Generative Künstliche Intelligenz erobert das Wirtschaftsleben! Außen vor sind bislang juristische Beratung und Entscheidungen. Das liegt vor allem daran, dass bislang noch keine wirklich adäquaten Datenmodelle gefunden wurden. Ziel des Projekts ist es, an der Schnittstelle zwischen Rechtswissenschaften und Informatik geeignete Strukturen zur Abbildung juristischer Daten zu erforschen.

Generative Künstliche Intelligenz steht vor kritischen Herausforderungen: oftmals enttäuschen komplexe KI-Applikationen auf Basis von ChatGPT und Co. noch mit der Qualität ihres Outputs. QuaLlama versucht strukturiert und unter realen Bedingungen, neue Strategien und Frameworks zur Qualitätsverbesserung von GenAI zu entwickeln.

Das COVID-SpiNGS-Projekt entwickelt mit Hilfe des maschinellen Lernens ein System, das den kompletten Prozess der Genomsequenzierung automatisiert. Eine Validierung des Systems erfolgt über eine Analyse von COVID-19 Patientenproben.

Das Ars Electronica Festival ist das international bedeutendste Festival für Digitale Kunst, Wissenschaft und Gesellschaft. Die HTW Berlin war 2022 eine von 29 internationalen Hochschulen, die an der Campus Exhibition teilgenommen haben.

Start IT brings together students from six member countries to work on mobile apps in diverse, international, interdisciplinary teams to acquire soft skills, future skills, entrepreneurial skills, and IT-skills. The main horizontal goal of this project is “Digital Transformation”. The mobile apps that the students develop will focus on the secondary goal topic of “Climate Change”.

Anwendungsorientierte Grundlagenforschung zu Foundation Models.

Wissenschaftliche Publikationen und Studien von Beratungsunternehmen sagen erhebliche Produktivitätsgewinne durch den Einsatz von generativer künstlicher Intelligenz (Gen AI) wie ChatGPT oder Microsoft Copilot voraus (1).  Die KI Werkstatt hat ein Vorgehensmodell zur Einführung generativer KI erstellt und unterstützt KMU bei der Identifikation, betriebswirtschaftlichen Bewertung, Auswahl einer technischen Lösung und Pilotierung industriespezifischer Use Cases.

Die HTW Berlin hat im Jahr 2023 erneut an dem international bedeutendsten Festival für Digitale Kunst, Wissenschaft und Gesellschaft teilgenommen: dem Ars Electronica Festival.

Hindernisse für den Einsatz von Deep-Learning-Modellen in der industriellen Praxis ist oft der große Aufwand von Datenbeschriftungen sowie die fehlende Interpretierbarkeit von Modellen. Im Projekt mit der Firma Hasty.AI sollen diese zwei methodischen Schwerpunkt explorativ untersucht werden, dabei wird ein Benchmarkkonzept erstellt um auch zukünftige Weiterentwicklungen von Algorithmen systematisch zu bewerten.

Pandora ist die generative Echtzeit-Visualisierung der Sequenzierung des menschlichen Genoms mittels eines MinION Analysegerätes.

Das ELV.xD-Projekt zielt darauf ab, ein System zur 3D-basierten Wiedererkennung von Ersatzteilen zu entwickeln. Die Verwendung von Verfahren aus der Künstlichen Intelligenz soll hierbei eine sehr performante Bestimmung solcher Bauteile ermöglichen.


Im Mittelpunkt des vom IFAF Berlin geförderten Projekts TAHAI stehen fachliche Anwendungsszenarien (Sicht der Endanwender), die mit Hilfe von Ansätzen einer "schwachen" Künstlichen Intelligenz (kurz KI) weitergehend untersucht werden sollen. Im Kern wird es sich bei den einzusetzenden KI-Algorithmen um Klassifikationen, Prognosen oder auch Text- bzw. Bild- und Mustererkennungen handeln.

Datenbasierte Verfahren zur Analyse, Vorhersage und Bewertung von Lernprozessen (Learning Analytics) können die in den Daten enthaltenen Vorurteile reproduzieren und zu unfairen Ergebnissen führen. Im Projekt soll untersucht werden, wie die Fairness von Learning Analytics Systemen überprüft und auditiert werden kann.

In SparePartAssist wird ein Assistenzsystem zur computergestützten Identifikation eines Ersatzteiles für die Wartung und Reparatur entwickelt. Die Identifikation erfolgt auf Basis eines 3D-Scans der sichtbaren bzw. erhaltenen Bauteilgeometrie.

In NGSPipes werden in Kooperation mit dem Robert-Koch-Institut Pipelines für die Analyse von Genomsequenzierungsdaten entwickelt. Die automatisierte Analyse basiert dabei auf Ansätzen des maschinellen Lernens.