Wissensgraphen und KI-gesteuerte AnwendungenModulbeschreibung #41261 / Version 1
- 6 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #41261 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Hauswirth, Manfred |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Telekommunikationssysteme |
| Fachgebiet | 34332300 FG Open Distributed Systems (ODS) |
Kontakt
| Sekretariat | HFT 3 |
|---|---|
| Ansprechpartner*in | Le Phuoc, Danh |
| E-Mail-Adresse | lehre@ods.tu-berlin.de |
| Webseite | Keine Angabe |
Lernergebnisse
In einer zunehmend datengetriebenen Welt besteht eine zentrale Herausforderung darin, komplexe und miteinander verknüpfte Informationen zu verstehen und nutzbar zu machen - sei es in der Robotik, in Smart Cities, im Automobilbereich oder bei Digitalen Zwillingen. Wissensgraphen haben sich als leistungsstarkes Paradigma zur Strukturierung und zum Schließen über semantische Daten etabliert. Sie ermöglichen intelligenten Systemen, vielfältige Informationsquellen zu integrieren, zu interpretieren und darauf zu reagieren. Dieser Kurs bietet eine umfassende Einführung in die Grundlagen, den Aufbau, die Speicherung und die KI-gestützten Anwendungen von Wissensgraphen. Die Teilnehmenden lernen sowohl theoretische Konzepte als auch praktische Umsetzungen kennen und erwerben die Fähigkeiten, Wissensgraphen in modernen KI-Systemen mit großen Sprachmodellen (LLMs) und Foundation Models effektiv einzusetzen. Anhand praxisnaher Beispiele und Übungen entwickeln sie Kompetenzen zur Erstellung skalierbarer, dynamischer und kontextbewusster Wissenssysteme, die symbolisches Schließen und maschinelles Lernen miteinander verbinden. Zusammenfassend umfassen die Lernziele:
- Kenntnisse über Wissensgraphen demonstrieren.
- Fähigkeiten in der Anwendung von Wissensgraphen in KI-gesteuerten Anwendungen in den Bereichen Robotik, Automobilindustrie und Smart Cities demonstrieren
- Kenntnisse über Wissensgraphen demonstrieren.
- Fähigkeiten in der Anwendung von Wissensgraphen in KI-gesteuerten Anwendungen in den Bereichen Robotik, Automobilindustrie und Smart Cities demonstrieren
Lehrinhalte
Die Kursinhalte sind in vier Blöcke unterteilt:
I) Grundlagen für Wissensgraphen
• Zentrale Konzepte und Formalismen
• Abfragesprachen und Verarbeitungsoperatoren
• Wissensgraph-Embeddings
II) Aufbau von Wissensgraphen
• Datenaufnahme und -transformation
• Anreicherung und Angleichung
• Einsatz von LLMs und Foundation Models
III) Speicherung und Verarbeitung von Wissensgraphen
• Speicherdesign für Wissensgraphen
• Verarbeitung von Graphabfragen
• Schließen mit Wissensgraphen
• Streaming-Daten mit dynamischen Wissensgraphen
IV) KI-gesteuerte Anwendungen von Wissensgraphen
• Wissensgraphen in Computer Vision und Robotik
• Wissensgraphen in Gebäuden und Smart Cities
• Wissensgraphen in der Automobilindustrie
• Wissensgraphen in Digitalen Zwillingen
- Aufgaben: alle paar Wochen müssen Studierende eine größere Codebasis abgeben.
- Labor: Im Laufe des Semesters finden Programmierübungen statt, und die Studierenden werden dabei aufgefordert, ihre Arbeit zu erklären und vorzustellen.
- Präsentation (Q&A): Am Ende des Semesters werden die inkrementellen Ergebnisse als eine Projektabgabe zusammengeblendet. Diese wird in einem Vortrag verteidigt.
