Art der Arbeit: Masterarbeit

Fachlicher Hintergrund:

In einem Unternehmen oder in einer Institution gibt es Unmengen an technischer Dokumentation, die die Gebäudeautomation betreffen. Dazu kommen dutzende technische Regularien und Normen und hunderte Gesetze. Im Rahmen der Arbeit sollen diese Dokumente in einem Large Language Model (LLM) hinterlegt werden. Dann wollen wir das LLM nach Informationen fragen können, die bestmöglich aufgearbeitet werden.

Hier ein Beispiel bei ChatGPT.

Aufgabenbeschreibung:

Es sollen einige der folgenden Fragestellungen beantwortet werden:

• Welche Metriken für die Bewertung der Qualität gibt es?
• Wie gut funktioniert so ein System? Wo liegen die Grenzen?
• Durch welche Maßnahmen ließe sich die Qualität verbessern?
• Lassen sich Konfigurationen oder Programme für die Systeme der Gebäudeautomation aus den Dokumenten ableiten?
• Sind personenbezogene Daten enthalten? Wie muss damit umgegangen werden?

Mögliche Arbeitsschritte:

• Sichtung der zu verarbeitenden Dokumente aus der Gebäudeverwaltung
  • Formate und Konventionen
  • Aufbau der Dokumente
  • Semantik
• Einarbeitung in Gebäudeautomation
  • Begrifflichkeiten
  • Aufbau von Automatierungssystemen
  • Konfiguration und Programmierung
• Einarbeitung in LLMs
  • Funktionsweise
  • Implementierungsmöglichkeiten
• Prototypische Umsetzung von relevanten Teilaspekten
• Ermittlung der Qualität der Ergebnisse
  • Erarbeitung von Musteranfragen an das System
  • Vergleich mit "echten" Experten
  • Betrachtung von sicherheitskritischen Aspekten (wenn das System gefährlich wird) und Haftungsfragen

Die genaue Festlegung des Themas erfolgt in Abstimmung mit den Betreuern unter Berücksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter Umständen möglich. 

Literatur und Ressourcen:

• Anderson, Eric, et al. "The design of an llm-powered unstructured analytics system." arXiv preprint arXiv:2409.00847(2024).
• Lin, Yiming, et al. "Towards accurate and efficient document analytics with large language models." arXiv preprint arXiv:2405.04674 (2024).
• Zhang, Yunyi, et al. "Automated mining of structured knowledge from text in the era of large language models." Proceedings of the 30th ACM SIGKDD conference on knowledge discovery and data mining. 2024.
• Deng, Qiyan, et al. "Unstructured data analysis using LLMs: a comprehensive benchmark." arXiv preprint arXiv:2510.27119(2025).

Betreuer: Thomas Mundt (thomas.mundt@uni-rostock.de)

Voraussetzungen: Keine besonderen.