Am 07. November 2024 fand die Preisverleihung des vierten Bundeswettbewerbs für Künstliche Intelligenz in Österreich für Schülerinnen und Schüler statt. Der Wettbewerb wird vom BMK (Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie) unterstützt und von der Austrian Society for Artificial Intelligence organisiert. Die hochkarätig besetzte Jury setzte sich aus Expertinnen und Experten aus Wissenschaft, Entrepreneurship, Kunst und Kultur, Recht und Nachhaltigkeit zusammen.
Dieses Jahr haben sich 73 Teilnehmerinnen und Teilnehmer für den Wettbewerb registriert. Von 15 Teams gebildeten Teams haben sich 13 Einreichungen ergeben. Die besten 6 Projekte haben es ins Finale geschafft und 4 Teams wurden mit insgesamt 8000€ prämiert. Außerdem haben sich 165 Teilnehmerinnen und Teilnehmer für den KI-Kurs eingeschrieben.
1. Platz mit 2500€ + Sonderpreis „AI for Green“:Team NavigAI-tors von der HTL Spengergasse
Team NavigAI-tors von der HTL Spengergasse besteht aus Mojmír Horváth, Michael Steinmötzger, Paul Wenth, Hannah Fluch,und Richard Senger. Das Team NavigAI-tors entwickelt eine Simulationsumgebung für Logistikunternehmen, um CO₂-effiziente Routen für Containerschiffe zu berechnen. Statt allein auf Zeiteffizienz zu setzen, liegt der Fokus auf Nachhaltigkeit durch KI-gestützte Routen, die Kites zur Windenergienutzung und strategische Wellen-Navigation kombinieren. So lässt sich der Treibstoffverbrauch deutlich senken und CO₂-Emissionen reduzieren. Unternehmen können die Sandbox nutzen, um spezifische Szenarien zu simulieren und präzise Vorhersagen zu treffen. Damit leistet NavigAI-tors einen Beitrag zur nachhaltigen Transformation der Schifffahrtsindustrie.
Disclaimer: Es gibt zwei 2. Plätze mit einem Preisgeld von 2000€ pro Team!
2. Platz mit 2000€: Team ProcessAeye von der HTL-Perg
Team ProcessAeye von der HTL Perg mit Cedric Bauer und Stefan Czepl, gewann einen der beiden zweiten Plätze und das damit verbundene Preisgeld von 2.000 €. ProcessAeye ermöglicht die Echtzeit-Wiederherstellung fehlender oder beschädigter Bildteile. Eine Kamera erfasst das Bild, und der Benutzer markiert die fehlenden Bereiche, die dann durch verschiedene Algorithmen rekonstruiert werden. Im Projekt wurden klassische Bildverarbeitungsansätze und Deep-Learning-Modelle auf ihre Geschwindigkeit und Ergebnisqualität verglichen. Die rekonstruierten Bilder erscheinen in einer grafischen Benutzeroberfläche, die das Markieren fehlender Bereiche unterstützt. Die Desktopanwendung ist für den NVIDIA Jetson Nano optimiert und demonstriert anschaulich die Unterschiede zwischen klassischen Algorithmen und Machine-Learning-Modellen.
2. Platz mit 2000€: Team SicBert von der HTL Hollabrunn
Team SicBert von der HTL Hollabrunn mit Leon Binder, Florian Artlieb, und Christoph Handschuh gewann ebenfalls den 2. Platz und konnte sich über ein Preisgeld von 2.000 € freuen. Lange Datenblätter und umfangreiche Dokumentationen erschweren oft den schnellen Zugriff auf benötigte Informationen. Schüler der HTL Hollabrunn entwickeln deshalb eine Applikation, die es ermöglicht, Datenblätter und das Ticketsystem nach möglichen Lösungen zu durchsuchen. Damit wird es Kunden und neuen Mitarbeitern von Siemens erleichtert, relevante Inhalte schnell zu finden und den Kundensupport zu entlasten. Die Anwendung spart Zeit, indem sie alltägliche Fragen effizient beantwortet und Raum für komplexere Herausforderungen schafft. Bei Erfolg soll das System auf weitere Abteilungen und Unternehmen ausgeweitet werden.
3. Platz mit 1500€: Team Synth-UI von der htl donaustadt
Julian Schmidt von der HTL Donaustadt konnte sich den 3. Platz und das Preisgeld von 1500€ sichern. Synth UI ermöglicht die schnelle, effektive und kostengünstige Erstellung von Benutzeroberflächen für das ReactJS-Framework durch den Einsatz vordefinierter UI-Bibliotheken. Über Texteingaben lassen sich damit Komponenten oder ganze Seiten generieren. Zwei Ansätze kommen zum Einsatz: Fine-Tuning, bei dem ein Modell spezifisch auf UI-Bibliotheken trainiert wird, um präzise und kosteneffiziente Designs zu erstellen, und Retrieval-Augmented Generation (RAG), das die flexible
Anpassung und Erweiterung von UI-Komponenten erlaubt. Synth UI bietet damit eine optimierte Lösung zur schnellen Entwicklung und Anpassung von ReactJS-Benutzeroberflächen.