Antrag 01.02.2025 im Dekanat FB3 und 03.2025 in der FNK vorgelegt, Kurzbeschreibung:

Maschinelles Lernen ermöglicht Mustererkennung durch Lernen aus Beispielen statt expliziter Programmierung. Moderne KI-Systeme wie DeepSeek-AI R1, nutzen hierarchische Large Language Models und Reinforcement Learning ohne konkrete Zielfunktion oder menschliches Feedback, sondern mit AI-Feedback (RLAIF). Dies ähnelt natürlichen evolutionären Entwicklungs- und belohnungsbasierten Lernprozessen in der Biologie, die besonders für die Produktkonzeption bei technisch widersprüchlichen Zielen und Parametern interessant erscheinen. Dabei zeigen sich Parallelen zu (Brett-)Spiel-Strategien. Aktuelle Trends zu eigenständig räsonierenden KIs könnte deren Nachvollziehbarkeit für den Menschen erschweren, die Bekannt- und Beliebtheit ausgewählter Spiele hingegen erleichtern. Ziel ist es, bionische KI-Strategien exemplarisch in interaktive Spiele (Games) zu transformieren, um hierarchische AI-Entscheidungsprozesse für die Generierung von Produktkonzepten nutzbar und erfahrbar zu machen. (EvioGAI)

• Prof. Dr.-Ing. Claudia Hentschel (Projektleitung)

• EXIST "Patent Valuation" Berlin / MAEX GmbH / VDI Düsseldorf / HILTI Deutschland AG / INSA Strasbourg

• Gamification der Lehre zur Strukturierten Innovation SI (Lehrinnovationsfonds LIF 2022/23)
  
  Arbeits- / Diskussionspapier / Forschungsbericht › Forschungs- / Abschlussbericht › 2023
• Better-Simpler-More Ideal: Disruptive Innovation by Patent Circumvention with Function Models from TRIZ
  
  Sammelbandbeitrag › Aufsatz › 2022
• Complexity - Shift happens!
  
  Sammelbandbeitrag › Aufsatz › 2018
• It's all about Speed - The Trends of Trends in Systematic Innovation
  
  Sammelbandbeitrag › Aufsatz › 2013