Ein Software-Ingenieur aus Stuttgart entwickelte seinen ersten funktionierenden Chatbot während unseres vierwöchigen Intensivkurses. Er hatte keine Vorkenntnisse in KI, nur Grundkenntnisse in Python. Nach drei Wochen Arbeit an Datensätzen und Modelltraining konnte sein Bot einfache Kundenanfragen beantworten.
Eine Grafikdesignerin aus Esslingen trainierte ein neuronales Netzwerk, um ihren eigenen Illustrationsstil zu verstehen. Das Projekt dauerte länger als geplant – die ersten Ergebnisse waren enttäuschend. Doch nach mehreren Anpassungen des Trainingsprozesses produzierte das Modell Variationen, die sie tatsächlich in ihrer Arbeit verwenden konnte.
Hier zeigen wir echte Abschlussarbeiten unserer Kursteilnehmer – nicht die perfekten, sondern die, die den tatsächlichen Lernprozess widerspiegeln. Manche sind technisch beeindruckend, andere zeigen kreative Anwendungen, alle entstanden durch praktische Arbeit und mehrere Iterationen.
Lena Hofmann
Ein Klassifikationssystem, das Kundenbewertungen in positive, negative und neutrale Kategorien einteilt. Verwendet wurde ein vortrainiertes BERT-Modell mit Feintuning auf deutschen Texten. Die größte Herausforderung war die Verarbeitung umgangssprachlicher Ausdrücke.
Genauigkeit
83%
Datensätze
15.000
Dauer
4 Wochen
Katharina Weber
Ein CNN-Modell, das Produkte in Lagerfotos identifiziert und zählt. Das System wurde mit etwa 3.000 selbst aufgenommenen Bildern trainiert. Die Erkennungsrate ist bei guter Beleuchtung akzeptabel, bei schlechten Lichtverhältnissen noch verbesserungswürdig.
Erkennungsrate
78%
Kategorien
12
Training
48 Std
Simone Krämer
Ein System zur Erstellung von Kurzzusammenfassungen aus längeren Fachtexten. Basiert auf dem T5-Modell mit Anpassungen für deutsche Inhalte. Funktioniert gut bei strukturierten Texten, hat aber Schwierigkeiten mit sehr technischen oder metaphorischen Formulierungen.
ROUGE Score
0.42
Textlänge
500-2000
Zeit
5 Wochen
Thomas Brandt, Softwareentwickler
Die erste Woche verbrachte ich hauptsächlich damit, Daten zu sammeln und zu bereinigen. Das war zeitaufwendiger als erwartet – von 20.000 gesammelten Datenpunkten waren nur etwa 14.000 wirklich verwendbar. In der dritten Woche begann das eigentliche Training, und die ersten Ergebnisse waren ernüchternd: 45% Genauigkeit.
Der Durchbruch kam, als ich die Netzwerkarchitektur vereinfachte und mehr Regularisierung einbaute. Plötzlich stieg die Genauigkeit auf 72%, dann auf 81%. Das finale Modell erreichte 83%, was für meinen Anwendungsfall ausreichend ist. Der wichtigste Lerneffekt: Manchmal liegt das Problem nicht in zu wenig Komplexität, sondern in zu viel.
Melanie Jahn, Datenanalystin
Mein Bilderkennungssystem sollte ursprünglich zehn verschiedene Produkttypen unterscheiden. In der Testphase stellte sich heraus, dass drei davon so ähnlich aussahen, dass selbst ich Schwierigkeiten hatte, sie zu unterscheiden. Also reduzierte ich auf sieben Kategorien und fügte eine "unsicher"-Klasse hinzu.
Die Beleuchtung war ein größeres Problem als angenommen. Bilder vom Vormittag funktionierten perfekt, aber Nachmittagsfotos mit anderen Lichtverhältnissen erzielten nur 60% Genauigkeit. Ich musste das Modell mit Bildern aus verschiedenen Tageszeiten neu trainieren. Das System ist jetzt robuster, aber nicht perfekt – und das ist okay für einen Prototyp.
Abgeschlossene Projekte
Erfolgsquote