AP1: Projektmanagement.

Ziel des AP1 ist die Koordination aller Projektbeteiligten sowie die interne und externe Abstimmung organisatorischer Punkte. Die Projektleitung sichert durch regelmäßige Kommunikation mit allen Projektbeteiligten den internen Informationsfluss und behält den Projektfortschritt im Blick. Durch die Personalunion als Dekan des Fachbereichs Elektrotechnik und Information initiiert und begleitet sie die Ausschreibung und Besetzung der beantragten Professur umgehend nach geplantem Starttermin des Vorhabens, so dass eine Berufung im Wintersemester 2022/23 ermöglicht wird. Gemeinsam mit Dezernat II (Personal und Recht) und Dezernat III (Finanzressourcen) werden die beantragten
Personalressourcen und Sachmittel über den kompletten Projektverlauf verwaltet. Mit Dezernat IV (Studierende) und Mediendidaktik werden auf Basis der digitalen Lehreinheiten aus Meilenstein C die Möglichkeiten der Ausstellung von Zertifikaten (Micro-Credentials) zur Steigerung der Attraktivität und Reichweite der entwickelten Angebote entwickelt. Die Projektleitung ist zudem verantwortlich für die finale administrative Projektdokumentation.

Ansprechperson:

AP2: Interaktive, kollaborative Lernplattform für die Künstliche Intelligenz.

AP-Meilensteine:

• Spezifikation der KI-Lernmodule / Proof-of-Concept der Lernplattform (Monat 12)
• erste grundlegende KI-Lernmodule (Monat 24)
• fachspezifische KI-Lernmodule (Monat 32)
   

Ziel des AP2 ist die Entwicklung einer KI-Lernplattform auf Basis von existierenden Plattformen wie JupyterHub, Apache Zeppelin oder CoCalc. Zunächst werden Anforderungen an die Plattform erhoben, Bewertungskriterien festgelegt und die existierenden Plattformen daran evaluiert. Dann erfolgt die Bereitstellung eines Proof-of-Concept mit grundlegenden Funktionen, der im weiteren Projektverlauf dann kontinuierlich weiterentwickelt wird. Ein wichtiger Meilenstein ist die Anbindung an das Lernmanagementsystem der Hochschule (Moodle). Ebenso werden fachspezifische Funktionen in die Plattform integriert, die für die transdisziplinären KI-Module notwendig sind.

UAP 2.1: Anforderungsanalyse und Proof-of-Concept (16,75 PM, Monate 1-12)
In mehreren Workshops werden mit Lehrenden, Studierenden und KI-Experten die Anforderungen für eine Lehr-/Lernplattform erhoben und Szenarien für deren Einsatz erarbeitet. Dabei sollen insbesondere auf fachspezifische Besonderheiten eruiert werden, die bei der allgemeinen Konzeption zu beachten sind. Ergebnis ist ein Anforderungsdokument mit detaillierter Beschreibung der Einsatzszenarien, das fortlaufend während des Projekts aktualisiert wird. Anschließend wird eine erste Version der Lernplattform wird konzipiert und in einem Proof-of-Concept umgesetzt, der zunächst einige der zuvor identifizierten Fallszenarien unterstützt. Dabei wird keine vollständige Neuentwicklung angestrebt, sondern die Evaluation, Auswahl und Einsatz von Open-Source-Systemen (z.B. JupyterHub, Apache Zeppelin, CoCalc) auf Basis der Anforderungen.

UAP 2.2: Anbindung der KI-Lernplattform an Moodle (6 PM, Monate 13-24)
Die Integration der Lernplattform mit dem LMS der Hochschule (Moodle) soll es ermöglichen, dass Lernende einen nahtlosen Übergang zwischen den verschiedenen Lernsystemen haben und das Lernen nicht durch Medienbrüche oder Systemwechsel behindert wird. Die Systeme sollen nicht nur über einfache Web-Links verbunden, es sollen integrierte Lernprozesse zwischen den Teilsystemen etabliert werden. Dazu werden in diesem AP zunächst die Integrationsszenarien aus UAP 2.1 detailliert ausgearbeitet und Abläuft festgelegt. Danach kann die Schnittstelle zwischen KI-Lernplattform und Moodle definiert und schließlich implementiert werden.

UAP 2.3: Entw. von fachspezifischen Funktionen in der Lernplattform (4 PM, Monate 17-32)
In den verschiedenen Disziplinen werden Daten oft in fachspezifischen Formaten bereitgestellt (z.B. Sensordaten im Maschinenbau, textbasierte Protokolle im Gesundheitswesen, Videosequenzen in der Sozialen Arbeit), die auch spezielle KI-Methoden zur Aufbereitung und Auswertung erfordern. In diesem Arbeitsschritt sollen die entsprechenden Funktionen entwickelt werden, um diese spezifischen Datenformate und Auswertungsfunktionen in der Lernplattform bereitzustellen. Dazu werden in diesem Arbeitspaket die Szenarien aus UAP 2.1. analysiert und auf fachspezifische Funktionen untersucht. Nach deren Identifikation werden diese Funktionen zur Datenaufbereitung bzw. -auswertung umgesetzt. Erste Ergebnisse dazu können auch schon in den Proof-of-Concept einfließen.

Ansprechperson:

AP3: Entwicklung von digitalen KI-Lernmodulen.

AP-Meilensteine:

• priorisierte Liste zu entwickelnder KI-Lernmodule (Monat 14)
• erste KI-Lernmodule in der KI-Lernplattform (Monat 16)
• alle KI-Lernmodule in der KI-Lernplattform (Monat 43)
• finale Version der KI-Lernmodule und Evaluierungsergebnisse (Monat 48)
   

In diesem Arbeitspaket soll die in AP2 bereitgestellte Lernplattform mit Inhalten gefüllt werden. Die Lernmodule (Lern-Nuggets) werden möglichst modular und unabhängig voneinander aufgebaut, so dass die Lehrenden individuell entscheiden können, welche Einheiten sie in ihre Lehrveranstaltungen integrieren. Fachspezifische Lernmodule (z.B. Datenaufbereitung für Gesundheitsdaten) sollten auf Basis von generischen Modulen (z.B. Datenaufbereitung) entwickelt werden können. Daher sollen die Lernmodule nicht als abgeschlossene Pakete, sondern als anpassbare Module zur Verfügung gestellt werden.

