Alle Auswertungen

Bachelor Maschinenbau

KIT

7 / 55

Module mit KI-Bezug

von allen Modulen des Handbuchs

13 %

KI-Anteil

Modulanteil mit Beleg

Belegte KI-Stellen

wörtlich, geprüft

davon Literatur

schwacher Beleg (K7)

Auswertung

Formuliert ausschließlich aus den geprüften Zitaten und den im Code berechneten Zahlen, ohne Wertung und ohne Ausprägungsstufen.

Datengrundlage

Im Modulhandbuch sind in 7 von 55 Modulen KI-Bezüge belegt. Es liegen 33 KI-Textstellen vor, davon 14 in Lernzielen und 19 in Inhaltsbeschreibungen; Prüfungs- und Literaturbelege sind nicht dokumentiert. Belegt sind KI als Fachinhalt, KI-Methoden und Algorithmen sowie KI-Anwendungen im Fachkontext.

Kategorienprofil

Kategorie 1 (KI als Fachinhalt) ist mit 3 Belegen in 3 Modulen dokumentiert. Im Modul „Menschzentrierte Produktentwicklung und Produktion“ werden „mobile Roboter, humanoide Roboter, KI und Steuerungen“ genannt. Das Begleitstudium Wissenschaft verweist auf Debatten zu „Digitalisierung/Künstliche Intelligenz“. Im Projekt „Data-Driven Engineering Fundamentals“ wird Erfahrung mit „Beispiele[n] Intelligenter Systeme“ aus Experimenten oder Simulationen als Lernziel beschrieben.

Kategorie 2 (KI-Methoden und Algorithmen) ist mit 17 Belegen in 2 Modulen dokumentiert. Im Modul „Menschzentrierte Produktentwicklung und Produktion“ werden die sechs Phasen des CRISP-DM-Prozesses, Datenquellen, Datenaufnahme, Datentransfer, Datenspeicherung, Datenfilterung, Datenvorverarbeitung sowie Algorithmen und Verfahren zur Implementierung von KI in der Produktion behandelt. Die Lernziele nennen maschinelle Lernverfahren, Daten-Pipelines, Deep-Learning-Verfahren sowie die Auswahl, Beurteilung und theoretische Anwendung von Verfahren des maschinellen Lernens. Außerdem wird die Auswahl oder Kombination von Methoden des maschinellen Lernens, der Optimierung und der Simulation für offene Aufgabenstellungen beschrieben.

Kategorie 3 (KI-Anwendungen im Fachkontext) ist mit 15 Belegen in 2 Modulen dokumentiert. Das Modul „Menschzentrierte Produktentwicklung und Produktion“ beschreibt die Integration von maschinellem Lernen und künstlicher Intelligenz in der Produktion entlang des CRISP-DM-Prozesses, einschließlich Datengenerierung, Datenaufbereitung, Implementierung und Absicherung im industriellen Umfeld. Als Lernziele sind die Beurteilung von Fragestellungen im Produktionskontext, der Aufbau einer Daten-Pipeline für reale Anwendungsfälle sowie die Anwendung der CRISP-DM-Phasen auf Problemstellungen in der Produktion dokumentiert. Zudem werden datengetriebene Lösungen in Produktentwicklung, Produktionssystemen, Logistik und Robotik genannt.

Die Kategorien 4 (Grundlagen mit explizitem KI-Bezug), 5 (KI als Lehr- und Lernmethode), 6 (KI-Regulierung / Ethik / Recht) und 7 (KI-Literatur) sind nicht nachgewiesen.

Verteilungsmuster

KI-Bezüge sind in 7 von 55 Modulen belegt. Die Kategorien 2 und 3 konzentrieren sich jeweils auf 2 Module; mehrere dokumentierte Inhalte stammen aus dem Modul „Menschzentrierte Produktentwicklung und Produktion“. Inhaltlich beziehen sich die Zitate insbesondere auf maschinelles Lernen, Deep Learning, Daten-Pipelines, den CRISP-DM-Prozess sowie KI-Integration in der Produktion und im industriellen Umfeld.

