Ziele verstehen.
Ideen entwickeln.

Grundlage waren 17.414 stündliche Beobachtungen von Januar 2015 bis Januar 2017. Die explorative Datenanalyse untersuchte Nutzungsmuster nach Tageszeit, Jahreszeit, Wetter sowie Wochenend- und Feiertagseffekten. Für die Modellierung wurden Zeitmerkmale abgeleitet, Wetterkategorien per One-Hot-Encoding aufbereitet und numerische Wetterdaten mit Min-Max-Skalierung transformiert.

Verglichen wurden ein Mittelwert-Basismodell, lineare, Ridge- und Lasso-Regression, polynomiale Regression sowie ein mehrschichtiges neuronales Netz (MLP). Ergänzend wurden statistische Merkmalsauswahl und Hyperparameteroptimierung mit GridSearchCV untersucht. Die Bewertung erfolgte anhand des RMSE auf einem zufällig abgetrennten Testdatensatz sowie mittels verschachtelter Kreuzvalidierung.

Als finales Modell wurde ein MLP mit einer verdeckten Schicht aus zwölf Neuronen ausgewählt. Im durchgeführten Modellvergleich schnitt das MLP am besten ab. Die Umsetzung erfolgte mit Python, pandas und scikit-learn in Jupyter; Matplotlib und Seaborn dienten der Visualisierung.

Die Anwendung erkennt gesprochene Raumangaben einschließlich deutscher Zahlwörter und übersetzt sie in eine Raum-ID. Eine Flask-API fragt die zugehörigen Temperaturmessungen über Flux aus der InfluxDB ab und liefert sie als JSON an Unity. Ein HTTPS-Tunnel über ngrok verbindet die Brille mit dem lokalen Backend.

Das AR-Overlay zeigt Temperatur, Zeitstempel und Messwertverzögerung. Eine Farbcodierung von Blau über Weiß bis Rot erleichtert die Einordnung. Automatisches Polling, das Zurücksetzen der Anzeige bei Raumwechsel und verständliche Fehlermeldungen unterstützen die Bedienung.

Nach einem ersten MQTT-Prototyp wechselte das Team zu InfluxDB, um die Messwerte gezielt den Räumen zuzuordnen und auf eine stabilere Datenquelle zuzugreifen. Das Ergebnis ist ein modularer Prototyp für die sprachgesteuerte Visualisierung von Gebäudedaten.

D.A.V.I.S. übersetzt Nutzerfragen in SQL-Abfragen, ruft die passenden Daten aus SAP HANA ab und erläutert die Ergebnisse in verständlicher Sprache. FastAPI steuert den Ablauf und verarbeitet Anfragen asynchron. Die modulare Architektur trennt Anfrageverarbeitung, SQL-Generierung, Datenbankzugriff und Antwortgenerierung.

Ein semantisches Gesprächsgedächtnis mit LlamaIndex bewahrt relevante Gesprächsinhalte und unterstützt Folgefragen im bisherigen Kontext. Ein mehrstufiger Cache berücksichtigt die Absicht und Bedeutung ähnlicher Fragen und hält Abfrageergebnisse sowie fertige Antworten vor. So lassen sich vorhandene Ergebnisse wiederverwenden und unnötige KI- und Datenbankaufrufe reduzieren.

Die Verarbeitung richtet sich nach der Größe der Abfrageergebnisse: Kleine Datenmengen werden direkt verarbeitet, größere Ergebnisse gesondert behandelt, um Token-Limits und Ressourcenverbrauch zu berücksichtigen. Im Projekt wurden die Komponenten durchgängig integriert und anhand verschiedener Nutzeranfragen auf Ergebnisqualität und Stabilität geprüft.

Ein vortrainiertes EfficientNet-B0 wurde mittels Transfer Learning als Multi-Label-Image-Classifier eingesetzt. Dadurch lassen sich einem Bild mehrere inhaltlich passende Labels zuordnen.

Die End-to-End-Architektur verbindet Azure Blob Storage, Azure Synapse Analytics und Azure Cosmos DB. Ein Power-BI-Dashboard unterstützt die Validierung und Visualisierung der Suchergebnisse. Die Umsetzung erfolgte mit Python und PyTorch in Visual Studio Code.

Konzeption und Umsetzung einer Quizplattform mit Registrierung und Anmeldung. Nutzer können nach dem Login Fragen aus verschiedenen Kategorien beantworten. Frontend: HTML, CSS und JavaScript. Backend: Java und MySQL. Entwicklungsumgebung: Eclipse.

Der Einstieg verbindet eine Sprachwahl für Deutsch, Englisch, Türkisch und Arabisch mit der Eingabe eines einfachen Nutzerprofils. Zentrale Bedienelemente sind in diesen vier Sprachen hinterlegt. Eine Übersicht führt zu den Treffendetails; neue Aktivitäten lassen sich mit Titel, Ort, Datum und Uhrzeit, Beschreibung sowie einer maximalen Teilnehmerzahl anlegen.

Die Teilnahmefunktion führt eine Teilnehmerliste und berücksichtigt sowohl bereits eingetragene Namen als auch die Kapazitätsgrenze. Ein treffensbezogener Fragen-und-Antworten-Bereich demonstriert den Austausch von Nachrichten mit Absendernamen. Beispielaktivitäten wie Gartenarbeit, Kaffeerunden und Spaziergänge veranschaulichen den Einsatz im Quartier.

Die Umsetzung erfolgt in Swift und SwiftUI mit Xcode. Ein zentraler ObservableObject-Store und SwiftUI-Bindings halten die Ansichten bei Änderungen synchron. Treffen, Profile und Nachrichten werden im Prototyp lokal im Arbeitsspeicher verwaltet. Der Schwerpunkt liegt auf der Gestaltung und Demonstration der Nutzerabläufe.

Im Büro lassen sich die hochgeladenen Dokumente sortieren, kommentieren und zusammenführen. Daraus können direkt Rechnungen erstellt werden. Von der Idee über die Datenbank- und Sicherheitsarchitektur bis zum laufenden Betrieb habe ich das Projekt eigenverantwortlich umgesetzt.

Den Schwerpunkt habe ich auf Datensicherheit mit Mandantentrennung und Rollenrechten gelegt, außerdem auf rechtssichere Rechnungsabläufe und einen kosteneffizienten Cloud-Betrieb.

DocFleet ist KI-gestützt entwickelt. Ich setze KI-Modelle gezielt beim Programmieren ein und lasse jede größere Änderung zusätzlich von mehreren unabhängigen KI-Systemen prüfen. Welche Hinweise berechtigt sind, entscheide ich selbst, und nichts geht ohne Test und Versionskontrolle live. So konnte ich als Einzelperson ein produktionsreifes System aufbauen und die Qualität dabei kontrolliert halten.

Jeden Befund verifiziere ich am Code, bevor er umgesetzt wird. Ein integriertes Feedback-System speichert bestätigte Erkenntnisse und Fehlalarme mit konkretem Beleg, sodass das Tool mit jedem Einsatz zuverlässiger wird.

Der Ablauf ist fest: Commit, Umsetzung, Test, Review, Prüfung der Befunde und erneuter Test. So bleibt die Entwicklung nachvollziehbar und sicher. ai-review ist das Werkzeug, mit dem ich auch DocFleet absichere.