UAP 3.1: Identifikation von grundlegenden KI-Lernmodulen (3 PM, Monate 9-14)
Mit Lehrenden aus verschiedenen Fachbereichen wird zunächst eine Struktur von grundlegenden Modulen (z.B. Datenaufbereitung) und fachspezifischen Modulen (z.B. Datenaufbereitung im Gesundheitswesen) entwickelt. Zudem wird ein kontinuierlicher Prozess zur Entwicklung, Aktualisie-
rung und Evaluation dieser Module festgelegt. Im Anschluss werden aus den Ergebnissen der Workshops aus UAP 2.1 grundlegende Themen
identifiziert, die in den Lernmodulen umgesetzt werden sollen. Als weitere Basis werden bestehende Curricula bzw. Vorschläge im Bereich KI, Data Science und Informatik analysiert. Die resultierende Liste an möglichen KI-Lernmodulen wird entsprechend der Relevanz und Dringlichkeit priorisiert.

UAP 3.2: Umsetzung der Lernmodule in der KI-Lernplattform (20 PM, Monate 15-43)
Die in AP2.1 definierten Lernmodule werden auf der Lernplattform bzw. dem LMS der Hochschule umgesetzt und den Lehrenden für den Einsatz in ihren Veranstaltungen zur Verfügung gestellt. Dies geschieht entsprechend der Priorisierungsliste aus UAP 3.1. Dies ist ein kontinuierlicher Prozess, in dem neue Module hinzugefügt werden, während bereits bestehende Module genutzt oder weiterentwickelt werden.

UAP 3.3: Weiterentwicklung der KI-Lernmodule (28,5 PM, Monate 25-48)
Die bereitgestellten Lernmodule werden von den Lehrenden in den Veranstaltungen eingesetzt (siehe AP6-AP9). Dafür ist eine fachliche, didaktische und technische Unterstützung notwendig. Gleichzeitig wird beim Einsatz der Lernmodule evaluiert, inwiefern diese den Lernprozess der Studierenden unterstützt bzw. inwiefern die Lernmodule den Lehrenden bei der Gestaltung ihrer Lehrveranstaltung geholfen haben. Für die Evaluierung bei Studierenden und Lehrenden werden Kriterien (bzw. Fragenkataloge) definiert, die über die übliche Lehrveranstaltungsbewertung hinausgehen. Die ermittelten Ergebnisse werden genutzt, um die KI-Lernmodule weiterzuentwickeln und kontinuierlich zu verbessern.

Ansprechperson:

AP4: Lehrveranstaltungen zu Anwendungen der KI.

Meilensteine:

• Lehrveranstaltung ist konzipiert (Monat 16)
• Lehrveranstaltung ist ersten Mal durchgeführt (Monat 21)
• überarbeitete Version der Lehrveranstaltung (Monat 39)
   

Ziel des AP ist eine seminaristische Lehrveranstaltung für Studierende außerhalb der Informatik, die anhand verschiedener Anwendungsbeispiele einen Überblick über Methoden der Künstlichen Intelligenz gibt und dabei insbesondere geeignete und ungeeignete Anwendungsbereiche aufzeigt. Die Veranstaltung beinhaltet einen praktischen Teil, in dem Studierende durch Übungen direkte Erfahrungen mit den Techniken machen. Für die Veranstaltung wird ein hochschulüblicher Umfang von insgesamt 5 ECTS angestrebt, wodurch eine direkte Aufnahme in Wahlfachkataloge und Schwerpunkte existierender Studiengänge möglich wird.

UAP 4.1: Konzeption der Lehrveranstaltung (5,25 PM, Monate 10-21)
Zunächst werden auf Basis der Ergebnisse von UAP 2.1 relevante Anwendungsgebiete an der Hochschule Niederrhein identifiziert und damit auch potentielle Identifikationspunkte von Studierenden dieser Veranstaltung. Darauf folgen die (transdisziplinäre) Entwicklung und didaktische Konzeption der Lehrveranstaltung. Da sich im Zielpublikum Studierende aus verschiedenen Studiengängen befinden, die erhebliche Unterschiede in technischem Vorwissen haben (bspw. Texttechnik vs. Soziale Arbeit), wird ein modularisierter Aufbau mit unterschiedlichen Lernpfaden konzipiert. Die vorab erstellten Einzelteile werden in einem Gesamtkonzept integriert und durch geeignete Grundlagen zu einer kohärenten Veranstaltung ergänzt. Flankiert wird dies durch die fortlaufende und parallele Entwicklung eines Blended Learning-Kurses in Moodle, wozu die Ergebnisse von AP3 als Basis herangezogen werden.

UAP 4.2: Durchführung und Weiterentwicklung (10,5 PM, Monate 16-39)
Die Veranstaltung wird im Sommersemester 2023 das erste Mal angeboten. Die anschließende Evaluation der Lehrveranstaltungen orientiert sich an den Standards der Hochschule, wird aber zudem entsprechend des Konzepts des gesamten Vorhabens im Sinne des Scholarship of Teaching and Learning (vgl. UAP 10.2) begleitet. Auf Basis der damit gewonnenen Ergebnisse wird die Veranstaltung im weiteren Projektverlauf optimiert. Neben der qualitativen Dimension der Weiterentwicklung soll zudem auch die thematische Breite überprüft werden. Hierzu werden nochmals die möglichen Anwendungsbereiche der Hochschule systematisch ergründet und eventuell erkannte Lücken geschlossen.

Ansprechperson:

AP5: Lehrveranstaltung zu gesellschaftlichen Aspekten der KI.

Meilensteine:

• Lehrveranstaltung ist konzipiert (Monat 16)
• Lehrveranstaltung ist ersten Mal durchgeführt (Monat 21)
• überarbeitete Version der Lehrveranstaltung (Monat 39)
   

Ziel des AP ist eine seminaristische Lehrveranstaltung für Master-Studierende (insbesondere der Informatik), die Potenziale und Herausforderungen des Einsatzes künstlicher Intelligenz aus gesellschaftlicher Sicht beleuchtet. Diese Lehrveranstaltung soll im nichttechnischen Wahlpflichtbereich der Informatik angesiedelt werden, um den gesellschaftlichen Anschluss an das Thema KI zu vermitteln, der in allen anderen technischen Veranstaltungen nur kurz adressiert werden kann.

