Projektabschluss 2025

Kurzbeschreibung:

Die stetig voranschreitende Digitalisierung führt zu einer immer weitergehenden Durchdringung sämtlicher Lebensbereiche mit datenverarbeitenden Prozessen. Längst haben zahlreiche digitale Dienste und Produkte ihren festen Platz im Alltag vieler Menschen. Einzelne Datenverarbeitungssysteme können dabei nicht mehr nur isoliert voneinander betrachtet werden. Vielmehr hat die rasante Technikentwicklung zu einer fortschreitenden Vernetzung verschiedener IT-Systeme geführt, deren Datenverarbeitungsprozesse untrennbar miteinander verknüpft sind. Zugleich können immer größere Datenmengen verarbeitet werden, wobei die Verarbeitung zumeist automatisiert und zunehmend mittels künstlich intelligenter Algorithmen erfolgt. Dies alles führt zu komplexen und im Einzelfall kaum zu durchblickenden Datenverarbeitungsstrukturen mit oftmals vielschichtigen Akteurskonstellationen. Da sich die Datenverarbeitung regelmäßig auf personenbezogene Daten bezieht, gehen mit der skizzierten Entwicklung aus rechtswissenschaftlicher Perspektive erhebliche Herausforderungen für den Datenschutz und die IT-Sicherheit einher.

Das Projekt „Systematic privacy for large, real-life data processing systems“ des Nationalen Forschungszentrums für angewandte Cybersicherheit ATHENEwidmet sich diesen rechtlichen Herausforderungen. Große Datenverarbeitungssysteme werden in rechtlicher Hinsicht auf ihre Chancen und Risiken hin untersucht. Es werden mögliche Maßnahmen erarbeitet, die einerseits den technischen Fortschritt nicht behindern und gleichzeitig doch einen angemessenen Schutz der Rechte natürlicher Personen bei der Verarbeitung ihrer personenbezogenen Daten gewährleisten. Um der zunehmenden Systemvernetzung adäquat Rechnung zu tragen, wird hierbei ein ganzheitlicher Ansatz verfolgt, der die gesamte digitale Vernetzung einschließlich ihrer verschiedenen Dimensionen und Akteure berücksichtigt.  

Das Teilvorhaben an der Universität Kassel, Fachgebiet Öffentliches Recht, IT-Recht und Umweltrecht (Herr Prof. Dr. Hornung, LL.M.), befasst sich mit den IT-Sicherheitsanforderungen an große Datenverarbeitungssysteme. Werden personenbezogene Daten durch Big-Data-Anwendungen oder künstlich intelligente Algorithmen verarbeitet, führt dies zu erheblichen Herausforderungen für die IT-Sicherheit. Das Schutzbedürfnis der von der Datenverarbeitung betroffenen Person wird in diesem Kontext de lege lata nur unzureichend adressiert. So knüpft das BSIG bzw. die BSI-KritisV an diesen Aspekt im Bereich der IT-Sicherheitsregulierung für Kritische Infrastrukturen (KRITIS) nicht an. Mit dem IT-Sicherheitsgesetz 2.0 wurde die Kategorie der „Unternehmen im besonderen öffentlichen Interesse“ im BSIG eingeführt. Gegenüber dem KRITIS-Bereich treffen die Unternehmen jedoch deutlich reduzierte Pflichten. Art. 32 DSGVO statuiert zwar Anforderungen an Verantwortliche und Auftragsverarbeiter in Bezug auf die Sicherheit der Verarbeitung personenbezogener Daten. Sein „risikobasierter Ansatz“ führt allerdings zu beträchtlicher Unsicherheit darüber, welche konkreten Maßnahmen im Einzelfall erforderlich sind. Im Gegensatz zum KRITIS-Bereich fehlt es hier überdies an einem behördlicherseits ausgegebenen Anforderungskatalog. Weitestgehend unklar ist darüber hinaus, welche Rolle die auf europäischer Ebene eingeführte Cybersicherheitszertifizierung sowie das neue deutsche IT-Sicherheitskennzeichen hier zukünftig spielen können.

