Iveloqunarion Logo

Iveloqunarion

Mo–Fr: 09:00–18:00 Uhr

Studentenprojekte in KI

Unsere Teilnehmer entwickeln eigenständige Projekte, die echte Probleme lösen. Hier gibt es keine Musterlösungen aus Lehrbüchern, sondern individuelle Ansätze mit praktischem Nutzen.

Jedes Projekt durchläuft mehrere Phasen: von der Ideenfindung über Prototyping bis zur finalen Umsetzung. Manche arbeiten mit Bilderkennung, andere mit Textanalyse oder Chatbots.

KI-basierte Bildanalyse zur automatischen Objekterkennung Computer Vision

Automatische Bildsortierung

Ein Student entwickelte ein System zur automatischen Kategorisierung von Fotos. Das Projekt nutzt vortrainierte Modelle und erreichte in Tests eine Genauigkeit von über 85 Prozent bei verschiedenen Objektklassen.

Dauer: 4 Monate Python & TensorFlow
Textanalyse-Dashboard mit Sentiment-Auswertung NLP

Stimmungsanalyse für Produktbewertungen

Eine Teilnehmerin erstellte ein Tool zur Analyse von Kundenbewertungen. Das System erkennt Stimmungen und markiert häufige Kritikpunkte automatisch, was bei der Auswertung großer Datenmengen hilft.

Dauer: 5 Monate spaCy & Scikit-learn
Chatbot-Interface mit Dialogfluss-Visualisierung Chatbots

FAQ-Assistent für Webseiten

Ein Projekt konzentrierte sich auf einen Chatbot, der häufig gestellte Fragen beantwortet. Die Herausforderung lag darin, natürliche Antworten zu generieren und Kontextverständnis aufzubauen.

Dauer: 3 Monate Rasa Framework

Typischer Projektverlauf

Die meisten Projekte folgen einem ähnlichen Muster, auch wenn die Details sich unterscheiden.

Themenfindung und Recherche

Anfangs suchen Teilnehmer nach einem passenden Thema. Wir helfen bei der Eingrenzung und prüfen, ob die Idee in der verfügbaren Zeit realisierbar ist. Manche starten mit konkreten Vorstellungen, andere brauchen etwas länger zum Erkunden.

Datensammlung und Vorbereitung

Sobald das Thema steht, geht es an die Daten. Das kann öffentlich verfügbare Datensätze bedeuten oder selbst erstellte Samples. Die Qualität der Daten beeinflusst später stark die Ergebnisse, deshalb lohnt sich hier Sorgfalt.

Modellentwicklung und Training

In dieser Phase wird experimentiert. Verschiedene Algorithmen werden getestet, Parameter angepasst. Es gibt Rückschläge und Erfolgserlebnisse. Die Teilnehmer lernen, Modelle zu evaluieren und zu verbessern.

Finalisierung und Präsentation

Am Ende steht die Dokumentation. Das Projekt wird präsentiert, Herausforderungen werden reflektiert. Oft merken die Teilnehmer erst hier, wie viel sie gelernt haben – technisch und organisatorisch.

Was macht ein gutes Projekt aus?

Es gibt keine feste Formel, aber erfolgreiche Projekte haben bestimmte Gemeinsamkeiten. Sie sind realistisch im Umfang, haben klare Ziele und zeigen echtes Verständnis für die zugrundeliegenden Konzepte.

Wichtig ist auch die Bereitschaft, Probleme anzugehen, wenn sie auftauchen. Und das tun sie immer. Die besten Arbeiten entstehen, wenn Teilnehmer neugierig bleiben und bereit sind, verschiedene Ansätze auszuprobieren.

  • Klar definierte Aufgabenstellung mit messbaren Zielen
  • Saubere Dokumentation des gesamten Entwicklungsprozesses
  • Sinnvoller Einsatz vorhandener Tools und Bibliotheken
  • Kritische Reflexion der Ergebnisse und Limitationen
  • Eigenständige Problemlösung bei technischen Hürden