UAP 5.1: Konzeption der Lehrveranstaltung (4,5 PM, Monate 10-27)
Grundlagen dieser Lehrveranstaltung sind gesellschaftliche KI-Fragestellungen wie Datenethik, Daten(un)gerechtigkeit, Nachhaltigkeit von KI-Anwendungen, Fälle und Fehler automatischer Entscheidungssysteme, Datenhoheit der Bürger:innen. Zur Aufbereitung der Themen werden hier externe Expert:innen identifiziert, die zunächst Impulsvorträge zu einer Ringveranstaltung beisteuern, die dann eine Basis für eine spätere Durchführung der Lehrveranstaltung in UAP 5.2 darstellen. Ferner dienen Fallbeispiele insbesondere aus dem Bereich der Sozialwissenschaften (siehe AP7) als Grundlage, die Studierende zur Reflexion des Einsatzes von KI bringen.

UAP 5.2: Durchführung und Weiterentwicklung (9 PM, Monate 22-45)
Nach einzelnen Vorträgen soll die Lehrveranstaltung das erste Mal im Wintersemester 2023/24 stattfinden. Dabei werden weiterhin externe Fachexpert:innen mit in die Lehre einbezogen durch Vorträge, Vorgabe von Problem- bzw. Fragestellungen und Diskussion von KI-Anwendungen. Dies zeigt den Studierenden die gesellschaftliche Relevanz der Lösung. Die anschließende Evaluation der Lehrveranstaltungen orientiert sich an den Standards der Hochschule, wird aber zudem entsprechend des Konzepts des gesamten Vorhabens im Sinne des Scholarship of Teaching and Learning (vgl. UAP 10.2) begleitet. Auf Basis der damit gewonnenen Ergebnisse wird die Veranstaltung im weiteren Projektverlauf optimiert.

Zur Ringveranstaltung gelangen Sie hier.

Ansprechperson:

AP6: Transdisziplinäre Lehre in der Lebensmittelprozesstechnik.

Meilensteine:

• Lehrplattform (Hard- und Software der Lebensmittelprozesssysteme) ist als Umsetzungsgrundlage aufgebaut (Monat 12)
• Lehrveranstaltungsszenarien als Konzeptmöglichkeitsraum entwickelt (Monat 27)
• Konzept zu standardisierten Lehrveranstaltungsversionen überarbeitet (Monat 45)
   

Ziel des AP ist eine seminaristische Lehrveranstaltungsblaupause für Bachelor- bzw. Master-Studierende der Informatik, Ernährungs- und Lebensmittelwissenschaften als transdisziplinäre Austauschplattform zum schrittweisen Aufbau von Gesamtzielsetzungsorientierungskompetenz bei der
Umsetzung von interdisziplinären Projekten mit lebensmitteltechnologischen und prozesstechnischen Anteilen.

UAP 6.1: Aufbau der Lehrplattform (8 PM, Monate 1-12)
Grundlage für die Lehrveranstaltungen ist der Aufbau der Lehrplattform zu Lebensmittelprozessszenarien. Dazu werden die geplanten Roboterkomponenten zunächst zu einem beispielhaften System zusammengestellt und für den Grundbetrieb kalibriert. Auf Basis der Hardware werden nun mögliche
"traditionelle" Szenarien (ohne KI-Anteile) zum Einsatz der programmierbaren Robotereinheiten in der Lebensmittelproduktion automatisiert. Denkbar ist hier zum Beispiel die Herstellung und Verpackung von Pralinen. Im zweiten Schritt wird eine automatisierte Prozessdatenerfassung in der Plattform realisiert. Dazu werden zusätzliche Sensoren (Temperatur, Feuchte) bzw. eine Kameraeinheit angebunden. Über diese Peripherie werden iterativ ausgewählte Programmierungsszenarien zu allgemein-praxisrelevanten Automatisierungsaufgaben (optische Kontrolle der Herstellung oder korrekten Platzierung) entwickelt und Referenz- und Beispieldaten als Grundlage für weiterführende Aufgabenstellungsvarianten gesammelt. Dies ergibt die Voraussetzung zur Entwicklung und Auswahl von didaktischen Umsetzungsvarianten in UAP 6.2.

UAP 6.2: Szenariovarianten als LV-Möglichkeitsraum (9,75 PM, Monate 13-27)
Die über UAP 6.1 vorbereiteten Szenario-Settings und die damit verbundenen Messdatensätze werden systematisch nach didaktischen Zielsetzungsvarianten und verschiedenen interdisziplinären Food-Science-Ausrichtungsschwerpunkten als Matrixsystem gruppiert. So wird ein Pool an Lernplattformszenarien zu KI-Anwendungsthemenfeldern wie Machine Learning, Digitaler Zwilling etc. erzeugt. Dabei wird als weitere Aspektebene die zeitliche Verteilung der Prozesskontrolle in zwei Fallvarianten berücksichtigt. Im Sinne der lebensmitteltechnologischen Umsetzungspraxisbandbreite werden hierfür schnelle kontinuierliche Produktionsprozessumsetzungen den echtzeitunkritischen Optimierungsszenarien batchweiser Produktentwicklungen gegenübergestellt. Damit ergibt
sich ein Überblick, welche Szenariovarianten wie zur Entwicklung von transdisziplinären Lernmodulen mit Adaption der Materialien aus AP3 nutzbar sind.

UAP 6.3: Ausrichtung und Überarbeitung von LV-Szenariovarianten als Standardblaupause (11,25 PM, Monate 28-45)
Die in UAP 6.2 erstellten Lernplattformszenarien werden in projektorientierten Lehrveranstaltungen umgesetzt und nach ersten Durchführungen evaluiert. Die in UAP6.2 aufgebaute Matrixsystemsystematik bildet eine Entscheidungsgrundlage zur Ausrichtungsorientierung und Formulierung von Feedbackschwerpunkten. Mit diesem werden iterativ Schnittmengen zwischen verschiedenen Szenariovarianten so abstrahiert, dass im Sinne einer Weiterentwicklung der Lernplattformanwendung allgemein übertragbare Vorlagen für ausgewählte Standardkompetenzziele entstehen.

Ansprechperson:

AP7: Transdisziplinäre Lehre im Anwendungsbereich Soziale Arbeit.

