarung über: https://cal.com/manuel-fritz

Telefon

(07231) 28-6693

E-mail

Manuel.fritz(at)hs-pforzheim(dot)de

Prof. Dr. Manuel Fritz ist Professor für Wirtschaftsinformatik an der Business School der Hochschule Pforzheim. Seine Lehr- und Forschungsschwerpunkte liegen an der Schnittstelle von Künstlicher Intelligenz, Data Governance und Business Transformation.

Nach seiner Promotion im Bereich Machine Learning und Meta-Learning arbeitete er bei ZEISS SMT als Product Owner für die zentrale Business Intelligence Plattform, wo er ein interdisziplinäres Team aus Data Engineers und Data Scientists leitete. Dort baute er Brücken zwischen Datenstrategie, technischer Umsetzung und Unternehmenswertschöpfung und initiierte Kooperationen mit Universitäten und Forschungseinrichtungen.

An der Hochschule Pforzheim verfolgt er das Ziel, vertrauenswürdige, auditierbare und nachhaltige KI-Systeme zu entwickeln und Studierende auf die datengetriebene Wirtschaft von morgen vorzubereiten. Seine Forschungsaktivitäten konzentrieren sich auf Data & AI Governance, MLOps, Process Intelligence und Business Transformation mit KI.

Sein Ansatz kombiniert praxisnahe Forschung, technologische Kompetenz und wirtschaftliche Wirkung – von der Datenquelle bis zum produktiven KI-System.

Prof. Dr. Manuel Fritz beschäftigt sich mit der Governance, Bewertung und Operationalisierung von Künstlicher Intelligenz in Unternehmen. Im Mittelpunkt steht die Frage, wie KI-Systeme zuverlässig, nachvollziehbar und rechtskonform gestaltet werden können – von der Datenquelle bis zum produktiven Einsatz. Dazu gehören Konzepte der Data & AI Governance, der Modellüberwachung und der automatisierten Nachvollziehbarkeit von Daten- und Modellentscheidungen.

Ein weiterer Schwerpunkt liegt auf der Integration von KI in betriebliche Entscheidungs- und Transformationsprozesse. Dazu zählen Ansätze aus MLOps, Process Intelligence und Business Transformation mit KI, mit dem Ziel, datengetriebene Wertschöpfung nachhaltig und transparent zu gestalten.

In Zusammenarbeit mit Industriepartnern erforscht Prof. Dr. Fritz praxisnahe Methoden zur Messung von KI-Wirksamkeit, etwa durch Return-on-Investment-Analysen, Modellfairness und Datenqualität. Darüber hinaus untersucht er, wie Unternehmen die Anforderungen des EU AI Act technisch und organisatorisch erfüllen können, um vertrauenswürdige KI-Systeme erfolgreich zu implementieren.

Business Intelligence , Geschäftsprozessmanagement , Daten- und KI-Governance , Vertrauenswürdige und erklärbare KI , MLOps und Modellüberwachung , KI-Compliance und Auditierbarkeit , Geschäftstransformation durch KI , Meta-Learning und adaptive Modelle , Prozessintelligenz und -analyse , Datenqualität und Datenherkunft (Lineage) , Angewandte KI in Industriekooperationen

2023 - Master of Business Administration

Vereinigte Staaten von Amerika

2021 - Dr. rer. nat., Informatik
Universität Stuttgart
Deutschland

2016 - Master of Science, Business Application Architectures
Furtwangen University
Deutschland

2014 - Bachelor of Science, Angewandte Informatik
DHBW Stuttgart
Deutschland

Beitrag in Tagungsband

FRITZ, M., OPPOLD, S. (2025). Data Contracts to Leverage (De-)centralized Data Management in Manufacturing Industries: An Experience Report. Datenbanksysteme für Business, Technologie und Web.

FRITZ, M., HAUG, M., AZAMNOURI, A., WAGNER, S. (2025). MLOps Adoption in the Manufacturing Industry: A Case Study with Zeiss SMT. Service-Oriented Computing.

FRITZ, M., TREDER-TSCHECHLOV, D., SCHWARZ, H., MITSCHANG, B. (2024). Ensemble Clustering Based on Meta-Learning and Hyperparameter Optimization. International Conference on Very Large Data Bases.

FRITZ, M., TREDER-TSCHECHLOV, D., SCHWARZ, H., MITSCHANG, B. (2023). ML2DAC: Meta-Learning to Democratize AutoML for Clustering Analysis. SIGMOD. ACM on Management of Data.

FRITZ, M., BEHRINGER, M., SCHWARZ, H., MITSCHANG, B. (2022). DATA-IMP: An Interactive Approach to Specify Data Imputation Transformations on Large Datasets. Cooperative Information Systems.

FRITZ, M., BEHRINGER, M., TSCHECHLOV, D., SCHWARZ, H. (2022). Efficient exploratory clustering analyses in large-scale exploration processes. VLDB JOURNAL.

FRITZ, M., TSCHECHLOV, D., SCHWARZ, H. (2021). AutoML4Clust: Efficient AutoML for Clustering Analyses. International Conference on Extending Database Technology.

FRITZ, M., TSCHECHLOV, D., SCHWARZ, H. (2021). Efficient Exploratory Clustering Analyses with Qualitative Approximations. International Conference on Extending Database Technology.

FRITZ, M., SHAO, G., SCHWARZ, H. (2021). Automatic Selection of Analytic Platforms with ASAP-DM. International Conference on Scientific and Statistical Database Management.

FRITZ, M., BEHRINGER, M., HIRMER, P., SCHWARZ, H. (2020). Empowering Domain Experts to Preprocess Massive Distributed Datasets. Business Information Systems.

FRITZ, M., TSCHECHLOV, D., SCHWARZ, H. (2020). Learning from Past Observations: Meta-Learning for Efficient Clustering Analyses. Big Data Analytics and Knowledge Discovery.

FRITZ, M., BEHRINGER, M., SCHWARZ, H. (2020). LOG-Means: efficiently estimating the number of clusters in large datasets. International Conference on Very Large Data Bases.

FRITZ, M., BEHRINGER, M., SCHWARZ, H. (2019). Quality-driven early stopping for explorative cluster analysis for big data. Software-Intensive Cyber-Physical Systems.

FRITZ, M., MUAZZEN, O., BEHRINGER, M., SCHWARZ, H. (2019). ASAP-DM: a framework for automatic selection of analytic platforms for data mining. Software-Intensive Cyber-Physical Systems.

FRITZ, M., SCHWARZ, H. (2019). Initializing k-Means Efficiently: Benefits for Exploratory Cluster Analysis. On the Move to Meaningful Internet Systems.

FRITZ, M., ALBRECHT, S., ZIEKOW, H., STRÜKER, J. (2017). Benchmarking Big Data Technologies for Energy Procurement Efficiency. America’s Conference on Information Systems.