Blog | THK-AI Forschungscluster

Veröffentlicht: 23.09.2026 von thk-ai

Das Team GM-Force Cologne mit Prof. Dr. Elena Algorri beim RoboCup German Open 2026 — (v.l.) Martin Cavazos de la Garza, Matthias Härle, Sebastian Pütz, Prof. Dr. Elena Algorri, Hartmut Köhn, Ahmad Traboulssy, Yuvesh Aubeeluck, Abilash Madavath, Augustin Raju. (Bild: TH Köln, Monika Probst)

Ein großer Erfolg für die TH Köln und den THK-AI Forschungscluster: Das Team GM-Force Cologne unter Leitung von Prof. Dr. Maria Elena Algorri hat beim RoboCup German Open 2026 den Gesamtsieg in der Smart Manufacturing League geholt und zusätzlich die Kategorie „Assembly“ gewonnen. Die Veranstaltung fand im März 2026 in den Messehallen Köln-Deutz als Teil der Bildungsmesse didacta statt.

Die Aufgabenstellung

Ein Teammitglied mit Laptop und einem blauen Bauteil in der Hand programmiert den Roboterarm des mobilen Roboters — (Bild: TH Köln, Monika Probst)

Die Smart Manufacturing League bildet eine industrielle Produktionsumgebung im Kleinen ab. Autonome Roboter müssen farbige Bauteile in einer Arena lokalisieren, zu einer Montagestation transportieren, Produkte selbstständig zusammenbauen und an einen „Kunden“ ausliefern. Ausgediente Produkte werden zurückgenommen, zerlegt und eingelagert. Die Disziplin verbindet damit Wahrnehmung, Planung, Manipulation und Logistik zu einem Gesamtszenario, das typische Fertigungsprobleme unter Wettbewerbsbedingungen abbildet.

Das Team

Der mobile Roboter von GM-Force Cologne mit Mecanum-Rädern und Roboterarm greift ein grünes Bauteil an einer Montagestation — (Bild: TH Köln, Monika Probst)

Für die TH Köln traten Martin Cavazos de la Garza, Sebastian Pütz, Hartmut Köhn, Augustin Raju, Yuvesh Aubeeluck, Abilash Madavath und Ahmad Traboulssy an. Betreut wurde das Team von Prof. Dr. Elena Algorri gemeinsam mit Dr. Nicolas Pyschny, Dr. Florian Zwanzig und Dr. Felix Hackelöer. Neben der Software- und KI-Entwicklung wurden die mechanische Unterstruktur der Roboter, die Mecanum-Räder und die Federungssysteme von Maschinenbau-Studierenden des Campus Gummersbach selbst konstruiert.

Der mobile Roboter montiert farbige Bauteile an einer Station, im Hintergrund Zuschauer und ein stationärer Roboterarm — (Bild: TH Köln, Monika Probst)

Rolle des THK-AI Rechenclusters

Das Training der für den Wettbewerb eingesetzten KI- und Machine-Learning-Modelle wurde vollständig auf dem HPC-Cluster des THK-AI Forschungsclusters durchgeführt. Diese Infrastruktur wurde im Rahmen des vom Bundesministerium für Bildung und Forschung geförderten Projekts THK-KIplus beschafft und zählt heute zu den leistungsstärksten KI-orientierten Forschungsinfrastrukturen an einer Hochschule für angewandte Wissenschaften in Deutschland. Ohne diesen HPC-Hardware-Cluster wäre der Sieg in dieser Form nicht möglich gewesen. Prof. Algorri ist Mitglied des THK-AI Forschungsclusters und verbindet am Campus Gummersbach Robotiklabor, Lehre und KI-Forschung zu einer integrierten Forschungsumgebung.

Stimme zum Sieg

„Das Motto des RoboCup ist ‚Technologie und Leidenschaft‘. Unsere Studierenden haben gezeigt, dass Leidenschaft hier sehr großgeschrieben wird.“ Prof. Dr. Elena Algorri

Weiterführende Informationen finden sich in der offiziellen Meldung der TH Köln.

