Modulbeschreibung

Data Engineering and Industrial Artificial Intelligence 4

ECTS-Credits:
8
Lernziele:

Das Modul befähigt Studierende, agentische Systeme zu verstehen, zu implementieren und kritisch zu bewerten – sowohl im Kontext autonomer physischer Systeme als auch für softwarebasierte, generative Agenten. Die Studierenden entwickeln ein integriertes Verständnis agentischer Systeme und sind in der Lage, autonome Entscheidungsmechanismen von der formalen Modellierung bis zur praktischen Implementierung moderner KI-Agenten umzusetzen.

Der Einsatz von Künstlicher Intelligenz in mechatronischen Systemen – etwa in autonomen Maschinen, robotischen Assistenzsystemen oder datengetriebener Zustandsüberwachung – stellt hohe Anforderungen an Zuverlässigkeit, Nachvollziehbarkeit und Sicherheit. Neben einer hohen Vorhersagegenauigkeit müssen solche Systeme transparent, robust und vertrauenswürdig sein, insbesondere in sicherheitskritischen oder regulierten Anwendungsfeldern.
Dieses Modul vermittelt die methodischen Grundlagen zur Entwicklung und Bewertung vertrauenswürdiger KI-Systeme entlang des gesamten Lebenszyklus eines Machine-Learning-Modells. Beginnend mit MLOps-Konzepten wie Reproduzierbarkeit, statistische Fehleranalyse (Std.-Abweichung/Kreuzvalidierung), Deployment, Monitoring und Wartung lernen die Studierenden, wie ML-Modelle zuverlässig in reale technische Systeme integriert und betrieben werden. Darauf aufbauend werden Methoden der Interpretierbarkeit und Erklärbarkeit (XAI) eingeführt, die es erlauben, Modellentscheidungen zu analysieren, zu visualisieren und kritisch zu hinterfragen.
Ein weiterer Schwerpunkt liegt auf der Quantifizierung von Unsicherheit in KI-Systemen. Die Studierenden lernen, zwischen verschiedenen Formen von Unsicherheit zu unterscheiden und moderne Bayes’sche und approximative Verfahren anzuwenden, um Risiken in datengetriebenen Entscheidungen sichtbar zu machen. Ein kurzer Deep Dive in Multi-Layer-Perzeptrons und Transformer-Modelle macht nachvollziehbar, wie diese Architekturen Fakten repräsentieren und Informationen transformieren – und so GPTs ermöglichen, gute Texte zu erzeugen. Durch die Kombination von MLOps, XAI und Uncertainty entsteht ein ganzheitliches Verständnis dafür, wie KI-Systeme in mechatronischen Anwendungen verlässlich, nachvollziehbar und verantwortungsvoll gestaltet werden können.

Der Kurs «Industrial AI Projekt» bildet den integrativen Abschluss der AI- und Data-Science-Ausbildung im Bachelorstudiengang Mechatronik. Ziel des Moduls ist es, das beherrschte Anwenden der in den vorangegangenen Modulen erworbenen Methoden, Konzepte und Werkzeuge in einem realitätsnahen industriellen Kontext unter Beweis zu stellen. Im Zentrum steht die projektbasierte Arbeit an einer komplexen, offenen Problemstellung aus dem Bereich Industrial AI. Die Studierenden bearbeiten das Projekt in Zweier-Teams und durchlaufen dabei den vollständigen Entwicklungszyklus eines KI-Systems – von der Problemdefinition über Modellierung, Training und Evaluation bis hin zu Deployment, Dokumentation und Präsentation. Besonderer Wert wird auf Robustheit, Nachvollziehbarkeit und industrielle Umsetzbarkeit gelegt.