Meilensteine:

• Roboter-Plattform und Datensätze sind als Umsetzungsbasis bereit (Monat 12)
• Projektveranstaltung ist erstmalig durchgeführt (Monat 27)
• Fortentwickelte Projektveranstaltungen sind etabliert (Monat 45)
   

Ziel des AP sind transdisziplinäre Projektveranstaltungen für Bachelor- und Master-Studierende, jeweils der beiden Fachrichtungen Soziale Arbeit und Informatik. In diesen Veranstaltungen soll zum einen der Einsatz von Datenanalyse in Sozialprognosen thematisiert werden und zum anderen der Einsatz sozialer Roboter in therapeutischen Situationen und Beratungen. KI soll in diesem Kontext Emotionen und Befindlichkeitslagen bis hin zu psychopathologischen Symptomen erkennen und entsprechend kommunizieren.

UAP 7.1: Aufbau technischer Grundlagen (8 PM, Monate 1-12)
Im ersten Teil dieses Arbeitspakets wird zunächst die notwendige Lehrplattform aufgebaut, einem auf soziale Anwendungen ausgerichteten Roboter (Furhat Robot), der für akademische Arbeiten zur Verarbeitung natürlicher Sprache und emotionaler Intelligenz im Bereich der Mensch-Maschine-Kommunikation konzipiert wurde. Seine Möglichkeiten zur Darstellung von Mimik sollen ergründet werden und dabei eine erste einfach programmierbare Schnittstelle für Studierende nicht-technischer Studiengänge geschaffen werden, die eine praktische Arbeit mit dem Roboter in der ersten Projektveranstaltung ermöglichen (Erzeugung von Mimik bzw. Erkennung von Mimik). Parallel erfolgt die Auswahl geeigneter methodischer Konzepte und KI-Tools. Dabei sollen wieder entsprechend des Kompetenzniveaus einfache SW-Tools, welche einen schnellen Erfolg in der Datenanalyse ohne umfassende Kenntnisse ermöglichen finden.

UAP 7.2: Konzeption der Projektveranstaltung (9,5 PM, Monate 13-27)
Im zweiten Schritt wird an der generellen Konzeption der Projekte gearbeitet, insbesondere der Ausarbeitung geeigneter Fragestellungen, der Auswahl von Fallszenarien und dazu passenden Datensätzen. Es werden zudem Handlungsanweisungen erstellt, die nicht-technische Studierende dabei unterstützen, den Robotern zu trainieren und Kommunikationssituationen simulieren. Die in UAP 7.1 und 7.2 erstellten Materialien und Daten werden in die entwickelte Lernplattform
(siehe AP3) integriert. Schließlich wird das entwickelte Konzept im Sommersemester 2023 im Rahmen einer ersten transdisziplinären Projekt-Lehrveranstaltung pilotiert und evaluiert.

UAP 7.3: Weiterentwicklung der Projektveranstaltung (11,5 PM, Monate 28-45)
Im weiteren Verlauf des Vorhabens wird die Projektveranstaltung kontinuierlich ausgebaut. Dies geschieht auf mehreren Ebenen. In didaktischer Hinsicht dient nicht nur die allgemeine LV-Evaluation, sondern vor allem die parallel dazu laufenden SoTL-Aktivitäten (vgl. UAP 10.2). In technischer Hinsicht werden die Schnittstellen zur Roboter-Plattform weiter ausgebaut, um neue Interaktionsmöglichkeiten zu schaffen und weitere Fragestellungen und Fallszenarien zu ermöglichen, die in der Pilotierung noch nicht verfügbar waren (vgl. UAP 7.1). Weiteres Kernelement der Fortentwicklung ist die Integration externer Fachexperten aus dem Anwendungsbereich in die Projektveranstaltungen, die den fortwährenden Austausch zwischen Hochschule auf der einen und Praxis und Gesellschaft auf der anderen Seite fördert.

Ansprechperson:

AP8: Transdisziplinäre Lehre im Anwendungsbereich Textiltechnik. 

Meilensteine:

• Aufbau und Inbetriebnahme der Lehrplattform (Monat 12)
• Fertigstellung der dokumentierten experimentellen Lehrveranstaltung (Monat 24)
• Überführung der Projektveranstaltung in den Regelbetrieb (Monat 45)
   

Ziel des APs ist die Etablierung einer Lehrplattform zur intelligenten kooperativen Robotik für Anwendungen in der Textiltechnik und deren Einsatz im Rahmen transdisziplinärer Projektveranstaltungen für Studierende der Textiltechnik und Informatik. Das AP gliedert sich in die Phasen Aufbau, Programmierung und Kalibrierung der Robotikstrecke und Sensorik, die Entwicklung geeigneter Demonstrationsexperimente, in die Konzipierung der Lehrveranstaltung entlang und auf Basis der Ergebnisse des AP3 und die Vergabe von Projektarbeiten.

UAP 8.1: Aufbau der Lehrplattform (8 PM, Monate 1-12)
Zunächst erfolgt der Aufbau einer Lehrplattform auf Hardware-Basis des DOBOT Magician-Baukastens, der zur Illustration einer Bandbreite von Aufgabenstellungen der intelligenten kooperativen Robotik in der Textiltechnik eingesetzt werden kann. Nach Beschaffung der Komponenten erfolgt zunächst deren Zusammenbau und anschließend die Integration einer zusätzlichen Sensorik, um weitere Datenquellen zur Automatisierung und Analyse der Abläufe einsetzen zu können. Schließlich folgt der softwaretechnische Teil des Aufbaus, die Programmierung der Automatisierung und die Kalibrierung der Gesamtplattform. Dokumentation zur Einweisung von Studierenden wird erzeugt, so dass ein sicherer Betrieb innerhalb der Lehre ermöglicht wird. Mit exemplarischem Aufspielen von vortrainierten KI-Modellen wird die Funktionalität überprüft.

UAP 8.2: Konzeption der Lehrmaterialien (7,75 PM, Monate 13-24)
Aufbauend auf UAP 8.1 folgt die Konzipierung der Lehrmaterialien auf Basis von AP3 und durch die Erstellung geeigneter Demonstrationsexperimente, die Fragestellungen der kooperativen Robotik adressieren. Die erstellen Materialien zu den Lehrveranstaltungen werden nach der Erstellung mit
der Durchführung von Demonstrationsexperimenten zusammen mit geeigneten Probanden evaluiert. Die erstellten Materialien werden in der Lehrveranstaltung eingesetzt, was durch die Didaktik-Person WMA1 begleitet wird.