Veröffentlicht: 23.09.2026 von thk-ai

In den 1970er Jahren entwickelten FBI-Spezialagenten in Quantico eine radikal neue Ermittlungsmethode. Der Paradigmenwechsel bestand darin, Verhalten selbst als Beweismittel zu betrachten. Zu den Konzepten, die sie aus der klinischen Psychiatrie übernahmen und einsatzbereit machten, gehörte Psychopathie, heute ein wichtiges forensisches Konzept für das 21. Jahrhundert. Hollywood hat seine eigenen Beispiele geliefert: Norman Bates in Psycho, Hannibal Lecter in The Silence of the Lambs, um nur zwei zu nennen.

Das Verbrechen ohne Gesicht: John Tenniels Karikatur „The Nemesis of Neglect“ erschien im Punch am 29. September 1888, mitten in der Mordserie von Whitechapel. Der Täter blieb unsichtbar, und die Polizei hatte keine Methode, um aus seinen Taten auf ihn zu schließen. Tenniel zeichnete deshalb kein Porträt, sondern ein Phantom mit der Aufschrift „Crime“, das allein durch sein Verhalten Gestalt annimmt. Genau diesen Schritt vollzog das FBI ein knappes Jahrhundert später mit dem Profiling, und genau darum geht es hier bei großen Sprachmodellen: Auch sie zeigen kein Inneres, aber ihr Verhalten lässt sich beobachten, dokumentieren und bewerten. Attribution: John Tenniel, Public domain, via Wikimedia Commons. Taken from https://commons.wikimedia.org/wiki/File:John_Tenniel_-_Punch_-_The_Nemesis_of_Neglect.jpg

Prof. Dr. Bartz-Beielstein erstellt eine kurze Artikelserie, in der er denselben Paradigmenwechsel für KI vorschlägt, insbesondere für große Sprachmodelle (LLMs). LLMs sind Blackboxen, selbst für ihre Entwickler. Anstatt zu versuchen, die Box zu öffnen, können wir ihr Verhalten systematisch analysieren.

Prof. Bartz-Beielstein tat das, was ein FBI-Profiler tun würde. Er sammelte Verhaltensfakten über LLMs, nahm die Psychopathie-Checkliste aus der forensischen Psychiatrie, überarbeitete sie für LLMs und glich das eine mit dem anderen ab. Was als unterhaltsames Projekt begann, endete mit einigen besorgniserregenden Ergebnissen. Das LLM-Profil ist alarmierend, und die Empfehlung des Profilers ist eindeutig:

LLMs sind unter Aufsicht nützlich, aber gefährlich, wenn ihnen Autonomie gewährt wird.

Einzelne Beiträge der Serie widmen sich Fragen wie „Warum LLMs überhaupt profiliert werden sollten?“, „Fünfzehn dokumentierte Verhaltensfakten über LLMs“, „Cleckleys ‚Mask of Sanity‘ “ und die LLM-Bewertung selbst.

Hier ist der Link zum ersten Teil:

https://tbartzbe.substack.com/p/fbi-profiling-for-llms

Veröffentlicht: 23.09.2026 von thk-ai

Vier Studierende des Teams Hot Rod mit Prof. Bartz-Beielstein vor den Präsentationsfolien ihres Prognosesystems Voltcrown — Das Siegerteam Hot Rod: das beste studentische Team der Lastprognose-Challenge 2026, hier mit Prof. Bartz-Beielstein