Das Teilvorhaben untersucht zunächst die Möglichkeit der Operationalisierung von Art. 32 DSGVO für große Datenverarbeitungssysteme. Dies erfolgt unter Bezugnahme auf existierende Risikomodelle und Ansätze von Datenschutzaufsichtsbehörden (z.B. das deutsche Standard-Datenschutzmodell). Sodann wird der bestehende Regulierungsbedarf identifiziert. Hierbei werden auch Mechanismen zur Selbstregulierung sowie die Frage nach verbindlichen und unverbindlichen IT-Sicherheitsstandards miteinbezogen. Anschließend werden die Auswirkungen des IT-Sicherheitsgesetzes 2.0 für die IT-Sicherheitsanforderungen an große Datenverarbeitungssysteme bewertet. In den Fokus rücken hier insbesondere die neuen Pflichten für große Unternehmen sowie das neu eingeführte IT-Sicherheitskennzeichen. Schließlich werden Regulierungsvorschläge für die Ausgestaltung des Rechts auf europäischer und nationaler Ebene begleitet und bewertet, die aktuell in der Ausarbeitung sind.

Projektbeteiligte:
Die Koordination: Fraunhofer-Institut SIT (Dr. Annika Selzer).

Universität Kassel(Prof. Dr. Gerrit Hornung)
Goethe-Universität Frankfurt (Prof. Dr. Indra Spiecker gen. Döhmann, LL.M.)
Hochschule Darmstadt (Prof. Dr. Thomas Wilmer)

Kurzbeschreibung:

Die Arbeitsgruppe "KI – Multimodale Modellierung & Maschinelles Lernen" (Prof. Ewerth) erforscht im Projekt CuRAG gemeinsam mit Kollegen der Universität Kassel (Prof. Martin Potthast) Methoden für die semantische Suche nach wissenschaftlicher Literatur. Hierzu werden Methoden der RAG-basierten (Retrieval-augmented Generation) Suche sowie intelligente interaktive Visualisierungsmethoden zur Kuratierung von automatisch generierten Metadaten kombiniert, um z. B. Probleme aktueller Forschungswissensgraphen zu adressieren und die Lücke zwischen automatischer Wissensextraktion und qualitativ hochwertiger manueller –  aber nicht skalierbarer – Kuratierung zu schließen. Das Projekt wird von hessian.AI im Rahmen der Förderlinie connectom finanziert.

Kurzbeschreibung:

Die automatische Berechnung von Visualisierung für Echtweltdaten ist von entscheidender Bedeutung, um komplexe Informationen schnell und verständlich darzustellen. Automatisierte Visualisierungsverfahren helfen dabei, Analyseprozesse zu beschleunigen und neue Erkenntnisse zu generieren.

Häufig wird beim Berechnen von Datenvisualisierungen auf Kriterien optimiert, von welchen ausgegangen wird, dass sie einen positiven Effekt auf die Lesbarkeit haben. Die Erfahrung zeigt jedoch, dass solche Lesbarkeitskriterien oft gegenläufig zueinander sind und außerdem zu Problemen in hohen Komplexitätsklassen führen, was ihre Optimierung teuer macht. Selbst wenn diese Probleme gelöst sind, ergibt dieses Verfahren nicht zwangsläufig gut lesbare Visualisierungen. Deswegen soll in diesem Projekt ein anderer Ansatz verfolgt werden. Statt auf Lesbarkeitskriterien zu optimieren, soll die intrinsische Struktur der Daten verwendet werden, um lesbare Zeichnungen zu generieren. Die Forschungshypothese, die dem Projekt zugrunde liegt, ist, dass dies möglich ist, ohne dass explizit auf Lesbarkeit optimiert wird. Die Lesbarkeit entsteht implizit durch das Erhalten der Struktur der Daten in der Visualisierung.

