Research database

Das Thema K¨¹nstliche Intelligenz spielt in Lehre, Forschung und Wissenstransfer an Õý¹æ¶ÄÀºÇòÈí¼þn angewandter Wissenschaften eine zunehmend gr??ere Rolle. Unternehmen fordern verst?rkt im Bereich KI ausgebildete Absolventinnen und Absolventen mit fundierten praktischen F?higkeiten in der Konzeption, Auswahl und Anwendung ad?quater KI-Technologien. Typische Kompetenzen umfassen daher alle Schritte vom Onboarding von Daten, der Datenvorverarbeitung (einschl. Data Augmentation, Schaffung von digitalen Datenzwillingen, Erzeugung synthetischer Trainingsdaten) ¨¹ber die Anwendung und Erprobung von KI-Methoden (CPU/GPU/TPU-Jobs) bis hin zum Deployment (Serving, Inference). Diese ganzheitliche Betrachtung praxistauglicher Datenanalyseprozesse wird in der Hochschulausbildung jedoch oftmals vernachl?ssigt, obwohl sie f¨¹r optimalen, praxisorientierten Kompetenzerwerb unerl?sslich ist.

Gleichzeitig fehlt es Unternehmen (insb. KMUs) an den Ressourcen (technisch und personell), das Thema KI ad?quat zu besetzen und in ihren F&E-Abteilungen komplexe Fragestellungen eigenst?ndig zu bearbeiten, um die  Wettbewerbsf?higkeit zu erhalten oder zu verbessern. Sie w¨¹nschen sich Unterst¨¹tzung der Õý¹æ¶ÄÀºÇòÈí¼þ in Forschungsprojekten, Auftragsforschung und Wissenstransfer. Hier setzt das beantragte Vorhaben an: Es wird eine flexible, zukunftsorientierte KI-Infrastruktur erprobt und exemplarisch eingef¨¹hrt, die den Anforderungen einer Vielzahl unterschiedlicher, mittels KI zu l?sender Aufgabenstellungen gerecht wird. W?hrend Referenzsysteme die Nutzung von GPU-Systemen fokussieren, wird im Projekt ein universeller Ansatz mit einem ausgewogenen Verh?ltnis zwischen GPU- und CPUSystemen realisiert und evaluiert.

Es soll erforscht werden, wie inkrementell einer zunehmenden, gro?en Anzahl verschiedener, ?konkurrierender¡° Nutzer (Studierende, Lehrende, Forschende) mit unterschiedlichen technischen Anforderungen ein fairer und niederschwelliger Zugang zur KI-Infrastruktur erm?glicht werden kann.