Das Paper stellt eine blockbasierte Entwicklungsumgebung vor, die es auch Nicht-Programmierern ermöglicht, KI-Modelle direkt auf Edge-AI-Hardware zu erstellen und auszuführen. Durch visuelle Programmierbausteine wird die Komplexität von Machine Learning stark reduziert und der Zugang zu Edge-AI-Anwendungen deutlich vereinfacht. Die Plattform wurde nutzerzentriert entwickelt, technisch auf ressourcenbeschränkte Geräte ausgelegt und in Nutzerstudien erfolgreich evaluiert. Damit leistet die Arbeit einen wichtigen Beitrag zur praxisnahen und didaktisch sinnvollen Vermittlung von KI-Kompetenzen, insbesondere im Bildungs- und IoT-Kontext.
_{Koß, A., Dartmann, G., Gollmer, K., & Fazlic, L.B. (2025). Simplifying Edge AI: A Block-Based Development Platform for IoT Applications. 2025 MIPRO 48th ICT and Electronics Convention, 274-279.}

Das Paper stellt ein integriertes Low‑Code‑Framework für IoT‑Anwendungen vor, das Sensorprogrammierung, Datenerfassung und Echtzeit‑Datenanalyse für (MOX‑)Gassensoren deutlich vereinfacht. Kernbausteine sind SensorBlockly (Ardublockly/Blockly‑Erweiterung zur einfachen Einbindung und Datenspeicherung von MOX‑Sensoren), eine Node‑RED‑Erweiterung zur CSV‑Verarbeitung inklusive PCA/LDA sowie ein Handheld‑Messgerät auf ESP32‑Basis, das Messdaten per WLAN/MQTT an Node‑RED sendet.
_{D. Junk, S. Haab, L. Sitzius, M. Gisch, L. B. Fazlic and G. Dartmann, "Low-Code Programming Tools and Portable Sensor Devices for Data Analysis," 2025 MIPRO 48th ICT and Electronics Convention, Opatija, Croatia, 2025, pp. 280-285, doi: 10.1109/MIPRO65660.2025.11131937.}

Bei dem AI on Device Board handelt es sich um eine HAT-Platine welche lokale Datenerfassung, Inferenz und automatisches Nachtrainieren von TinyML-Modellen ohne Cloud-Anbindung ermöglicht. Es besteht aus zwei Hauptkomponenten: einem stromsparenden Sensing-Node (ESP8266) zur Sensoranbindung und Modellausführung sowie einem leistungsfähigeren Model-Node (Raspberry Pi 4) zur Verwaltung und zum Training neuer Modelle. Beide Einheiten nutzen eine gemeinsam genutzte SD-Karte zur lokalen Speicherung von Messdaten, Konfigurationen und Modellen. Durch diese Architektur wird eine datenschutzfreundliche, autonome und ressourcenschonende KI-Verarbeitung direkt auf dem Gerät realisiert.

Link Gitlab:
https://gitlab.rlp.net/vski-engineering-group/public-works/development-of-an-autonomous-edge-ai-board-prototype-for-local-automated-training-and-inference-of-tinyml-algorithms

Das KI-Labor ermöglicht Lehrenden und Studierenden, KI-Projekte gemeinsam umzusetzen. Im Mittelpunkt steht der Transfer von Theorie und Algorithmen in praxisnahe Anwendungen, wodurch Lernende Inhalte besser verstehen und direkt anwenden können. Zugleich dient das Labor als Plattform für Zusammenarbeit und Austausch: Ideen werden weiterentwickelt, Lösungen erarbeitet und reale Use Cases gemeinsam bearbeitet. Die offene, interaktive Lernumgebung stärkt Kreativität und Innovationsgeist.

Hier geht's zum KI-Labor.

Das Sensorlabor im Umfeld des KI-Labors erprobt neue Methoden zur Erfassung und Auswertung von Messdaten mit einer Vielzahl von Sensortypen – von Gas- bis hin zu optischen Sensoren. Im Fokus stehen Verfahren der Signalverarbeitung sowie die Entwicklung und Validierung grundlegender Algorithmen zur Messdatenerfassung, -verarbeitung und -interpretation unter realen Bedingungen. Darüber hinaus werden automatisierte Prozesse der Datengenerierung und Probenkonditionierung mithilfe robotischer Anwendungen analysiert und durch Forschungsdemonstratoren gezielt verbessert.

Hier geht's zum Sensor-Labor.

Innerhalb der ersten Projektphase wurden die Inhalte auf OpenOlat bereitgestellt. Sie dienten als Einführung in das Thema Künstliche Intelligenz und umfassten sowohl Grundlagen als auch Anwendungsbeispiele. Die Materialien waren zielgruppenübergreifend konzipiert und damit für unterschiedliche Vorkenntnisse geeignet. Auf dieser Basis wurden die Inhalte im weiteren Projektverlauf gezielt erweitert und ausgebaut.