UAP 8.3: Konzipierung und Pilotierung der Projekte (13,25 PM, Monate 25-45)
Transdisziplinäre Projektarbeiten zur eigenen Bearbeitung durch die Studierenden, insbesondere Einsatz von CNN, Supervised/Reinforcement Learning zur Automatisierung der Textilproduktion. Auf Basis der Ergebnisse von UAP 8.1 und UAP 8.2 werden relevante Anwendungen in der Textiltechnik identifiziert und geeignete Projektarbeiten definiert. Anhand der Pilotierung wird die Qualität der Lehre überprüft und gesichert, um die Ergebnisse (gegebenenfalls mit Anpassungen) in den Regelbetrieb übernehmen zu können.

Ansprechperson:

AP9: Transdisziplinäre Lehre im Anwendungsbereich Gesundheitswesen.

Meilensteine:

• Health Data Lake ist etabliert (Monat 8)
• erste Lehrveranstaltung ist durchgeführt (Monat 20)
• Lehrveranstaltungen sind evaluiert (Monat 27)
• Lehrveranstaltungen auf Basis der Rückmeldungen weiterentwickelt (Monat 45)
   

Ziel des APs ist eine transdisziplinäre Lehrveranstaltung für Bachelor- und Master-Studierende aus den Fachbereichen Gesundheitswesen und Elektrotechnik und Informatik zur Analyse von Daten aus der Gesundheitsversorgung.
Die Menge der täglich neu produzierten und bereits vorliegenden, frei verfügbaren Daten im Gesundheitswesen, ist enorm. Dabei werden routinemäßig regelmäßig große standardisierte Datenmengen erzeugt und an die entsprechenden Stellen übermittelt, welche für weitere Analysezwecke zur Verfügung stehen. Beispiele hierfür sind jährliche Qualitätsberichte der Krankenhäuser (§ 137 Abs. 3 Satz 1 Nr. 4 SGB V), jährliche Übermittlung der Leistungdaten (§ 21 KHEntgG). Darüber
hinaus fallen im Rahmen der Diagnostik und Therapie noch weitere (strukturierte und unstrukturierte) Daten, wie z.B. auch radiologische Bilddaten bzw. medizinische Datasets der Kaggle-Community an, welche für weitere Analysen nutzbar sind. Neben dem Kernbereich der Gesundheitsversorgung werden gerade im erweiterten Bereich anhand von eHealth, Smart Health und/oder mobile Health-Anwendungen täglich große Datenmengen beispielweise durch Health Apps oder Sensoren erzeugt. Auf der anderen Seite bietet der Markt eine große Zahl frei verfügbarer Intelligenter KI-Tools, welche den Studierenden umfassende prädiktive und präskriptive Analysen der Daten ermöglichen sowie auch weiterführende Analyse, wie beispielsweise die Qualität und den Prozessablauf entsprechend vorgegebener Behandlungspfade sowie die Ermittlung von Abweichungen durch (intelligentes) Pro-cess Mining.
Die Studierenden am Fachbereich Gesundheitswesen haben eine hohe Fachexpertise beispielsweise zur Erhebung und Analyse der Routinedaten, zu qualitativen Anforderungen an Behandlungspfade (SOPs), zum Vorgehen bei Prozessanalysen und Verbesserung oder auch zum Einsatz bildgebender Verfahren. Vor diesem fachlichen Hintergrund sollen anhand von verschiedenen Fallstudien die Methoden und Potentiale der KI transdisziplinär durch die gemeinsame Erarbeitung mit dem Fachbereich Elektrotechnik und Informationstechnik gemeinsam erarbeitet und vermittelt werden.

UAP 9.1: Aufbau eines Health Data Lakes (4 PM, Monate 1-8)
Zunächst erfolgt der Aufbau eines „Health Data Lakes“. Hier werden umfangreiche, strukturierte und unstrukturierte Datenbestände aus dem Gesundheitswesen für die Analyse gespeichert und verwaltet. Einerseits werden hierzu die frei verfügbaren Datenquellen eruiert und in den Data Lake geladen. Darüber hinaus werden die bestehenden Kooperationsnetzwerke des Fachbereiches und des Competence Center eHealth genutzt, um weitere Daten von z.B. Krankenhäusern oder Anbietern von Software im Gesundheitswesen mit in den Data Lake aufzunehmen.

UAP 9.2: Auswahl methodischer Konzepte (4 PM, Monate 5- 12)
Parallel erfolgt die Auswahl geeigneter methodischer Konzepte und KI-Tools für den Einsatz in der Lehre. Dabei sollen entsprechend des Kompetenzniveaus einfache SW-Tools, welche einen schnellen Erfolg in der Datenanalyse ohne umfassende Kenntnisse ermöglichen, beispielsweise im Rahmen des Bachelor-Studienganges Einsatz finden. Für Lehrveranstaltungen im Rahmen des Master-Studiums sollen komplexere Tools, welche insbesondere auch das methodisch-konzeptionelle Arbeiten fördern, ausgewählt werden. Teilweise können auch bestehende Kooperationen weiter ausgebaut werden. Darüber hinaus ist geplant, im Rahmen von Master-Projekten, welche bereits jetzt curricular verankert sind, komplexe Systeme einzusetzen, um beispielsweise exploratives Arbeiten zu fördern.

UAP 9.3: Konzeption der Lehre (6,25 PM, Monate 13-27)
Darauf folgen die (transdisziplinäre) Entwicklung und didaktische Konzeption der Lehrveranstaltung. Entsprechend der unterschiedlichen Kompetenzniveaus, Anforderungen und Ziele sind unterschiedliche Lernpfade erforderlich für die jeweiligen Gruppen. Hier gilt es, entsprechende didaktische Konzepte zu erarbeiten und methodisches Basiswissen zusammen zu tragen. Ergebnis dieser Phase ist die Implementierung eines Blended Learning-Kurses in Moodle unter Berücksichtigung der Ergebnisse von AP3. Die verschiedenen Lernpfade ermöglichen den Einsatz in den verschiedenen Veranstaltungen in den unterschiedlichen Studiengängen.

UAP 9.4: Einsatz in der Lehre (3,25 PM, Monate 13-27)
Anschließend erfolgt deren Einsatz in der Lehre. Dabei werden externe Fachexperten aus dem Bereich KI, Software-Anbieter und auch von Gesundheitsunternehmen (Krankenhäusern) mit in die Lehre einbezogen durch Expertenvorträge, Vorgabe von Problem- bzw. Fragestellungen und Diskussion der Ergebnisse. Dies zeigt den Studierenden einerseits die praktische Relevanz der Lösung, diffundiert auf der anderen Seite auch Potenziale der KI in die Unternehmen. Die anschließende Evaluation der Lehr- und Praxisveranstaltungen orientiert sich an den Standards der Hochschule, erweitert um fachspezifische Fragestellungen.