Das zugrundeliegende Maß der Ordnungsdimension, welches im Projekt verwendet wird, kommt aus der diskreten Mathematik und misst die Komplexität von teil-geordneten Mengen. Dabei wird jeder dieser geordneten Mengen eine natürliche Zahl zugeordnet, welche der kleinsten Anzahl von linearen Ordnungen entspricht, um die geordnete Menge in ihrem Schnitt darzustellen. Während die Ordnungsdimension als mathematisches Konzept weit entwickelt und gut untersucht ist, ist ihre Anwendung in der Datenanalyse noch weitgehend unerforscht. Im Projekt soll die Ordnungsdimension als mathematisches Fundament dienen, um Visualisierungen von Datensätzen zu berechnen.

Kurzbeschreibung: 
Grundsätzlich ist die Projektplanung von Windparks sehr aufwendig. Es müssen Verträglichkeitsprüfungen in Bezug auf den Naturschutz, insbesondere für die Artengruppen Vögel und Fledermäuse, durchgeführt werden. In diesem Vorhaben wird ein KI-gestütztes System zur automatisierten Detektion von windkraft-sensiblen und gefährdeten Arten entwickelt, welches die Genehmigungspraxis und somit den Ausbau von Windenergieanlagen deutlich beschleunigt. Ausgehend von einer automatisierten Erkennung und Klassifizierung anhand von Audiosignalen mittels Techniken vor allem des Deep Learnings (speziell Contrastive Learning, Few-Shot Learning), erfolgt eine zeitliche/räumliche Erfassung des Vorkommens. Nutzerinnen und Nutzer sollen zudem eine durch Techniken der Explainable AI erklärbare und interaktive Schnittstelle bekommen, welche eine Bewertung der Verträglichkeit umsetzt.

Kurzbeschreibung:

Motivation
Um das immer komplexer werdende Energiesystem (Energiegewinnung, -speicherung, -nutzung und-transport) weiter beherrschen und optimieren zu können, sind automatisierte und intelligente Lösungen notwendig. Klassische Optimierungsverfahren sind meist für die Nutzung im Echtzeitbetrieb nicht geeignet, da sie keine verwertbare Lösung in angemessener Rechenzeit erzeugen. Bereits existierende regelbasierte Systeme, die heutzutage in der Energiewirtschaft zur Automatisierung eingesetzt werden, sind jedoch nicht imstande, schnell auf neue Situationen zu reagieren und sich selbstständig auf die neuen Gegebenheiten zu optimieren. Probleme, die dadurch innerhalb des Energiesystems auftreten können, reichen von teuren Ausgleichsmaßnahmen bis hin zu kompletten Stromausfällen.

Ziele und Vorgehen
Diese Herausforderung greift das Projekt RL4CES auf und untersucht die Potentiale von intelligenten Algorithmen, sich selbständig an neue Situationen optimal anzupassen. Dazu wird speziell an der Methode des Deep Reinforcement Learning (DRL) geforscht und das Ziel verfolgt, DRL zur Entscheidungsunterstützung und Prozessautomatisierung in die industrielle Anwendung zu integrieren. Um DRL in der Energiewirtschaft erfolgreich einsetzen zu können, werden im Projekt Methoden entwickelt, die den Einsatz von DRL sicherer, effektiver, erklärbar und kostengünstig machen. Um die Anwendung der entwickelten Methoden in der Praxis zu demonstrieren, werden die zwei Anwendungsfälle Automatisierte Netzsteuerung und Automatisierter Energiehandel betrachtet.

Innovationen und Perspektiven
Die Ergebnisse sollen unmittelbar zu wissenschaftlichen Veröffentlichungen auf nationalen und internationalen Konferenzen sowie in Fach- zeitschriften führen. Im Rahmen der wirtschaftlichen Verwertung sollen die Ergebnisse in einem ersten Schritt in der Industrie prototypisch umgesetzt und evaluiert werden. Industrie, wie zum Beispiel mit der automatisierten Steuerung der Stromnetze in den Leitwarten oder dem automatisierten Energiehandel.

