Datenwerkstatt Jena 2026

Challengetyp: klassisch

Organisator: Tom Meißner

1. Die Ausgangslage

Moderne Systeme zur Digitalisierung analoger Dokumente wie z.B. OCR (Optical Character Recognition) und VLMs (Vision Language Models) sind zwar leistungsstark, produzieren aber oft "schmutzige" Daten:

• Zeichenfehler: "0" statt "O", "l" statt "I".
• Strukturverlust: Tabellen werden flachgedrückt, Zeilenumbrüche zerstört.
• Kontextfehler: Fachbegriffe werden aufgrund schlechter Bildqualität falsch interpretiert.

2. Die Challenge

Im Rahmen der Challenge so eine intelligenter Workflow entwickelt werden, der extrahierte Rohdaten von digitalisierten Texten entgegennimmt (JSON/Text) und sie mithilfe von LLMs und algorithmischen Ansätzen verbessert.

Dazu gehört:

• Validierung: Erkennt das Modell, ob die Extraktion plausibel ist? (z.B. Checksummen bei IBANs, Abgleich mit Datumsformaten).
• Korrektur: Automatisches Fixen von Schreibfehlern (z.B. "Rechnun9" -> "Rechnung").
• Anreicherung & Qualität: Fehlende Infos durch Kontext ergänzen und den Text in ein perfekt strukturiertes Format (z.B. sauberes Markdown oder JSON) überführen.

Challengetyp: konzeptionell, kreativ

Organisator: David Schneider

Ziel dieser Challenge ist es, nutzerzentrierte Dashboards für Studierende zu entwerfen. Diese sollen den eigenen Studienverlauf verständlich und übersichtlich darstellen. Im Mittelpunkt steht ein zentrales Dashboard mit verschiedenen Ansichten auf wichtige Kennzahlen, zum Beispiel zu Prüfungsanmeldungen, Notenverläufen oder Durchschnittsnoten. Dabei soll geklärt werden, welche Darstellungen wirklich hilfreich sind und welche Kennzahlen für Studierende einen echten Mehrwert bieten.

Ein wichtiger Punkt ist die Frage, ob und wie Vergleichsdaten sinnvoll sind. Dazu gehört etwa der Vergleich der eigenen Leistungen mit der Kohorte oder dem Studiengangsdurchschnitt. Hier müssen auch mögliche psychologische Effekte bedacht werden. Zusätzlich soll geprüft werden, welchen Nutzen erklärende und unterstützende Elemente haben könnten, zum Beispiel durch ein angebundenes Sprachmodell. Diese könnten helfen, die Daten besser zu verstehen und auf passende Unterstützungsangebote hinzuweisen.

Die Ergebnisse der Challenge sollen dazu beitragen, Studierenden ihren Studienverlauf transparenter darzustellen und bei Bedarf passende Angebote der Zentralen Studienberatung besser sichtbar zu machen.

Challengetyp: kreativ, konzeptionell

Organisator: Charlotte Steinke

Über den Uni-MarktplatzExterner Link können Studierende und Lehrende Angebote aus dem Bereich digitale Lehre an der Universität Jena finden. Ähnlich einem Onlineshop kann man dort beispielsweise Qualifizierungsmöglichkeiten, Austausch- und Beratungsangebote oder digitale Tools finden und die Suche über entsprechende Filter eingrenzen.
Viele ähnlicher Plattformen verfügen heute über KI-Chatbots, die Fragen von Nutzer*innen direkt beantworten und auf passende Angebote verweisen können.
Im Rahmen der Challenge soll ein Konzept und ein erster Prototyp für einen KI-Chatbot entwickelt werden, der die Suche nach passenden Angeboten im Uni-Marktplatz erleichtert und auf individuelle Anfragen eingeht. 
Dabei sollen Anforderungen aus Sicht der Nutzenden an das System definiert und eine Umsetzung mit den verfügbaren KI-Infrastrukturen der Universität getestet werden.

Challengetyp: klassisch

Organisator: Stadt Jena

Die Stadt erhebt täglich riesige Mengen an Daten über Sensoren – von Luftqualität und Verkehrsdichten bis hin zu Wetterbedingungen. Diese Daten sind essenziell für Planung, Monitoring und Bürgerdienste. Doch die enormen Datenmengen (bis zu Terabytes pro Jahr) verbrauchen nicht nur viel Speicher und verlangsamen die Analyse, sondern verursachen auch hohe Kosten und erheblichen Energieverbrauch, was im Sinne der ökologischen Nachhaltigkeit problematisch ist. Dabei sind meist nicht alle gesammelten Daten für die eigentliche Fragestellung wirklich nötig.

Die Herausforderung:
Es sollen Ansätze entwickelt werden, mit denen sich die Datenmenge sinnvoll reduzieren lässt ohne die Auswertbarkeit für wichtige Anwendungen zu beeinträchtigen.
Wichtige Leitfragen sind:

• Welche Informationen sind für unterschiedliche Anwendungsfälle wirklich relevant?
• Wie kann man Daten so zusammenfassen (aggregieren, komprimieren), dass wichtige Trends und Muster erhalten bleiben?

Gesucht sind praktikable, nachvollziehbare Lösungen, die der Stadt Jena dabei helfen, ihre Daten effizienter, kostengünstiger und nachhaltiger zu speichern.