Gesamteinordnung

Die dokumentierten KI-Bezüge umfassen Fachinhalte, Methoden und Algorithmen sowie Anwendungen im Fachkontext. Die Textstellen beschreiben unter anderem künstliche Intelligenz in der Produktion, maschinelle Lernverfahren, Datenverarbeitung, Deep Learning, Daten-Pipelines, intelligente Systeme und datengetriebene Lösungen. Für eindeutig ableitbare Lernziele sind 4 Nennungen zu analysieren/bewerten, 7 zu anwenden, 1 zu entwickeln/gestalten und 4 zu kennen/verstehen ausgewiesen.

Methodische Grenzen

Die Belege betreffen 7 von 55 Modulen und sind damit nur in einzelnen Modulen dokumentiert. Prüfungs- und Literaturbelege liegen nicht vor.

Grundlage sind ausschließlich die unten aufgeführten, gegen den Rohtext geprüften Belege.

Belege je Kategorie

K1 · KI als Fachinhalt

K2 · KI-Methoden und Algorithmen

K3 · KI-Anwendungen im Fachkontext

K4 · Grundlagen mit explizitem KI-Bezug

K5 · KI als Lehr- und Lernmethode

K6 · KI-Regulierung / Ethik / Recht

K7 · KI-Literatur

Art der Fundstelle

Lernziel 14 (42 %)
Inhalt 19 (58 %)

Lernzielniveau

Aus dem Verb abgeleitet; unklare Fälle bleiben bewusst leer.

kennen / verstehen

anwenden

analysieren / bewerten

entwickeln / gestalten

KI-Begriffsprofil

Eine reine Wortsuche über den gesamten Handbuchtext, ohne Sprachmodell. Sie zählt jedes Vorkommen, also auch Inhaltsverzeichnisse, Studiengangs-Zuordnungen und Literaturtitel. Diese Liste ist deshalb kein Beleg für Lehrinhalte und kann deutlich länger sein als die geprüften Belege oben. Sie zeigt, wo sich ein zweiter Blick ins PDF lohnt.

Im Text gefunden

19 Begriffe, an beliebiger Stelle

clustering data analytics data science datenanalyse deep learning entscheidungsunterstützung intelligente systeme ki künstliche intelligenz künstlichen intelligenz machine learning maschinelles lernen neuronale netze predictive maintenance pytorch robotics robotik smart factory vorausschauende wartung

Nicht nachgewiesene Leitbegriffe

Zentrale KI-Begriffe, die an keiner Stelle des Handbuchs vorkommen. Das heißt nicht nachgewiesen, nicht nicht vorhanden.

computer vision natural language processing reinforcement learning digitaler zwilling generative ki large language model ai act explainable ai

Belegte KI-Stellen

Jedes Zitat wörtlich aus dem Handbuch, maschinell gegen den Rohtext geprüft.

Art: Alle Lernziel 14 Inhalt 19

Menschzentrierte Produktentwicklung und Produktion

M-MACH-106387 10 Belege

Lernziel K3 · KI-Anwendungen im Fachkontext

„verstehen die Relevanz für die Anwendung von KI in der Produktion und kennen die wichtigsten Treiber und Herausforderungen.“

Das Zitat bezieht sich ausdrücklich auf die Anwendung von KI in der Produktion.
Lernziel K3 · KI-Anwendungen im Fachkontext

„verstehen den CRISP-DM Prozess zur Implementierung von KI Projekten in der Produktion.“

Der CRISP-DM-Prozess wird zur Implementierung von KI-Projekten in der Produktion eingesetzt.
Lernziel K2 · KI-Methoden und Algorithmen

„können die wichtigsten Datenquellen, Datenaufnahmeverfahren, Kommunikationsarchitekturen, Modelle und Verfahren zur Datenverarbeitung nennen.“

Das Zitat nennt Modelle und Verfahren zur Datenverarbeitung sowie Datenaufnahme und Kommunikationsarchitekturen.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„verstehen die wichtigsten maschinellen Lernverfahren und können diese gegeneinander abgrenzen sowie im Kontext von industriellen Fragestellungen auswählen.“

