Ein Ort zum gemeinsamen Forschen, Lehren und Anwenden von KI-Technologie.

Hier findet ihr eine Sammlung von Projekten, Code-Beispielen und Ressourcen, die im Rahmen unserer Aktivitäten in Forschung, Lehre und Praxis entstehen.

Die KI-Werkstatt der HTW Berlin ist ein zentraler Ort für das gemeinsame Lehren, Forschen und Anwenden von KI-Technologie auf aktuelle Praxisprobleme. Unser Ziel ist es, eine hochschulweite Infrastruktur zu schaffen, die es Studierenden, Lehrenden und Forschenden ermöglicht, KI-Algorithmen auf höchstem wissenschaftlichem Niveau zu nutzen und weiterzuentwickeln.

Unsere Arbeit konzentriert sich auf drei Kernbereiche:

• 🎓 Lehre: Mit der KI-Lehr-Werkstatt Interdisziplinär (KIWI) schaffen wir einen Raum für das gemeinsame Lehren, Lernen und Anwenden von KI. Wir entwickeln einen KI-Modulbaukasten, um die KI-Lehre interdisziplinär zu fördern.
• 🔬 Forschung: Wir fördern die interdisziplinäre und gemeinsame Forschung zum Thema Künstliche Intelligenz an der HTW Berlin.
• 💻 Service & Anwendung: Wir stellen eine leistungsstarke Infrastruktur, wie unseren neuen Ollama Server mit 2x H100 GPUs, zur Verfügung und unterstützen bei der Umsetzung innovativer Projekte.

Mit l0l2learn können die wichtigsten Merkmale für Vorhersagemodelle gefunden werden. Es werden zwei Klassifikatoren bereitgestellt, mit optionalem Resampling zur Verbesserung der Stabilität bei der Merkmalsauswahl.

📄 Paper: doi.org:10.1515/ijb-2025-0024

📦 l0l2learn

pip install l0l2learn

RamanBench ist ein offenes Benchmark-Framework für das systematische Evaluieren von ML-Modellen auf Raman-Spektroskopiedaten — inklusive öffentlichem Leaderboard und einem kuratierten Datensatz-Paket.

🏆 Leaderboard	huggingface.co/spaces/HTW-KI-Werkstatt/RamanBench
📦 RamanBench
📊 raman-data

pip install raman-bench raman-data

LLMs nutzen ihr komprimiertes Weltwissen, um intrinsisch interpretierbare Entscheidungsbäume ohne Trainingsdaten zu generieren. Zero-Shot-Bäume übertreffen auf kleinen tabellarischen Datensätzen teils datengetriebene Verfahren; Embeddings daraus liefern starke neue Baselines im Low-Data-Regime.

📄 Paper: doi.org:10.1145/3711896.3736818

📦 llm-trees

pip install llm_trees

Interaktives Werkzeug zur Analyse neuronaler Netzwerkrepräsentationen durch menschlich interpretierbare Konzepte. Zwei informationstheoretische Maße quantifizieren Konzeptsalienz und -selektivität; ein Web-Dashboard macht Ergebnisse explorierbar.

📄 Paper: urn:nbn:de:0074-4259-x

📦 concept-tracer

pip install concept-tracer

Experimentelles Framework zum Training und zur Evaluation von ML-Modellen auf tabellarischen Daten, angereichert durch LLM-basierte Text-Embeddings. Unterstützt 16 LLM-Embedding-Quellen, Random Tree Embeddings und verschiedene Fusionsstrategien.

📄 Paper: arxiv:2603.17737

📦 tab-embeddings

CLI-Tool zur systematischen Evaluation von Bildklassifikationsmodellen unter Bildaugmentierungen (Helligkeit, Blur, Rauschen, Wetterbedingungen u. v. m.). Unterstützt Hugging Face- und Ollama-Modelle (VLMs, CNNs, ViTs). Entwickelt im Rahmen des TAHAI-Projekts.

📦 deepbench

Mono-Repo für iterative Modellanpassung durch menschliches Feedback bei der Objektdetektion. Kombiniert ein Next.js-Frontend und ein FastAPI-Backend (GPU-fähig) via Docker Compose.

📦 iterative-annotate

ML-Algorithmen zur Erkennung von Brustkrebs aus zeitaufgelösten optischen Mammographiedaten. Enthält Klassifikations- und AutoML-Experimente sowie eine Sparsifizierungssimulation reduzierter Hardwarekonfigurationen.

📦 optical_mammography_analysis

Du möchtest ein KI-Projekt starten, hast eine Idee für eine Kooperation oder möchtest einfach mehr erfahren? Wir freuen uns immer über neue Gesichter und spannende Ideen.

• Webseite: https://kiwerkstatt.f2.htw-berlin.de/
• Kontakt: Kontaktiere Uns