UAP 9.5: Evaluation und Weiterentwicklung (11,5 PM, Monate 28-45)
Die Ergebnisse der Evaluation bilden im Rahmen des Qualitätszyklus die Basis für die didaktische und inhaltliche Prüfung und Überarbeitung. Weiterhin erfordert die Datenbasis des Health Data Lake stete Aktualisierung und Erweiterung. Auch die Beobachtung des im Bereich KI innovativen Software- und Methoden-Marktes ist permanent erforderlich, um hier stets aktuelle Konzepte, Methoden und Tools zu nutzen.

Ansprechperson:

AP10: Didaktische Gesamtkonzeption und Übersetzung in verschiedene Lehr-Lernformate.

Meilensteine:

• Status Quo-Erhebung (Monat 3)
• didaktisches Gesamtkonzept unter Berücksichtigung interner Maßnahmen zur Leh-
• rentwicklung (Monat 14)
• erste SoTL-Ergebnisse der Lehrveranstaltungen (Monat 21)
• Handreichungen und Publikation der Ergebnisse (Monat 48)
   

Ziel des AP ist zunächst die Entwicklung eines didaktischen Gesamtkonzepts für die transdisziplinären Projekte, das bei der Umsetzung kontinuierlich begleitet und evaluiert wird. Bestandteile des didaktischen Konzeptes sind u.a. konkrete Einsatzszenarien in der Lehre, didaktische Mindeststandards sowie konkrete Anforderungen an die transdisziplinären Projekte.
Im Sinne des Scholarship of Teaching and Learning (SoTL) sollen die beteiligten Lehrenden ihre Lehrideen, Umsetzungsstrategien und Erfahrungen beforschen, aus ihrer Disziplin heraus weiterentwickeln und dieses Wissen evidenzbasiert in ihre Fächerkulturen einspeisen. So gewonnenes Expert:innenwissen wird sowohl hochschulintern als auch -extern disseminiert und diskutiert. Die Entwicklung geeigneter Lehrforschungsfragen sowie die Erhebungs- und Auswertungsphasen wird
didaktisch flankiert.

UAP 10.1: Didaktisches Grundkonzept für transdisziplinäre Projekte (8 PM, Monate 1-14)
Zu Projektbeginn wird das didaktische Gesamtkonzept für die transdisziplinären Projekte erstellt. Dazu wird zunächst der Status Quo an der HSNR sowie der aktuelle Stand in Didaktik und Forschung eruiert. Themenschwerpunkte sind dabei u.a. Kollaboration und Interaktion in studentischen Teams, transdisziplinäre Projektarbeit sowie Lehr-/Lernformate, die heterogene Studierendengruppen berücksichtigen. Außerdem werden didaktische Mindeststandards für die transdisziplinären Projekte formuliert. Um die Lehrenden zu unterstützen, werden passende hochschuldidaktische Qualifizierungsangebote entwickelt. Es wird zudem eruiert, wie die Themen transdisziplinäre Projektarbeit und/oder KI in der hochschulinternen Förderlinie Le/Ni-Lehrprojektförderung platziert werden können.

UAP 10.2: Scholarship of Teaching and Learning (18 PM, Monate 10-45)
Alle Lehrveranstaltungen im Projektverlauf werden in Abstimmung mit der Hochschuldidaktik im Sinne des Scholarship of Teaching and Learning (SoTL) begleitend erforscht. Dies gilt für alle Lehrveranstaltungen dieses Vorhabens, wobei insbesondere die transdisziplinären Projekte aus den Arbeitspaketen AP6 bis AP9 aufgrund ihres neuen Charakters im Fokus stehen. Die Lehrenden werdend dazu zum einen fortlaufend hochschuldidaktisch beraten. Zum anderen werden sie dabei unterstützt, ihre Lehrveranstaltungen durch Entwicklung geeigneter Lehrforschungsfragen und -instrumente zu untersuchen, um eine detaillierte Analyse der didaktischen Fragen zur Lehrveranstaltung zu beantworten.

UAP 10.3: Ergebnisdokumentation, Netzwerk und Transfer (11,5 PM, Monate 9-48)
Die im Projektverlauf gewonnenen Erkenntnisse werden fortlaufend in Form von Handreichungen zusammengefasst und anschließend sowohl intern sowie extern publiziert. Die hochschuldidaktische Projektperson übernimmt zudem die Konzeption und Durchführung von Veranstaltungen zur Dissemination und Multiplikation der Projektergebnisse innerhalb wie auch außerhalb der Hochschule: Hochschulintern werden erste Good Practices sowie Ergebnisse im kollegialen Austauschformat CoLe/Ni diskutiert sowie in der Datenbank Gute Lehrpraxis hinterlegt. Zur externen Dissemination werden die Ergebnisse in Form von Publikationen aufbereitet und auf einschlägigen Fachtreffen diskutiert. Schließlich werden geeignete hochschulinterne Maßnahmen zu Lehrentwicklung eruiert, die das Vorhaben unterstützen (z.B. interne Förderlinien).

Ansprechperson:

8. Termin: „Deepfakes & synthetische Medien: Welche Herausforderungen stellt uns die KI?"

Die Fortschritte im Bereich der Erstellung und Manipulation audiovisueller Inhalte durch Deep-Learning-Technologien stellen uns vor zahlreiche gesellschaftliche Herausforderungen und ethische Fragestellungen. Dieser Vortrag widmet sich dem Thema und differenziert zwischen Synthetischen Medien und Deepfakes und damit verbundenen Chancen und Risiken. Anwendungsbeispiele demonstrieren die Nutzung der Technologie für gesellschaftliche, politische und wirtschaftliche Bereiche und stellen mögliche Anhaltspunkte zur Erkennung von Deepfakes dar. Forschungsergebnisse aus dem Deepfake-Projekt an der Universität Leipzig liefern Einblicke in den Wissensstand und die Haltungen der Bevölkerung gegenüber Deepfakes und verdeutlichen künftige Implikationen für die journalistische Praxis.