Kurse in diesem Modul

Agentic Systems:
  • Grundlagen agentischer Systeme und Markov-Entscheidungsprozesse (MDP)
  •  Agent–Environment-Loop, episodische und kontinuierliche Aufgaben
  • Reinforcement-Learning-Workflow und Aufbau von RL-Environments (z.B. Gym-Standard)
  • Tabellarische wertbasierte Methoden: Value Iteration, Policy Iteration
  • Model-free Reinforcement Learning: TD-Learning, SARSA, Q-Learning, Exploration–Exploitation
  • Übergang zu Deep Reinforcement Learning und Funktionsapproximation
  • Deep Q-Networks (DQN): Experience Replay, Target Networks, Stabilität
  • Policy-Gradient-Methoden (REINFORCE) und stochastische Policies
  • Actor–Critic-Verfahren (A2C) und Advantage-Funktionen
  • Kontinuierliche Kontrollprobleme und Maximum-Entropy-RL (Soft Actor-Critic)
  • Moderne On-Policy-Verfahren (z.B. PPO, GRPO)
  • Grundlagen von Large Language Models (LLMs) und Transformer-Architekturen
  • Prompt- und Context-Engineering und LLMs als Reasoning Engines
  • Agentische Reasoning-Patterns (z.B. Chain-of-Thought, ReAct)
  • Tool-Nutzung und Agentenframeworks (z. B. LangChain)
  • State, Memory und graphbasierte Agenten (LangGraph, Human-in-the-loop)
  • Multi-Agent-Systeme, Orchestrierung und Arbeitsteilung
Klassenunterricht mit 4 Lektionen pro Woche
Trustworthy AI:
  • MLOps-Grundlagen: ML-Lifecycle, CI/CD für ML, Reproduzierbarkeit
  • Deployment & Serving von ML-Modellen (Docker, REST-APIs, Microservices)
  • Monitoring & Wartung von ML-Systemen (Performance, Drift, Retraining-Strategien)
  • Grundlagen vertrauenswürdiger KI: Transparenz, Interpretierbarkeit, Fairness (FAT ML)
  • Intrinsisch interpretierbare Modelle und Feature-Importance-Methoden
  • Modellagnostische Erklärmethoden: z.B. PDP, ICE, SHAP, LIME
  • Visualisierung neuronaler Netze, insbesondere CNNs (Feature Visualization, Saliency, Grad-CAM)
  • Unsicherheitsquantifizierung: aleatorische vs. epistemische Unsicherheit, Kalibrierung, OOD
  • Approximative bayesische Methoden (MC Dropout, Ensembles, Bootstrapping)
  • Bayes’sche neuronale Netze und Variational Inference
  • Integration von MLOps, XAI und Uncertainty für robuste KI-Systeme
  • Ethische und praktische Herausforderungen beim Einsatz von KI in technischen Systemen
Klassenunterricht mit 2 Lektionen pro Woche
Industrial AI-Projekt:

Der Kurs «Industrial AI Projekt» bildet den integrativen Abschluss der AI- und Data-Science-Ausbildung im Bachelorstudiengang Mechatronik. Ziel des Moduls ist es, das beherrschte Anwenden der in den vorangegangenen Modulen erworbenen Methoden, Konzepte und Werkzeuge in einem realitätsnahen industriellen Kontext unter Beweis zu stellen. Im Zentrum steht die projektbasierte Arbeit an einer komplexen, offenen Problemstellung aus dem Bereich Industrial AI. Die Studierenden bearbeiten das Projekt in Zweier-Teams und durchlaufen dabei den vollständigen Entwicklungszyklus eines KI-Systems – von der Problemdefinition über Modellierung, Training und Evaluation bis hin zu Deployment, Dokumentation und Präsentation. Besonderer Wert wird auf Robustheit, Nachvollziehbarkeit und industrielle Umsetzbarkeit gelegt.

Mögliche Projektstellungen umfassen unter anderem:

  • Robotersteuerung durch Simulation und Training in NVIDIA Isaac Sim / Omniverse mit anschließender Übertragung auf einen realen Universal Robot,
  • Steuerung autonomer Systeme (z. B. Drohnen) mittels Reinforcement Learning,
  • Aufbau einer robusten Machine-Learning-Pipeline nach MLOps-Richtlinien (Versionierung, Deployment, Monitoring),
    Entwicklung eines agentischen Systems (z. B. RL- oder LLM-basierte Agenten) in Zusammenarbeit mit einem industriellen Partner.


Die Studierenden arbeiten mit modernen Entwicklungswerkzeugen und orientieren sich an industriellen Best Practices, insbesondere in Bezug auf Softwarequalität, Reproduzierbarkeit, Dokumentation und Teamarbeit. Die Projektergebnisse werden öffentlichkeitswirksam aufbereitet und praktisch demonstriert.

Klassenunterricht mit 2 Lektionen pro Woche
Disclaimer

Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.