Neue Mitarbeitende im First-Level-Support finden passende Dokumentation oft nicht und eskalieren Tickets unnötig. Doku-Assist analysiert eingehende Tickets mit einem lokal betriebenen Sprachmodell und schlägt per Retrieval-Augmented Generation passende Wiki-Artikel vor. Weil Modell und Daten im eigenen Haus bleiben, verlassen vertrauliche Ticketinhalte nie das Unternehmen. Der Mensch löst das Problem, das System liefert das Wissen.

Thermische 3D-Modelle von Gebäuden helfen bei Inspektion und Energieeffizienz, lassen sich aus Wärmebildern allein aber kaum rekonstruieren. Wir bauen das 3D-Modell aus RGB-Aufnahmen, klassisch mit COLMAP oder neuronal mit Neuralangelo, und übertragen die Temperaturwerte anschließend über kalibrierte Projektion auf das Modell. Validiert an einem Gebäude der Jade Hochschule, aufgenommen mit einer DJI Mavic 3T.

Gewachsene Datenbankschemata mit vielen verknüpften Tabellen sind schwer zu überblicken. Über das Model Context Protocol (MCP) erhält ein Sprachmodell gezielte Werkzeuge: Es findet über einen Graphen der Fremdschlüsselbeziehungen den Weg zwischen Tabellen, erzeugt passendes SQL und führt es aus. So beantwortet es auch unvorhergesehene Fragen an die Daten, ohne für jedes Schema eine eigene RAG-Lösung zu bauen.

Windenergieanlagen sind Wind und Wetter ausgesetzt, Schäden früh zu finden spart Kosten. Wir vergleichen die Transformer-Architekturen ViTDet und Swin Transformer mit dem CNN ResNet bei der Lokalisierung von Schäden, auf einem öffentlichen Datensatz und auf eigenen RGB- und Wärmebildern. Der Swin Transformer liefert die besten Ergebnisse, Wärmebilder verbessern die Erkennung nur leicht.

Wir erforschen, wie Large Language Models (LLMs) komplexe juristische Fragen sicher und zuverlässig beantworten können. Da deutsche Gesetzestexte in LLMs nicht vollständig abgebildet sind, verbinden wir sie mit einer vertrauenswürdigen Neo4J-Datenbank, sodass Antworten auf echten Gesetzen und Gerichtsentscheidungen basieren. Durch den lokalen Betrieb des Systems verlassen keine sensiblen Daten Ihren Computer – der Datenschutz bleibt gewahrt. Unsere ersten Ergebnisse zeigen, dass KI präzise und gut zitierte juristische Antworten liefern kann und somit den Weg für zukünftige Werkzeuge ebnet, die Klarheit und Vertrauen in den Rechtsbereich bringen.

Diese Studie untersucht, wie Drohnen in Kombination mit Infrarot-Thermografie und KI die Fehlererkennung bei Solarmodulen revolutionieren können. Durch den Vergleich von Vision Transformers und YOLOv8 zeigen wir, wie moderne Modelle selbst kleinste Anomalien erkennen und klassifizieren. Unser kuratiertes Datenset und eine speziell entwickelte Inspektionspipeline optimieren die Fehlererkennung – von der Aufnahme thermischer Bilder bis zur automatisierten Analyse – und helfen Betreibern, Photovoltaikanlagen effizienter und zuverlässiger zu warten.

Wetterbedingungen beeinflussen Smart Cities und Stromnetze stark – von Schwankungen erneuerbarer Energien bis hin zum Heiz- und Kühlbedarf. Um diese Effekte vorherzusagen, sind präzise ex-ante Wettervorhersagen entscheidend. PredProy nutzt fortschrittliche numerische Wettermodelle, um Simulationen für Smart Cities und Stromnetze zu speisen. So werden operative Entscheidungen verbessert und Risiken wie Ausfälle oder Netzüberlastungen reduziert. Unser Ansatz verbindet Forschungserkenntnisse mit Industrieerfahrung und schafft die Grundlage für eine zuverlässigere und proaktivere Energieverwaltung.

Wir haben eine modellbasierte Methode entwickelt, um CGMES-Stromnetzmodelle in voll funktionsfähige operative Netzwerke umzuwandeln. Mithilfe einer Graphdatenbank und Model-Driven Architecture werden Netzdaten in simulationsfähige Pandapower-Netzwerke überführt. Unser Ansatz validiert und verbindet Netzkomponenten automatisch mit der zugrunde liegenden CIM-Ontologie und ermöglicht so präzise Simulationen – selbst bei großflächigen Netzen mit erneuerbaren Energiequellen. Diese Arbeit schlägt eine Brücke zwischen Softwaretechnik und Energiesystemmodellierung für praxisnahe Anwendungen.

Wir haben eine Methode entwickelt, um Neigungswinkel und Ausrichtung von Solarmodulen auf Dächern ausschließlich anhand von Satellitenbildern zu schätzen. Durch die Nutzung von Dachformen und leichten Deep-Learning-Modellen (MobileNetV2 und YOLOv4) kann unser System die Anordnung der Module ohne Hochleistungs-GPUs vorhersagen. Da kein Datensatz verfügbar war, haben wir einen eigenen aus sechs europäischen Standorten über Google Maps erstellt und die Wirksamkeit der Methode bewiesen. Diese Forschung verbessert die Echtzeitschätzung der Solarstromerzeugung über ganze Regionen hinweg.

Wir haben ein Simulationsframework entwickelt, das die Planung energieeffizienter Rechenzentren unterstützt. Aufbauend auf einer ontologischen Grundlage gewährleistet es Flexibilität, Interoperabilität und die Nutzung offener Standards. Eingebettet in ein umfassendes Umweltmanagementsystem (CEMIS) ermöglicht es Unternehmen, bestehende Infrastrukturen zu analysieren und nachhaltigere Architekturen zu testen – und so den Übergang zu einer grüneren IT zu beschleunigen.