Das Zitat behandelt ausdrücklich maschinelle Lernverfahren und deren Auswahl.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„sind in der Lage zu beurteilen, ob eine spezifische Fragestellung im Kontext der Produktion zielführend mit den Methoden des Maschinellen Lernens gelöst werden kann sowie welches die notwendigen Schritte zur Umsetzung sind.“

Im Zentrum stehen Methoden des maschinellen Lernens, deren Einsatz auf Produktionsfragestellungen bezogen wird.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„können weiterhin die wichtigsten Herausforderungen beurteilen und mögliche Ansätze zur Lösung nennen.“

Das Zitat bezieht sich auf Herausforderungen und mögliche Lösungsansätze im Zusammenhang mit den zuvor genannten Verfahren.
Lernziel K3 · KI-Anwendungen im Fachkontext

„sind in der Lage, die Phasen des CRISP-DM auf eine Problemstellung in der Produktion anzuwenden.“

Der CRISP-DM-Prozess soll auf eine Problemstellung in der Produktion angewendet werden.
Lernziel K2 · KI-Methoden und Algorithmen

„kennen die notwendigen Schritte zum Aufbau einer Daten-Pipeline und sind dazu in der Lage, eine solche DatenPipeline theoretisch im Kontext eines realen Anwendungsfalles aufzubauen.“

Das Zitat beschreibt den technischen Aufbau einer Daten-Pipeline für einen realen Anwendungsfall.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„sind in der Lage, Ergebnisse von gängigen Deep-Learning-Verfahren zu beurteilen und basierend darauf Lösungsvorschläge (aus dem Bereich des Maschinellen Lernens) theoretisch auszuarbeiten und theoretisch anzuwenden.“

Das Zitat nennt ausdrücklich Deep-Learning-Verfahren und Lösungsvorschläge aus dem maschinellen Lernen.
Lernziel K2 · KI-Methoden und Algorithmen Niveau: analysieren / bewerten

„Offene ingenieurtechnische Fragestellungen als datengetriebene Aufgaben analysieren, formulieren und geeignete Methoden aus maschinellem Lernen, Optimierung und Simulation auswählen.“

Das Zitat behandelt die Auswahl geeigneter Methoden aus dem maschinellen Lernen, der Optimierung und der Simulation.

Gruppenarbeit zu IT und Data Science 1 LP

T-MACH-113410 2 Belege

Lernziel Niveau: kennen / verstehen

„Studierende können die Notwendigkeiten und Wichtigkeit von IT-Systemen, Programmierung und Data Science im Maschinenbau begründen und erläutern, wie mit diesen Werkzeugen praktische Herausforderungen des Maschinenbaus gelöst werden können.“
Lernziel Niveau: anwenden

„Technische Konzepte wie Datentypen und Datenstrukturen, sowie prozedurale Implementierung und Objektorientierung sind bekannt. Weiterhin ist theoretisches und praktisches Grundlagenwissen zu Algorithmen im Allgemeinen, sowie zu Datenanalyse und Datenauswertung vorhanden.“

Project: Data-Driven Engineering Fundamentals 4 LP

T-MACH-115010 2 Belege

Lernziel K2 · KI-Methoden und Algorithmen Niveau: kennen / verstehen

„Studierende kennen ausgewählte Verfahren der maschinellen Wahrnehmung und Aktionsplanung und können Stärken und Schwächen dieser Verfahren an Beispielen verdeutlichen. Dabei beherrschen Sie sowohl klassische auf probabilistischen Modellen basierende Verfahren als auf KI-Methoden und können diese gezielt kombinieren.“

Das Zitat behandelt konkrete Verfahren der maschinellen Wahrnehmung und Aktionsplanung sowie probabilistische und KI-Methoden.
Lernziel K1 · KI als Fachinhalt Niveau: anwenden

„Studierende verfügen über Implementierungskompetenz und haben eigene Erfahrung und Expertise über Beispiele Intelligenter Systeme aus eigenem Experimentieren beispielsweise im Laborpraktikum oder aus selbst implementierter Simulation gewonnen.“

Das Zitat nennt eigene Implementierungserfahrungen mit Beispielen intelligenter Systeme.