Alle Veranstaltungen

SEMINAR · UNIVERSITÄT ZÜRICH

Applied AI Systems: Architecture, Integration, and Scaling

Dr. Oliver Gausmann leitet seit Herbst 2026 das Seminar Applied AI Systems am Institut für Informatik der Universität Zürich. Im Bachelor-Seminar (3 ECTS, auf Englisch) bauen kleine Teams in zwölf Wochen einen lauffähigen Proof of Concept für einen echten Fall und begründen ihre Architekturentscheidungen mit Kosten, Risiko und Nutzen.

Worum es geht

Das Seminar behandelt, wie aus einem KI-Prototyp ein funktionierendes, kostenbewusst gebautes System wird, und wie es in eine Organisation und an einen Markt kommt.

Bei den vier Industriefällen arbeiten Praxispartner direkt mit den Teams. Sie stellen ihren Fall zum Auftakt vor, beantworten in der Bauphase in einer Online-Runde Fragen und sind bei der Abschlusspräsentation dabei. Die übrigen drei Fälle sind eigene Seminarfälle.

Der Aufbau des Seminars folgt dem Schwerpunkt, an dem Oliver Gausmann auch mit Softwareunternehmen und Investoren arbeitet: technische Entscheidungen im Maschinenraum aus Modellen, Datenpipelines und Betrieb so zu treffen, dass sie vor einem Board bestehen. Die Teams gehen dafür den Fragen nach, die auch ein Board stellt: was das System kostet und wer es abnehmen würde.

Wie das Seminar abläuft

  1. Rahmen und Entwurf

    Das Problem auf einer Seite fassen, die Architektur skizzieren und die erste Architekturentscheidung als Architecture Decision Record festhalten. Diese drei Ergebnisse legen die Teams im Design-Review vor.

  2. Bauen und härten

    Ein lauffähiger Schnitt durch das ganze System mit Daten, Modell und einem nutzbaren Ergebnis, dazu ein Risiko- und Kostenlog. Beides zeigen die Teams in der Zwischendemo.

  3. Bewerten und präsentieren

    Evaluationsergebnisse mit dokumentierter Messmethode, ein schriftlicher Bericht mit Architekturbegründung und Sicht auf Markteinführung und Akzeptanz, zum Schluss eine Präsentation mit Live-Demo.

Themenpool

Der Themenpool des Herbstsemesters 2026 umfasst sieben Fälle: vier von Industriepartnern und drei eigene Seminarfälle.

  1. Fall eines Industriepartners

    Brand Health Engine

    Das Vertrauen in eine Marke von außen messen: Belege je Befund, ein Score und ein Trend über die Zeit.

    Methoden: Reputationsmessung über mehrere Faktoren · Sprachmodell als Bewerter, kalibriert an menschlichen Urteilen · KI-Antwortmaschinen als Quelle

  2. Fall eines Industriepartners

    House-Style Generation on Open-Weight Models

    Ein selbst betriebenes Open-Weight-Modell lernt einen Hausstil und tritt im Vergleich gegen API-Modelle an.

    Methoden: Retrieval gegen Fine-Tuning mit LoRA · Evaluation mit verblindeten Bewertungen · Stückkosten und Datensouveränität im Eigenbetrieb

  3. Eigener Seminarfall

    AI Cost Control Layer

    Eine Steuerungsschicht zwischen Anwendung und Modellanbieter misst jeden KI-Aufruf und prüft ihn gegen Budget, Kostenziel je Aufgabe und Schwellenwerte.

    Methoden: Kosten je gelöster Aufgabe als gemeinsame Kennzahl von Technik und Finanzen · Gateway- und Policy-Muster · Zwölfmonatsprognose und Budgetgrenzen

  4. Eigener Seminarfall

    AI Learning Trainer for School Tests

    Vom Einseiter zum Urteil: Ist ein Lerntrainer, der seine Aufgaben aus Fotos der eigenen Arbeitshefte bildet, technisch machbar und wirtschaftlich tragfähig?

    Methoden: Strukturierte Extraktion mit Vision-Modellen · Konfidenzwerte und menschliche Freigabe · Datensparsames Design für ein Produkt, das Kinder nutzen

  5. Fall eines Industriepartners

    Consumer and Market Signals for Product Innovation

    Verbraucher-, Gesellschafts- und Marktsignale fortlaufend sammeln und in Innovationschancen für das Produktmanagement übersetzen.

    Methoden: Schwache Signale von Hype trennen · Semantisches Clustern und Momentum-Analyse · Erklärbare Priorisierung nach mehreren Kriterien

  6. Eigener Seminarfall

    Scalability Scan for B2B Software

    Ein Agent liest ein Softwareunternehmen von außen und bewertet in einer Scorecard, wie skalierbar es ist und wie es auf Käufer wirkt, mit Beleg für jede Aussage.

    Methoden: Recherche-Agenten mit Abbruchregeln und Kosten je Scan · Belegprüfung gegen Halluzinationen · Grenzen der Außensicht

  7. Fall eines Industriepartners

    Internal Data Analysis on Self-Hosted Open-Weight Models

    Eine selbst betriebene Open-Weight-Plattform wertet interne Unternehmensdaten mit einem Sprachmodell aus, ohne dass die Daten das Unternehmen verlassen.

    Methoden: Open-Weight-Modell im Eigenbetrieb · Retrieval, Fine-Tuning nur bei Bedarf

Was Unternehmen daraus mitnehmen

  • Jedes Team führt ein Kosten- und Risikolog und begründet seine Architektur nach Skalierbarkeit, Kosten, Governance und Risiko. Je nach Fall kommt eine eigene Kennzahl hinzu, etwa Kosten je gelöster Aufgabe, je 1.000 Aufgaben oder je Scan.
  • Ob ein selbst betriebenes Open-Weight-Modell oder ein API-Modell passt, lässt sich mit Zahlen entscheiden: Qualität, Antwortzeit und Kosten je 1.000 Aufgaben, dazu die Frage, welche Daten das Haus verlassen dürfen.

Eckdaten

Format
Seminar, Bachelor (BSc)
Umfang
3 ECTS, zwölf Wochen Projektarbeit
Sprache
Englisch
Institut
Institut für Informatik, Universität Zürich
Leistungsnachweis
Projekt (50 %), schriftlicher Bericht (30 %), Abschlusspräsentation (20 %)
Semester
Herbstsemester 2026

Weiterlesen

KI-Systeme, die sich rechnen, gibt es auch als Vortrag oder Workshop für Ihr Führungsteam. Vortrag anfragen