Kurzbeschreibung:

Das Projekt KoDaKIS "Konzeption von Datengetriebenen KI-Services" ist eine innovative Initiative zur Digitalisierung des Sozialsektors, geleitet von Prof. Dr. Leimeister an der Universität Kassel in Zusammenarbeit mit dem Landeswohlfahrtsverband Hessen (LWV). Es zielt darauf ab, mittels KI-Technologien datengetriebene Services zu konzipieren, die komplizierte Verwaltungsprozesse vereinfachen und die Bearbeitungszeiten verkürzen. Durch maßgeschneiderte Lösungen für die individuellen Bedürfnisse der Leistungsempfänger wird ein direkter sozialer Mehrwert geschaffen, der nicht nur die Lebensqualität verbessert, sondern auch die Effizienz im Sozialsektor signifikant steigert. KoDaKIS steht somit exemplarisch für den Einsatz fortschrittlicher Technologien zur Förderung einer effizienteren und gerechteren sozialen Fürsorge.

Kurzbeschreibung:

Mit ihren hohen Pulsenergien und kurzen Pulsdauern haben Freie-Elektronen-Laser das Feld der Röntgenexperimente seit über 15 Jahren revolutioniert. Die Erzeugung ultrakurzer Röntgenpulse basiert auf dem Prinzip der selbstverstärkten spontanen Emission. Die dabei entstehenden inhärent zufälligen Röntgenpulsformen setzen den Untersuchungen jedoch experimentelle Grenzen in Bezug auf Zeitauflösung und für intensitätsabhängige Messungen. Im Rahmen des vorangehenden BMBF-Projektes SpeAR_XFEL haben die Projektpartner ein neues Spektrometer mit Winkelauflösung gebaut, mit dessen Hilfe einzelne Röntgenpulse an Freie-Elektronen-Lasern mit Attosekunden-Genauigkeit charakterisiert werden können. Diese Technik des Angular Streaking soll in dem BMBF-Projekt TRANSALP von der Freie-Elektronen-Pulscharakterisierung zu einem vielseitig einsetzbaren Instrument für die ultraschnelle Röntgenforschung weiter entwickelt werden.

Eine breite wissenschaftliche Gemeinschaft, die von Physikern über Materialwissenschafter bis hin zu Biologen und Medizinern reicht, hat Freie-Elektronen-Laser mittlerweile als Forschungswerkzeug entdeckt. Viele der interessantesten Fragestellungen beziehen sich auf biologisch relevante Vorgänge wie ultraschnelle Reaktionswege photochemischer Prozesse in organischen Molekülen, die Rolle von Ionisationsdynamiken bei Beschädigung der DNS oder die elektronische Anregung von Strukturänderungen in Bioproteinen. TRANSALP wird die in SpeAR_XFEL entwickelte Apperatur mit einem LiquidJet kombinieren, um ultraschnelle, photoinduzierte Abläufe an biologischen Proben in der flüssigen Phase verfolgen zu können. In Verbindung mit einem dedizierten Lasersystem, das spezifisch auf die Bedürfnisse für Angular Streaking abgestimmt ist, und neu entwickelten Algorithmen des Maschinellen Lernens (ML) zur Online-Analyse und Fehlerkorrektur soll am Free-electron LASer in Hamburg (FLASH) der Prototyp eines einzigartigen Instruments für zeit- & winkelaufgelöste in situ-Elektronenspektroskopie an organischen Molekülen in der flüssigen Phase entstehen.

Die Aufgaben des Fachgebiets Intelligente Eingebettete Systeme im Kontext dieses Projektes sind:

• Weiterentwicklung und Anpassung von bereits vorhandenen Online-Pulscharakteristikbestimmungsalgorithmen auf die neuen Daten.
• Entwicklung und Bewertung neuer ML-Techniken für den Umgang mit den eingehenden Big Data bei FLASH
• Entwurf und Implementierung neuer ML-Algorithmen für verbessertes, wissenschaftliches Experimentieren