Mit der Übergabe der Zertifikate an die studentischen Teams beider Lehrveranstaltungen ist die Live-Lastprognose-Challenge 2026 an der TH Köln am 27. Juli 2026 offiziell zu Ende gegangen. Sowohl die „Numerische Mathematik“ als auch „Data-Driven Modeling and Optimization“ (DDMO) haben die Challenge abgeschlossen, ihre Ansätze präsentiert und ihre Zertifikate erhalten. Sie bildete den Abschluss eines Semesters, in dem elf studentische Teams über sechs Wochen hinweg Tag für Tag den deutschen Strombedarf prognostiziert haben. Den Verlauf hatten wir bereits im Rückblick auf die Abschlusspräsentationen geschildert. Nun standen die Ergebnisse und die Studierenden im Mittelpunkt. Sechs Wochen lang reichte jedes Team vor Mitternacht eine neue 24-Stunden-Prognose der deutschen Netzlast ein, die am Folgetag automatisch an der tatsächlichen Last der ENTSO-E Transparency Platform bewertet wurde. Gewertet wurde über 41 Prognosetage anhand des mittleren absoluten Fehlers (MAE) in Megawatt (MW). Fachlich lag das Niveau bemerkenswert hoch. Zehn der elf Teams unterboten die offizielle Day-Ahead-Prognose der ENTSO-E, und alle elf schlugen die naiven Vergleichsmodelle deutlich. Das beste studentische Team, Hot Rod, erreichte einen MAE von rund 1.230 MW bei einem mittleren absoluten prozentualen Fehler (MAPE) von etwa 2,4 Prozent. In der Gruppe „Numerische Mathematik“ setzte sich Das A Team an die Spitze, in der Gruppe „DDMO“ das Team Hot Rod.

Sechs Studierende mit Zertifikaten neben Prof. Bartz-Beielstein vor dem projizierten Leaderboard — Zertifikatsübergabe vor dem finalen Leaderboard: ein Team nimmt seine Urkunden entgegen.

Die Challenge lieferte zugleich belastbare Einsichten in die Prognose des deutschen Strombedarfs, etwa dazu, wie stark Kalenderstruktur wie Feiertage und Brückentage sowie Wetterkovariaten zur Prognosegüte beitragen und wie gut sorgfältig konstruiertes Gradient Boosting gegenüber modernen Foundation-Modellen für Zeitreihen besteht. Ebenso wichtig war die methodische Strenge. Alle Teams veröffentlichten Model Cards und OpenSSF-Security-Scorecards, und die Ergebnisse jedes Teams wurden von einem anderen Team unabhängig reproduziert und auf diese Weise zertifiziert. Damit setzten die Teams die Anforderungen des EU AI Act an sicherheitskritische Infrastruktur praktisch um. Das Erlernen dieser rechtlichen Vorgaben war für beide Gruppen ein zentraler Bestandteil des Projekts. Offene, überprüfbare Forschung war damit kein Zusatz, sondern Teil der Aufgabe. Hervorzuheben ist das Engagement der Studierenden. Über Wochen hinweg reichten die Teams zuverlässig Tag für Tag ihre Prognosen ein, verfeinerten ihre Modelle und diskutierten ihre Ansätze in den Abschlusspräsentationen. Zum Semesterausklang lud Prof. Dr. Thomas Bartz-Beielstein die internationalen Masterstudierenden des Studiengangs „Automation & IT“ (AIT), aus dem die DDMO-Teams stammten, sowie die beteiligten Kolleginnen und Kollegen zu einem Gartenfest zu sich nach Hause ein, um die Erfolge gemeinsam zu feiern. Für ihn war die Challenge ein voller Erfolg: „Ich bin beeindruckt, mit welcher Ausdauer und Sorgfalt die Teams gearbeitet haben. Dass die Studierenden unter realen Bedingungen die offizielle Netzprognose schlagen und ihre Ergebnisse gegenseitig reproduzieren, ist genau die Art von offener, überprüfbarer Forschung, die wir vermitteln wollen. Dass die Teams dabei die rechtlichen Vorgaben für kritische Infrastruktur eigenständig umgesetzt haben, war mir eine besondere Freude.“ Mit dem Ende des Semesters ist die Challenge nicht abgeschlossen, sondern wird auf freiwilliger Basis fortgeführt. Aktuelle Ergebnisse der fortlaufenden Prognosen sind im laufenden Leaderboard einsehbar.