OpenOlat-Kurs: https://olat.vcrp.de/url/RepositoryEntry/3371500278

Kurs 1: AR-Hive
In diesem Kurs wird die innovative Anwendung von AI Technologien im Bereich der Imkerei behandelt. "AR-Hive" bietet einen Einblick in die Möglichkeiten, die AI für die Überwachung und Verwaltung von Bienenstöcken bietet. Der Kurs verbindet theoretische Grundlagen mit praktischer Anwendung und ermöglicht es den Teilnehmern, durch multiple-choice Quizze das Gelernte selbst anzuwenden. Zusätzlich bietet der Kurs die Möglichkeit, den Bienenstock in Augmented Reality (AR) zu erkunden, was ein zusätzliches Verständnis bieten soll.

https://beehive.umwelt-campus.de/
https://gitlab.rlp.net/disco/beehive-online-kurs.git

Kurs 2: Künstliche Nase
Im Folgenden wird die Thematik der SVM behandelt. Der Kurs „Künstliche Nase“ erläutert neben den theoretischen Grundlagen einer Support Vector Machine und  auch die praktische Anwendung dieser. Dem Nutzer bietet sich die Möglichkeit innerhalb von interaktiven Beispielen das Gelernte selbst anwenden und visualisieren zu können. 

https://gitlab.rlp.net/disco/sniff-online-kurs.git
https://sniff.umwelt-campus.de/home

Kurs 3: Dynamic Time Warping
DTW (Dynamic Time Warping) ist ein Algorithmus, mit dem man zwei Zeitserien unterschiedlicher Länge vergleichen kann. Das am weitesten verbreitete Anwendungsbeispiel ist die Spracherkennung. Dieser Kurs erklärt die theoretischen Grundlagen und praktische Anwendung des Verfahrens. Dem Nutzer bietet sich die Möglichkeit innerhalb von interaktiven Beispielen das Gelernte selbst anwenden und visualisieren zu können.

https://warp.umwelt-campus.de/#/home
https://gitlab.rlp.net/disco/warp-online-kurs.git

Die Matching-Plattform dient dazu Menschen mit Digitalisierungsbedarf, zum Beispiel Landwirte oder Dorfgemeinschaften, mit regionalen Anbietern von Lösungen zu verbinden. Dazu zählen KMUs, Handwerksbetriebe und freiberufliche Anbieter. Im Mittelpunkt steht ein KI-gestützter Assistent, der eine sprachbasierte und personalisierte Interaktion ermöglicht und so den Zugang zu passenden Produkten und Dienstleistungen deutlich erleichtert.

Die Plattform verwendet einen Wissensgraphen, der Unternehmensprofile, Leistungsangebote und relevante Metadaten in strukturierter Form abbildet. Der KI-Assistent nutzt ein Graph Retrieval Augmented Generation (GraphRAG) Prinzip, um Anfragen zu analysieren, relevante Knoten im Graphen zu identifizieren und gezielt Anbieter vorzuschlagen. Die Interaktion mit dem Nutzer erfolgt über ein generatives Sprachmodell, das in die Weboberfläche integriert ist und eine dialogorientierte, kontextbezogene Kommunikation ermöglicht. Der KI-Assistent ist als LLM-Agent realisiert und kann dynamisch auf Abfragen wie Filterparameter reagieren. Filter wie Region oder Branche werden direkt in die Abfrage-Logik des Wissensgraphen integriert. Die gesamte Systemarchitektur ist so ausgelegt, dass eine Erweiterung des Datenbestands und die Anbindung zusätzlicher Datenquellen möglich sind.

Link Plattform:
matching.umwelt-campus.de

Link Gitlab: 
https://gitlab.rlp.net/s20a8d902543/matching-plattform-public 

Links Matching-Plattform, V1:
Plattform: https://gitlab.rlp.net/s.kopp/matchme-maker-plattform.git
Algorithmus: https://gitlab.rlp.net/m.morgen/matchme.git

Links Matching-Plattform, V2:
Plattform: https://gitlab.rlp.net/rgdsai/rural-llm-platform
Evaluierung: https://gitlab.rlp.net/rgdsai/rural-llm-evaluation

1. A. Koß, G. Dartmann, K. -U. Gollmer and L. B. Fazlic, "Simplifying Edge AI: A Block-Based Development Platform for IoT Applications," 2025 MIPRO 48th ICT and Electronics Convention, Opatija, Croatia, 2025, pp. 274-279, doi: 10.1109/MIPRO65660.2025.11131719
2. Cetkin B., Begic Fazlic L., Ueding K., Machhamer R., Guldner A., Creutz L., Naumann S., Dartmann G. (2024): "Spatial Impulse Response Analysis and Ensemble Learning for Efficient Precision Level Sensing." In: Discov Artif Intell 4, 63.
3. Machhamer R., Begic Fazlic L., Guven E., Junk D., Karabulut-Kurt G., Naumann S., Didas S., Gollmer K., Bergmann R., Timm I. J., Dartmann G., "Likelihood-Based Sensor Calibration Using Affine Transformation," in IEEE Sensors Journal, vol. 24, no. 3, pp. 3672-3680, 1 Feb. 2024, doi: 10.1109/JSEN.2023.3341503
4. D. Junk, S. Haab, L. Sitzius, M. Gisch, L. B. Fazlic and G. Dartmann, "Low-Code Programming Tools and Portable Sensor Devices for Data Analysis," 2025 MIPRO 48th ICT and Electronics Convention, Opatija, Croatia, 2025, pp. 280-285, doi: 10.1109/MIPRO65660.2025.11131937.
5. Urschel, B., Begic Fazlic, L., Morgen, M., Machhamer, M., Dartmann, G. and K. -U. Gollmer, "A Machine Learning Approach for Optimal Ventilation based on Data from CO2 Sensors," 2022 Sensor Data Fusion: Trends, Solutions, Applications (SDF), Bonn, Germany, 2022, pp. 1-6, doi: 10.1109/SDF55338.2022.9931945.
6. Schacht, M., Murach, J., Guldner, A., Begic Fazlic, L., Creutz, L., Naumann, S., Gollmer, K-U., Dartmann, G. (2025). Architecture of an AI on Device board for local, automated training and inference. In: 2025 MIPRO 48th ICT and Electronics Convention, IEEE, Jun. 2025, pp. 6–11. doi: 10.1109/mipro65660.2025.11132080. Online: https://docs.mipro-proceedings.com/ais/02_19944_ais.pdf