I) Grundlagen für Wissensgraphen
• Zentrale Konzepte und Formalismen
• Abfragesprachen und Verarbeitungsoperatoren
• Wissensgraph-Embeddings
II) Aufbau von Wissensgraphen
• Datenaufnahme und -transformation
• Anreicherung und Angleichung
• Einsatz von LLMs und Foundation Models
III) Speicherung und Verarbeitung von Wissensgraphen
• Speicherdesign für Wissensgraphen
• Verarbeitung von Graphabfragen
• Schließen mit Wissensgraphen
• Streaming-Daten mit dynamischen Wissensgraphen
IV) KI-gesteuerte Anwendungen von Wissensgraphen
• Wissensgraphen in Computer Vision und Robotik
• Wissensgraphen in Gebäuden und Smart Cities
• Wissensgraphen in der Automobilindustrie
• Wissensgraphen in Digitalen Zwillingen
- Aufgaben: alle paar Wochen müssen Studierende eine größere Codebasis abgeben.
- Labor: Im Laufe des Semesters finden Programmierübungen statt, und die Studierenden werden dabei aufgefordert, ihre Arbeit zu erklären und vorzustellen.
- Präsentation (Q&A): Am Ende des Semesters werden die inkrementellen Ergebnisse als eine Projektabgabe zusammengeblendet. Diese wird in einem Vortrag verteidigt.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Knowledge Graphs and AI-driven Applications | Integrierte Veranstaltung | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Knowledge Graphs and AI-driven Applications (Integrierte Veranstaltung) 1
Arbeitsaufwand und Leistungspunkte
Knowledge Graphs and AI-driven Applications (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsemzzeit | 15 | 2 h | 30 h |
| Vortrag | 15 | 4 h | 60 h |
| Übungsaufgaben/ Praxisteil | 15 | 4 h | 60 h |
| Gruppenprojekt | 15 | 2 h | 30 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Dieser Kurs beinhaltet in integrierter Form: Vorlesungen, Übungen & Labore, Gruppenprojekte
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Dieser Kurs beinhaltet praktische Übungen zur Installation, Konfiguration und Programmierung verschiedener Tools. Es wird empfohlen, dass die Studierenden über Erfahrung mit Programmiersprachen (z. B. Java, Python), relationalen Datenbanksystemen, SQL und Linux verfügen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Aufgaben | 30 | flexibel | Projektabhängig |
| (Ergebnisprüfung) Präsentation (Q&A) | 30 | mündlich | 30 mins |
| (Lernprozesservaluation) Labor | 40 | flexibel | Projektabhängig |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 25.
Anmeldeformalitäten
Bitte beachten Sie, dass die Teilnahme an der IV ab der ersten Woche verpflichtend ist.
Weitere Informationen finden Sie unter: http://www.ods.tu-berlin.de
Weitere Informationen finden Sie unter: http://www.ods.tu-berlin.de
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Aidan Hogan,et al (2021) Knowledge Graphs, Synthesis Lectures on Data, Semantics, and Knowledge, No. 22, 1-237, DOI: 10.2200/S01125ED1V01Y202109DSK022, Springer. Online Access: https://kgbook.org/
- Mayank Kejriwal, Craig A. Knoblock and Pedro Szekely (2021). Knowledge Graphs: Fundamentals, Techniques, and Applications (Adaptive Computation and Machine Learning series). The MIT Press. ISBN: 9780262045094
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Computer Science (Informatik) StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Studiengebiete › Data and Software Engineering / Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Data and Software Engineering / Data and Software Engineering | |
| Elektrotechnik StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| Medieninformatik StuPO 2017 | WiSe 2025/26 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Data Science |
| SoSe 2026 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Data Science | |
| WiSe 2026/27 | Wahlpflichtbereich › Technische Profilbereiche (A) › Data Science | |
| Medientechnik StuPO 2022 | WiSe 2025/26 | Wahlpflicht weitere Profibereiche › weiterer Profilbereich Data Science |
| SoSe 2026 | Wahlpflichtbereich Profilbereiche › Profilbereich Data Science | |
| WiSe 2026/27 | Wahlpflichtbereich › Profilbereich › Data Science | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering |
Sonstiges
Keine Angabe