Referent: Daniel Bendahan Bitton, wissenschaftlicher Mitarbeiter an der Universität Leipzig

Wann:     13.01.2025, 16:00 - 17:30 Uhr

Wo:         Zoom-Meeting

Zoom-Meeting beitreten
Meeting-ID: 618 2279 9032
Kenncode/Passwort: 159753

Vortrag: „Ghostbots & Gefühle: Einsatz von KI im Trauerprozess"

Referentin: Prof. Dr. habil. Jürgen Karla, FB Wirtschaftswissenschaften

Wann:       09.12.2024, 16:00 - 17:30 Uhr

Wo:           digital

Vortrag: „Von Dating-Apps und Sexrobotern: Intimität durch und mit KI"

Referentin: Dr. Jessica Szczuka; Wissenschaftliche Mitarbeiterin am Fachgebiet Sozialpsychologie an der Universität Duisburg-Essen

Wann:       13.05.2024, 16.00-17.30 Uhr

Wo:           Future Work Lab, Petersstraße 122, 47798 Krefeld

Vortrag: „Dreckschleuder KI – Automatisierung auf dem Boden der Tatsachen“

Referentin: Dr. Anne Mollen, Institut für Kommunikationswissenschaft, Universität Münster;
                   Senior Research Associate Algorithm Watch

Wann:       06.05.2024, 16.00-17.30 Uhr

Wo:           digital

Vortrag:„Grün und Schlau: Künstliche Intelligenz vom Niederrhein in Nachhaltigkeitsprojekten“

Referent: Jonas Becher, CEO Masasana GmbH

Wann:    Montag, 29.04.2024, 16.00-17.30 Uhr

Wo:        Campus Krefeld Süd, J-Gebäude, E17

Vortrag:„Robotik für die Pflege“

Referent: Dr. Peter Remmers, Berlin Ethics Lab, Technische Universität Berlin

Wann:     Montag, 11.12.2023, 16.00-17.30

Wo:        digital

Vortrag: „Künstliche Intelligenz auf der Straße – Die Sache mit den autonomen Fahrzeugen“

Referentin: Dr. Maike Meyer, Heine Center for Artificial Intelligence and Data Science (HEICAD), Heinrich-Heine-Universität Düsseldorf

Wann:       Montag, 30.10.2023, 16.00-17.30 Uhr

Wo:          Campus Krefeld Süd, Gebäude B, Raum E14

Auftaktveranstaltung: „Schreibt KI jetzt meine Hausarbeit?! Chancen und Risiken im Umgang mit generativen Sprachmodellen“

Referenten:Dr. rer. nat. Michael Gref, Vertretungsprofessor "Künstliche Intelligenz", HSNR

Herr Pascal Quindeau, Wissenschaftlicher Mitarbeiter (FB03 Elektrotechnik/Informatik)

Wann:        05.06.2023, 16.00-17.30 Uhr

Wo:            digital

Oktober 2023 - Am 30.10.2023 fand auf dem Campus Krefeld Süd der zweite Termin der Ringveranstaltung „Gesellschaftliche Aspekte Künstlicher Intelligenz“ statt. Diese wird von dem Projekt „Public Understanding von KI durch transdisziplinäre Lehre“ angeboten, richtet sich primär an Studierende und befasst sich mit ethischen Fragestellungen rund um den Einsatz von Künstlicher Intelligenz.

Dr. Maike Mayer aus dem Projekt „KI für Alle“ (Heine Center for Artificial Intelligence and Data Science, Heinrich-Heine-Universität Düsseldorf) referierte in ihrem Vortrag „Künstliche Intelligenz auf der Straße – Die Sache mit den autonomen Fahrzeugen“ u.a. rechtliche, aber vor allem ethische Implikationen autonomen Fahrens. Dank der interaktiven Gestaltung des Vortrags hatten die Zuhörer:innen mittels eines digitalen Abstimmungstools mehrfach die Gelegenheit, anonymisiert ihre Gedanken zu verschiedenen Aspekten der Thematik zu teilen und zum Abschluss in einem Quiz das frisch erlangte Wissen zu überprüfen. Nach dem Vortrag tauschten Publikum und Referentin sich in einer angeregten Diskussion weiter aus.

Den Auftakt zur Ringveranstaltung machten am 05.06.2023 Prof. Dr. Michael Gref und Pascal Quindeau M. Sc., die beide für den Fachbereich 03 Elektrotechnik und Informatik im Projekt tätig sind. Prof. Gref erklärte in seinem Vortrag überblicksartig die Funktionsweisen generativer Sprachmodelle und Pascal Quindeau zeigte in einer Live-Präsentation wie ChatGPT und Co. von Studierenden zum wissenschaftlichen Arbeiten genutzt werden können.

Am 11.12.2023 wird Dr. Peter Remmers (Berlin Ethics Lab, Technische Universität Berlin) von 16.00 bis 17.30 Uhr im dritten Termin der Ringveranstaltung Einblicke in das Thema „Robotik für die Pflege. Ethik in interdisziplinären Technologieprojekten“ geben. Der Vortrag findet digital statt. Anmeldung in Moodle (Einschreibeschlüssel: RV_KI).
Die Ringveranstaltung ist auch für Gasthörer:innen sowie interessierte Bürger:innen geöffnet. Anmeldung erfolgt bei Dr. Christina Grieb-Viglialoro per E-Mail an: ringveranstaltung(at)hs-niederrhein.de

September 2023 - Wir vom Fachbereich Elektrotechnik und Informatik freuen uns, von unserer jüngsten Teilnahme an der hoch angesehenen wissenschaftlichen European Conference on Artificial Intelligence (ECAI) in Krakau berichten zu dürfen, bei der unser Masterstudent Tim Krüger sein Forschungsarbeit im Workshop "AI4AI Education" präsentiert hat!

Tims Forschungsarbeit, die er im Rahmen des Masterprojekts in unserem Informatik-Masterstudiengang durchgeführt hat, beleuchtet die transformative Kraft großer generativer Sprachmodelle wie ChatGPT und Co. im Bildungsbereich. Er untersucht und vergleicht die Leistungsfähigkeit und mögliche Auswirkungen dieser disruptiven Tools in verschiedenen Modulen eines Bachelorstudiengangs für Informatik, und präsentiert faszinierende Ergebnisse! Paper Preprint

Ihr Forschungstraum wartet: Unsere Masterstudiengänge "Elektrotechnik" und "Informatik" bietet auch Ihnen die Chance, sich in fesselnden Forschungsprojekten zu engagieren, Ihre Arbeiten auf internationalen Konferenzen zu präsentieren und damit einen Fuß in die inspirierende und schnelllebige Welt der KI-Forschung zu setzen! Mit uns haben Sie die Chance, anwendungsorientiert an neuesten Technologie zu forschen, kritische Fähigkeiten zu erwerben und die Zukunft der KI mitzugestalten!