Kooperationspartner in dem Projekt:
TU Dortmund, Zentrum für Synchrotronstrahlung (DELTA)
Universität Kassel, Institut für Physik und CINSaT
Deutsches Elektronen-Synchrotron DESY
European X-Ray Free-Electron Laser Facility GmbH

Kurzbeschreibung:

Das ZEVEDI Ad hoc-Vorhaben „DiBiS“ analysiert und modelliert einen Prozess, welcher die Distribution von Forschungsergebnissen als digitale Unterrichtsmaterialien zum Gegenstand hat. Gegenstand sind frei zugängliche digitale Inhalte aus Forschungsprojekten, die, um im Unterricht zum Einsatz zu kommen sollen, von Lehrenden als digitale Unterrichtsmaterialien identifiziert und aufbereitet werden müssen. Zu den genannten Themen „Generative Text-KI“ sowie „Digitalisierung des Finanzwesens“ liegen solche Inhalte bereits vor. Daher dienen diese Inhalte als illustrative Grundlage, um einen Distributionsprozess zu analysieren und zu modellieren.

 Kurzbeschreibung:

Angesichts neuer Bedrohungen für Staat und Gesellschaft wurden die deutschen Sicherheitsbehörden seit geraumer Zeit zentralisiert, ausgebaut und erhielten neue Aufgaben. Ihre Tätigkeit wandelte sich sukzessive von reaktivem Einzelfallbezug hin zu einem strukturierten operativen Vorgehen, das Risiken frühzeitig erkennen und ihnen entgegenwirken soll. Je mehr es gilt, Gefahren rechtzeitig zu antizipieren, desto stärker sind die Sicherheitsbehörden – technologiegestützt – auf die Gewinnung und Verarbeitung von Daten und Informationen angewiesen. Diese Entwicklung findet unter den Bedingungen der Digitalisierung privater und staatlicher Räume statt und geht mit einer weitgehenden Datafizierung von Kommunikation und gesellschaftlichem Handeln einher. In der Folge ist inzwischen auch das sicherheitsbehördliche Handeln durch einen zunehmenden Einsatz von Big-Data-Analysen und Künstlicher Intelligenz (KI) gekennzeichnet. Diese Entwicklung birgt Chancen und Risiken.

Die Projektgruppe nimmt das Urteil des Bundesverfassungsgerichts v. 16.2.2023 – 1 BVR 1544/19 – (automatisierte Datenanalyse), wonach die Regelung für die Nutzung der Software „Gotham“ der Firma Palantir Inc. durch die hessische Polizei verfassungswidrig war, zum Anlass, diese Entwicklung unter rechtswissenschaftlichen Gesichtspunkten zu analysieren. Dabei werden auch die mit der Thematik verbundenen rechts- und technikphilosophischen Fragestellungen in den Blick genommen und – im Dialog mit der Informatik und den Sicherheitsbehörden – die technischen Grundlagen und die praktische Implementation der neuen Technologien mit einbezogen. Gegenstand der Überlegungen soll auch die europäische Entwicklung sein. Hier geht es zum einen um die 2022 in die Europol-VO aufgenommene Befugnis von Europol zur Durchführung von Big-Analysen und zum anderen um den Entwurf des AI Act, bei dem die geplanten Ausnahmen für die Sicherheitsbehörden zu den umstrittensten Themen gehören. Zudem sollen die Erkenntnisse der zivilen Sicherheitsforschung einbezogen werden, soweit diese sich mit dem Einsatz digitaler Technologien im Bereich der öffentlichen Sicherheit befasst.

Partner:

* Michael Bäuerle, Hessische Hochschule für öffentliches Management und Sicherheit (Sprecher),

* Petra Gehring, Institut für Philosophie, TU Darmstadt (stellv. Sprecherin),

* Bettina Schöndorf-Haubold, Öffentliches Recht, Justus-Liebig-Universität Gießen,

* Kai Denker, Graduiertenkolleg „Topologie der Technik“, TU Darmstadt,

* Nora Jansen, Wirtschaftsinformatik und Informationsmanagement, Johann Wolfgang Goethe-Universität Frankfurt am Main