Projekte und Veröffentlichungen

Veröffentlichungen

Per-Substructure Attribution of Knowledge-Graph Value for German Statutory Retrieval

Als Full Paper angenommen bei der JURIX 2026 in Toulouse, der europäischen Konferenz für juristische Wissens- und Informationssysteme. Erscheint bei IOS Press.

Die Arbeit misst, welche Schicht eines Wissensgraphen den Nutzen im Retrieval tatsächlich trägt, statt sie als Ganzes anzunehmen.

Multi Agent Deep Q-Network Approach for Online Job Shop Scheduling in Flexible Manufacturing

Veröffentlicht auf der ICMSMM 2020, International Conference on Manufacturing System and Multiple Machines, Tokio, Japan

Workshops und Vorträge

Democratizing AI: Empowering the Next Generation

Ganztägiger Workshop für die MCA-Fakultät der United School of Business Management, Bhubaneswar, Indien (Februar 2026) — Bericht zur Veranstaltung

Responsible and Intelligent Use of Artificial Intelligence

Geladener Gastredner im Workshop der School of Computer Sciences, Odisha University of Technology and Research, Bhubaneswar, Indien (Februar 2026) — Bericht zur Veranstaltung

KI-Systeme im Produktivbetrieb

Wissensgraphen für das deutsche Recht: eigene Forschung

Frage: Kann ein Wissensgraph die schiere Größe eines Sprachmodells ersetzen, und welche Schicht des Graphen trägt den Nutzen? Dazu das Bundesrecht bis unterhalb der Absatzebene mit mehreren hunderttausend auslegenden Entscheidungen aller Instanzen verknüpft und jede Schicht einzeln gemessen.

Befund: Die Verweisschicht zwischen Normen, auf der die meisten „KG-gestützten“ Systeme aufsetzen, ist für das Auffinden ein messbarer Nulleffekt. Der Nutzen sitzt in der Zitationsschicht der Entscheidungen.

Technologien: Neo4j, Qdrant, Python, RAG und GraphRAG, Fine-Tuning, offene Sprachmodelle, Betrieb auf eigener Infrastruktur (On-Premises)

Stand: „Per-Substructure Attribution of Knowledge-Graph Value for German Statutory Retrieval“, als Full Paper angenommen bei der JURIX 2026 in Toulouse, der europäischen Konferenz für juristische Wissens- und Informationssysteme, erscheint bei IOS Press.

LightRAG-Wissensgraph-Pipeline

Beschreibung: Ein flexibles System zur Aufnahme von Dokumenten und zum Abruf aus einem Wissensgraphen, aufgebaut auf LightRAG. Dokumente werden eingelesen, Entitäten und Beziehungen in einen Wissensgraphen überführt und Anfragen mit abrufgestützter Generierung (RAG) beantwortet.

Technologien: GraphRAG, Wissensgraphen, Python, RAG

Auf GitHub ansehen

KI-gestützte Risikoanalyse aus Unternehmensunterlagen

Beschreibung: Ein System zur automatisierten Risikoanalyse, das Verträge, Beteiligungsstrukturen und Jahresabschlüsse auswertet. Es zieht die einschlägigen Angaben heraus, beantwortet vorgegebene Risikofragen und erzeugt eine bearbeitbare Risikomatrix mit direkten Fundstellen zu den Ausgangsdokumenten. Der Auswertung geht eine Texterkennung (OCR) der eingehenden Unterlagen voraus.

Technologien: OCR, Dokumentenextraktion, Sprachmodelle, RAG, Audit Trail

Intern eingesetzt, um wissensintensive Compliance-Abläufe zu automatisieren, die zuvor auf manueller Auswertung durch Fachleute beruhten.

Messbare Wirkung:

Aufwand je Fall von rund 6–8 Stunden auf etwa 1–1,5 Stunden gesenkt (rund 75 % weniger)
Einheitlichere Risikoeinschätzungen durch standardisierte Fragelogik
Bessere Nachvollziehbarkeit durch automatische Fundstellen

Automatisierte Bewertung von Sprachmodellen (Python)

Beschreibung: Ein Rahmenwerk in Python, um verschiedene Sprachmodelle systematisch zu vergleichen. Es fährt standardisierte Testläufe mit wechselnden Modell- und Bot-Parametern, erstellt eine strukturierte Rangfolge nach definierten Qualitätsmaßen und stellt wiederverwendbare Vorlagen bereit, so dass neue Testfälle ohne zusätzliche Programmierung eingerichtet werden können.

Messbare Wirkung:

Modellvergleiche von mehreren Tagen auf unter eine Stunde je Durchlauf verkürzt
Objektive, wiederholbare Bewertung statt subjektiver Einzeltests
Einführung neuer Modelle von Wochen auf wenige Tage verkürzt

KI-Plattform zur Selbstbedienung für Fachabteilungen

Beschreibung: Backend-Werkzeuge und Chat-Oberflächen innerhalb einer internen KI-Plattform, mit denen Fachabteilungen eigene Assistenten für die Dokumentenverarbeitung einrichten konnten, ohne Unterstützung durch die Entwicklung.

Messbare Wirkung:

über 20 produktive Fachassistenten innerhalb weniger Monate
Anfragen an die IT für wiederkehrende Auswertungen um über 60 % gesenkt

Technologien: Microsoft AI Foundry, Azure, Azure Managed Identities und RBAC, Keycloak, Mandantenfähigkeit, quelloffene und proprietäre Sprachmodelle

Daten- und Cloud-Architektur

Data-Engineering-Challenge: Azure-Zielarchitektur

Beschreibung: Vollständige Bearbeitung einer Data-Engineering-Aufgabe für Sensordaten: Anforderungsfragen, Abwägung der Technologieoptionen, offengelegte Annahmen, eine Azure-Zielarchitektur samt Governance-Schicht und die Transformation in PySpark, dazu eine Datenanalyse im Notebook.

Technologien: Azure, PySpark, Data Lake, Azure Functions, Azure DevOps, Azure Active Directory, Azure Policy, Docker, Jupyter

Auf GitHub ansehen

DevOps-Projekte

GitOps mit GitHub Actions

Beschreibung: Eine praktische Umsetzung von GitOps mit Terraform, Kubernetes, GitHub Actions, Docker, AWS und EKS, einschließlich Aufbau der Infrastruktur und Auslieferung der Anwendung. Angelehnt an „Practical GitOps“ von Rohit Salecha.

Technologien: Terraform, Kubernetes, GitHub Actions, Docker, AWS, EKS, DockerHub, GitHub Packages

Auf GitHub ansehen