Werden auch Sie Teil der Community und starten Sie Ihre Forschungsreise noch heute: Link zu weiteren Informationen zu unseren Master-Studiengängen
 

Mai 2023 - Die 4. hochschuldidaktische Le/Ni-Beilage mit dem Titel KI in der Hochschullehre – Gekommen um zu bleiben ist soeben in der aktuellen Ausgabe des Magazins NIU erschienen. Darin diskutieren Herr Prof. Dr. Stegemerten, Vizepräsident für Studium und Lehre, und Herr Prof. Dr. Christian Spannagel von der Pädagogischen HS Heidelberg darüber, wie KI das Lehren und Lernen an Hochschulen verändert und welche Kompetenzen Lehrende ihren Studierenden zukünftig mit auf den Weg geben sollten.

Frau Dr. Elske Schönhals, stellv. Projektleiterin des Projekts „Public Understanding von KI durch transdisziplinäre Lehre“, gibt einen Einblick in die Studierendenperspektive: Im Format eines World Cafés sprachen Studierende über die Bedeutsamkeit von Kompetenzen in einer sich durch und mit KI wandelnden Arbeitswelt und Gesellschaft.

Die Beilage wird abgerundet durch ein Praxisbeispiel aus der Sozialen Arbeit. Im FB06 ist „Furhat“ eingezogen, ein humanoider Roboter, der simuliert, wahlweise ein/e Klient:in oder ein/e Berater:in zu sein. In einem Gespräch beleuchten Frau Prof. Dr. med. Anne-Friederike Hübener, M.Sc., M.A., Fachbereich Sozialwesen und Herr Dr. phil Marc Heimann, wissenschaftlicher Mitarbeiter im FB06 u. a. am Beispiel von „Furhat“ und unter Einbezug ethischer Aspekte die Herausforderungen durch und den Umgang mit KI an Hochschulen.

Die Le/Ni-Beilage zum Thema KI kann auf der Website der Hochschuldidaktik (www.hs-niederrhein.de/hochschul-und-mediendidaktik) unter „Publikationen“ als PDF heruntergeladen oder per E-Mail an annike.henrix(at)hs-niederrhein.de angefragt werden.

Mai 2023 - Seit der kostenfreien Bereitstellung von ChatGPT Ende vergangenen Jahres ist das generative KI-Sprachmodell von OpenAI in aller Munde. An Hochschulen wird insbesondere diskutiert, wie Entwicklungen im Bereich Künstliche Intelligenz sich auf das Lehren und Lernen auswirken werden. Am Freitag den 5. Mai trafen sich daher Lehrende und Hochschulmitarbeitende digital zu einem Austausch rund um ChatGPT an der HSNR. Zu der Informationsveranstaltung eingeladen hatten Herr Prof. Dr. Berthold Stegemerten (VP-I) sowie die Teams digitaLe und Hochschuldidaktik in Kooperation mit dem Projekt Public Understanding von KI durch transdisziplinäre Lehre. Es nahmen über 100 Lehrende und Hochschulangehörige an dem Format teil.

Eröffnet wurde die Veranstaltung mit einem Impulsvortrag von Dr. Michael Gref (Vertretungsprofessur „Künstliche Intelligenz“ am FB03 Elektrotechnik und Informatik), der überblicksartig die Funktionsweisen von ChatGPT und Einsatzmöglichkeiten des Tools in Studium und Lehre skizzierte. Als zweite Impulsgebende klärte Nadine Lordick, Mitarbeiterin am Schreibzentrum des Zentrums für Wissenschaftsdidaktik an der Ruhr-Universität Bochum, über rechtliche Aspekte rund um den Einsatz von KI in Studium und Lehre auf. In Breakout-Sessions tauschten sich anschließend rund 50 Lehrende und Mitarbeitende zu den Chancen und Risiken Künstlicher Intelligenz in der Hochschullehre aus.

Prof. Dr. Stegemerten betonte: „Wir müssen uns in den jeweiligen Fachbereichen und fachbereichsübergreifend stets fragen, welche Kompetenzen unsere Studierenden künftig brauchen, um in Job und Gesellschaft Verantwortung übernehmen zu können. Daher müssen wir die möglichen Rollen oder Auswirkungen von KI-Systemen kritisch reflektieren und ggf. die Kompetenzprofile unserer Studiengänge entsprechend anpassen und weiterentwickeln. Dafür sind Veranstaltungen wie die heutige ein geeigneter Ausgangspunkt.“

Um auch Studierenden die Möglichkeit zu geben, sich zu informieren und auszutauschen, bietet das Projekt KI-transdisziplinär am 05.06.2023 die Veranstaltung „Schreibt KI jetzt meine Hausarbeit?! Chancen und Risiken im Umgang mit generativen Sprachmodellen“ an. Hier wird ebenfalls Dr. Michael Gref in die Funktionsweisen generativer Sprachmodelle einführen, bevor es mit Pascal Quindeau (WMA, FB03) um die Möglichkeiten und Limitationen dieser KI-Tools in Lern- und Schreibprozessen gehen wird. Die Veranstaltung findet in Zoom statt. Anmeldungen erfolgen in Moodle: https://moodle.hsnr.de/course/view.php?id=10267

Das Projekt KI-transdisziplinär fördert den fächerübergreifenden Einsatz von KI-Methoden in der Lehre, um Studierenden den Erwerb anwendungsbezogener Kompetenzen rund um KI zu ermöglichen. So arbeiteten in der Campuswoche (11.04.-14.04.2023) Studierende an einer interdisziplinären Aufgabenstellung aus den Fachbereichen Elektrotechnik und Informatik (FB03) und Soziale Arbeit (FB06). Mithilfe von ChatGPT implementierten sie einen Dialog für einen Furhat, einen Sozialroboter in Form einer menschlichen Büste, um ein Gespräch mit einem psychotischen Patienten zu simulieren. In einem offenen Termin am Ende der Campuswoche hatten Studierende beider Fachbereiche die Gelegenheit, mit dem Roboter zu interagieren und einen Eindruck von möglichen Einsatzszenarien Künstlicher Intelligenz in ihren Anwendungsgebieten zu erhalten.

https://creativecommons.org/licenses/by-sa/4.0/legalcode

Pressemitteilung der Hochschule Niederrhein