KI-Forum 2026

Impulsvorträge u.a. zu Querschnittsthemen wie:

• KI-Nutzung von Studierenden
• KI in Seminar- und Abschlussarbeiten
• Prüfungsformen in Zeiten von KI
• …

In den anschließenden Gesprächsrunden diskutieren Publikum und Vortragende gemeinsam weiter, teilen Erfahrungen und entwickeln Ideen.

In diesem Tutorial lernen Sie einfache Möglichkeiten kennen, um selber Sprachmodelle für spezifische Aufgaben nachzutrainieren. Als erstes schauen wir uns die Dokumentklassifikation an und vergleichen hier Bag-of-word-Ansätze mit Klassifikatoren, die Text-embeddings mit oder ohne Fine-tuning nutzen. Hierbei lernen Sie die typische Arbeitsweise mit der LLM-Bibliothek Hugging Face kennen. Die zweite Anwendung, die wir anschauen, ist die Token-Klassifikation, die beispielsweise wichtig ist für das Erkennen von Named Entities und für die Anonymisierung von Texten. In beiden Fällen nutzen wir sogenannte Encoder-Modelle. Schließlich stellen wir Möglichkeiten vor, auch Decoder-Modelle, also Modelle, die Text generieren, nachzutrainieren. Wir schließen den Workshop ab mit einem kurzen Ausblick auf weiterführende Themen, wie Parameter Efficient Finetuning (PEFT).

Workshop-Leitung: Prof. Dr. Christian Wartena

Voraussetzungen: Python-Kenntnisse erforderlich, Erfahrung mit PyTorch und neuronalen Netzen ist nicht notwendig. Für die Teilnahme bringen Sie ein eigenes Notebook mit eine funktionierende Python-Umgebung und Jupyter mit.

Von der Idee zum fertigen Dokument: Dieser Workshop zeigt, wie Sie KI-Agenten systematisch für Brainstorming, Recherche und Ausarbeitung einsetzen und dabei reproduzierbare, hochwertige Ergebnisse erzielen. In praxisnahen Übungen werden moderne Tools, Agenten-Workflows und Optionen für den sicheren Umgang mit vertraulichen Dokumenten besprochen.

Workshop-Leitung: Prof. Dr.-Ing. Hanno Homann

Für den Hands-on-Teil sollten die Teilnehmenden mitbringen:

• Eigenen Laptop
• Ein Thema oder ein Dokument, an dem sie arbeiten möchten (z. B. Fachartikel, Projektantrag, Dokumentation etc.)
• Optional: Zugang zu einem bevorzugten KI-Tool oder API-Account

In diesem Workshop erhalten die Teilnehmenden eine praxisnahe Einführung in die unüberwachte Anomalieerkennung in Zeitreihen. Im Mittelpunkt steht die Frage, wie Anomalien in Zeitreihendaten erkannt werden können, auch wenn keine gelabelten Trainingsdaten vorliegen.

Nach einer kurzen fachlichen Einführung arbeiten die Teilnehmenden direkt an einem praktischen Beispiel. Dazu werden sie mit einem Benchmark-Datensatz für die Anomalieerkennung in Zeitreihen vertraut gemacht. Die Pipeline ist bereits so vorbereitet, dass sich der Workshop auf die Modellentwicklung konzentrieren kann. Gemeinsam wird zunächst eine Baseline entwickelt, die anschließend mit komplexeren Modellen aus dem Bereich Deep Learning verglichen wird.

Der Workshop wird von Alexander Terbeznik durchgeführt und ist interaktiv aufgebaut. Die Teilnehmenden können auf ihren eigenen Rechnern mitarbeiten und die Beispiele selbst nachvollziehen. Außerdem werden reale Beispiele aus Produktionsdaten der Schwerindustrie in Deutschland vorgestellt. Ziel ist es, ein grundlegendes Verständnis für typische Herausforderungen, sinnvolle Vorgehensweisen und praktische Einsatzmöglichkeiten der unüberwachten Anomalieerkennung in Zeitreihen zu vermitteln.

Workshop-Leitung: Alexander Terbeznik

Zielgruppe: Personen mit Interesse an Data Science, Machine Learning, Zeitreihenanalyse oder Monitoring-Anwendungen

Voraussetzungen: Grundkenntnisse in Python sind hilfreich, aber nicht zwingend erforderlich. Zum Mitmachen wird ein eigenes Notebook benötigt.