JENA.AI#13

Wir sprechen mit unseren Smartphones über Sprachassistenten, lassen unsere Gesundheitsdaten per Smartwatch auswerten, vertrauen auf Suchergebnisse und vorgeschlagene Artikel im Internet, Routineaufgaben werden zunehmend von Robotern verrichtet.
Egal ob in der Politik, der Wirtschaft, der Wissenschaft oder im alltäglichen Leben, ‚Künstliche Intelligenz‘ gilt als Zukunftstechnologie und ist heute schon nicht mehr aus unserem Alltag wegzudenken, obwohl die Entwicklung noch immer am Anfang steht.

Die Fortschritte in der KI-Forschung sind erheblich, denn Global Player wie Google, Microsoft, Facebook oder Amazon treiben die Technologie maßgeblich voran. Kleinere und mittlere Unternehmen (KMUs) drohen den Anschluss zu verlieren, obwohl der Einsatz von Künstlicher Intelligenz einen großen Mehrwert bieten kann.

Das Thüringer Zentrum für Lernende Systeme und Robotik (TZLR) und Jena Digital laden Entwickler, Wissenschaftler und KI-Interessierte dazu ein, bei Jena.AI - dem Entwicklerstammtisch für Künstliche Intelligenz zum regelmäßigen Erfahrungsaustausch, Fragen rund um das Thema gemeinsam zu beantworten und neuste Technologien aus dem Bereich Künstliche Intelligenz zu diskutieren.

In diesem Vortrag wird das Problem behandelt, dass das Training eines eigenen Large Language Models (LLM) nicht nur teuer und aufwändig ist, sondern die Daten auch schnell veralten. Als Lösung wird die Methode Retrieval Augmented Generation (RAG) vorgestellt. RAG ermöglicht die kostengünstige Nutzung eines LLMs mit aktuellen, eigenen Daten und bietet dabei auch Quellenangaben. Es wird erläutert, wie RAG funktioniert und welche Vorteile es bietet. Zudem werden Methoden zur Verbesserung des Retrieval-Schritts sowie Datenschutzaspekte thematisiert.
Referent: Johannes Häuser; Software Engineer bei der bitside GmbH

Bei diesem Impuls werden zwei Projekte der Arbeitsgruppe "Intelligente Systeme" vom Institut für Angewandte Bauforschung Weimar (IAB) vorgestellt und von Jan Rybizki, PhD in Astronomie und leitet die Data Science Gruppe ‚intelligente Systeme‘ am IAB moderiert.

Die optimale Sieblinie (Korngrößenverteilung) ist ein wichtiger Stoffparameter in der Betonproduktion, um den Zementanteil bei gleichbleibender Festigkeit zu verringern. Derzeit wird im Werk nur stichprobenartig im Labor gesiebt, was mit zeitlichem Verzug verbunden ist. Um ein echtzeitfähiges Verfahren zu etablieren, das niederschwellig zum Einsatz kommen kann, entwickeln wir eine Smartphone-App basierend auf einem Instanzsegmentierungsalgorithmus zusammen mit der Logikwerk GmbH. Damit kann die Sieblinie direkt aus Fotos berechnet werden. Das Projekt ist ein ZIM-Projekt, das durch Mittel des BMWK gefördert wird.

Referent: Sharik Siddiqi, Master of Science in Mechatronik von der Uni Siegen

Das Anlernen von semantischen Segmentierungsalgorithmen ist langwierig, vor allem durch das Annotieren von Trainingsdaten. Um das Labeln (größtenteils) zu umgehen, kann man auf synthetische Daten zurückgreifen. Wenn man dabei 3D-Rekonstruktionen von echten Pflanzen benutzt, kann das Ergebnis sehr realitätsnah sein und das damit trainierte Segmentierungsmodell die Generalisierung in die Anwendungsdomäne schaffen. In Zusammenarbeit mit E-TERRY wird im Projekt PhenoAI daran geforscht, den Innovationszyklus von Phenotyping-Algorithmen drastisch zu verkürzen. Über den Teil der 3D-Rekonstruktion, der durch NERFs und Gaussian Splatting in jüngster Zeit starken Aufwind erfahren hat, wird Padma Veerla berichten. Sie schreibt dazu ihre Masterarbeit an der Bauhaus-Universität Weimar. PhenoAI wird aus dem Europäischen Landwirtschaftsfonds für die Entwicklung des ländlichen Raums (ELER) sowie aus Mitteln des Freistaats Thüringen im Rahmen des EU-CAP-Netzwerks gefördert.

Referentin: Padma Veerla, Bachelor of Engineering und macht ihren Master in Digital Engineering an der Bauhaus Uni Weimar

Event Venue & Nearby Stays

Engelpl. 8, Engelplatz 8, Jena, Germany