Open Access

Die Verwertung von Biomasse aus der Landschaftspflege hat mit dem Rückgang der landwirtschaftlichen Betriebe und der damit verbundenen Abkehr von der historischen Verwendung der Grünlanderzeugnisse vermehrt an Bedeutung gewonnen. Alternativen zur sinkenden landwirtschaftlichen Nutzung blieben lange unbeachtet und haben noch heute nicht ihren erforderlichen Stellenwert erreicht. Neben der Einhaltung gesetzlicher Vorgaben spielt die Verwertung dieser Biomasse auch im Rahmen der Klimaschutzanstrengungen durch die zu erreichende CO2-Vermeidung oder -Speicherung eine große Rolle. In dieser Arbeit sollen die vorhandenen und zukünftig möglichen Verfahrensweisen am Beispiel eines Landkreises im ländlichen Raum beleuchtet werden. Hierzu werden nach der Erhebung des Status quo die vorhandenen technischen Verfahren einer Biomasseverwertung vorgestellt und abschließend verglichen und bewertet. Aus den Erkenntnissen zu Ablagerung, Verbrennung, Kompostierung, Biovergasung, Biovergärung, Pelletierung und Bioverkohlung erfolgt die Empfehlung, als geeignete Sofortlösung im Untersuchungsgebiet die Kompostierung, sowie mittelfristig die Varianten Pelletierung, energetische Nutzung durch Verbrennung und Biokohleerzeugung weiter voranzutreiben.

Im Rahmen dieser Arbeit wird ein Prototyp einer Skull-Stripping-Pipeline zur Gehirnvisualisierung und Segmentierung von Risikostrukturen entwickelt. Dafür werden öffentlich verfügbare und etablierte Skull-Stripping-Werkzeuge evaluiert, um für den Anwendungsfall der Arbeit möglichst passendes Werkzeug auszuwählen. Das Deep-Learning-Werkzeug "HD-BET" zeigt dabei die beste Leistung. Außerdem wird ein eigener Skull-Stripping-Ansatz entwickelt und mit dem ausgewählten Werkzeug verglichen. Der Ansatz basiert auf konventionellen Bildverarbeitungsfiltern aus der Bildverarbeitungsbibliothek SimpleITK. Die Skull-Stripping-Methoden werden hinsichtlich der anschließenden Segmentierung von Risikostrukturen und der Visualisierung der Segmentierungsergebnisse in einem VR-Demonstrator evaluiert. Mit den für diese Arbeit vorliegenden Datensätzen weist der konventionelle Ansatz eine mit HD-BET vergleichbare Segmentierungsleistung auf. Außerdem kann der Ansatz direkt mit dem VR-Demonstrator integriert werden und hat das Potenzial in der Zukunft noch weiter verbessert und ergänzt zu werden.

In dieser Bachelorarbeit wird die Entwicklung einer Service-Struktur zur Suche, Filterung und Abfrage von ETF- und Fondsdaten vorgestellt. Der Fokus liegt auf der Modernisierung einer bestehenden Anwendung, ursprünglich in Go entwickelt, durch die Überführung in das moderne Quarkus-Framework. Ziel ist es, die Datenverarbeitung und -bereitstellung zu optimieren und manuelle Prozesse, durch die Verwendung von Schnittstellen, zu automatisieren. Es werden die Herausforderungen und Einschränkungen des bestehenden Services analysiert und eine Lösung zur Verbesserung der Effizienz und Performance durch die Anwendung von Quarkus, Hibernate und anderen Technologien vorgeschlagen. Die Arbeit beleuchtet die Implementierung und Bewertung der neuen Service-Struktur, die eine effektivere Handhabung und Analyse von ETF- und Fondsdaten ermöglicht.

Die vorliegende Bachelorarbeit beschäftigt sich mit der Entwicklung eines innovativen Lernassistenten namens MentorAI, der auf Chatbot-Technologie und fortschrittlichen Sprachmodellen basiert. Das Hauptziel besteht darin, eine leistungsstarke Anwendung zu schaffen, die umfassende Unterstützung für Studierende während ihres Lernprozesses bietet. Die Motivation für dieses Projekt gründet sich in der zunehmenden Relevanz von Chatbots in der digitalen Welt. MentorAI, als Chatbot-basierte Sprachmodell-Anwendung, strebt danach, den Lernprozess zu optimieren, indem er effiziente und individuelle Unterstützung bietet. Dieser Lernassistent fungiert als Schlüsselkomponente für die Erklärung komplexer Lerninhalte, die Beantwortung von Fragen und die Schaffung einer interaktiven Lernerfahrung. Die methodische Herangehensweise umfasst die theoretischen Grundlagen von künstlicher Intelligenz (KI), Verarbeitung natürlicher Sprache, Transformer und Sprachmodelle, insbesondere ChatGPT, und Chatbots. Nach dieser Einführung wird LangChain erläutert, gefolgt von der Implementierung von MentorAI. Die Ergebnisse dieser Arbeit verdeutlichen, dass MentorAI als Lernassistent einen bedeutenden Meilenstein darstellt. Der KI-Assistent kann präzise und nützliche Antworten liefern, Rechenaufgaben lösen und Aufgaben systematisch bearbeiten, was auf die Effektivität der aktuellen Parametereinstellungen hinweist. Diese Arbeit betont die Potenziale von Chatbot-Technologien im Bildungskontext und deren Fähigkeit, den Lernprozess zu optimieren, individualisierte Informationsvermittlung zu ermöglichen und ein verbessertes Lernerlebnis für Studierende zu schaffen.

OpenStreetMap (OSM) is a large open database for geographic data created and maintained by volunteers. OSM's main data use is rendering an extremely detailed map of the world. Data quality is an important issue for applications like routing of pedestrians to public transport facilities. In this report we describe different schemes for mapping bus stops in OSM and we provide statistics on usage of those schemes, the good ones and the not so good ones.