Kopfbereich

School of Engineering

Kompetenzzentrum für Generative KI

Das Kompetenzzentrum für Generative Künstliche Intelligenz (KI) untersucht das Potenzial von Algorithmen (z.B. ChatGPT & Stable Diffusion), die neue Inhalte erzeugen. Wir forschen an und mit diesen Modellen und beraten Interessierte bei Fragen und Unsicherheiten. Ziel ist, ein besseres Verständnis für die Auswirkungen auf die Gesellschaft zu erreichen.

Generative KI ist eine Art von künstlicher Intelligenz, die in der Lage ist, neue Daten zu erstellen, die teilweise schwer von menschlichen Inhalten zu unterscheiden sind. Zu den generierten Inhalten zählen zum Beispiel Text, Ton und Bild. Dadurch hat die Technologie Auswirkungen auf viele gesellschaftliche Bereiche, darunter Sprachverarbeitung, Musik und Medizin. Als Beitrag für einen zukunftsfähigen Einsatz und Umgang mit der KI in Bildung, Forschung und Industrie, bündelt das Kompetenzzentrum bestehende Erfahrungen, bietet den Rahmen für Vernetzung und befähigt neue Projekte.

Die ZHAW kann auf langjährige Expertise im Bereich KI zurückgreifen. Seit 2016 arbeitet beispielsweise das Center for Artificial Intelligence (CAI) mit generativen Modellen für die Spracherzeugung und das Institut für Übersetzen und Dolmetschen (IUD) mit maschinellen Übersetzungstools. Mit der Gründung der Plattform kommen Expert:innen aus unterschiedlichen Disziplinen zusammen, um generative KI-Modelle zu analysieren, zu entwickeln und deren Auswirkungen auf die Gesellschaft untersuchen.

Schwerpunkte sind neben angewandter Forschung, Entwicklung und (Weiter)Bildungskursen auch Dienstleistungen und Events. Begleiten Sie uns auf der Reise des Entdeckens und des Wissensaustauschs! 

 

Schwerpunkte und Themen

Weiterbildungen

Veranstaltungen

Keine Veranstaltungen verfügbar.

Forschungsprojekte

Leider kann hier momentan keine Liste der Projekte angezeigt werden. Bis die Liste wieder verfügbar ist, kann die Projektsuche auf der Dachseite der ZHAW genutzt werden.

Publikationen

  • Carlson, David Edwin; ; Liu, Yiling; Lotte, Fabien; Lu, Bao-Liang,

    2025.

    The NERVE-ML (neural engineering reproducibility and validity essentials for machine learning) checklist : ensuring machine learning advances neural engineering.

    Journal of Neural Engineering.

    22(2), S. 021002.

    Verfügbar unter: https://doi.org/10.1088/1741-2552/adbfbd

  • Amer-Yahia, Sihem; ; Facchinetti, Roberta; Franceschi, Valeria; Gionis, Aristides; Hose, Katja; Koutrika, Georgia; Kouyos, Roger; Lissandrini, Matteo; Maniu, Silviu; Mirylenka, Katsiaryna; Mottin, Davide; Palpanas, Themis; Rigotti, Mattia; Velegrakis, Yannis,

    2025.

    Towards reliable conversational data analytics [Paper].

    In:

    Proceedings of EDBT 2025.

    28th International Conference on Extending Database Technology (EDBT), Barcelona, Spain, 25-28 March 2025.

    Open Proceedings.

    S. 962-969.

    Verfügbar unter: https://doi.org/10.48786/edbt.2025.78

  • Bonaldi, A.; Hartley, P.; Braun, R.; Purser, S.; Acharya, A.; Ahn, K.; Resco, M. Aparicio; Bait, O.; Bianco, M.; Chakraborty, A.; Chapman, E.; Chatterjee, S.; Chege, K.; Chen, H.; Chen, X.; Chen, Z.; Conaboy, L.; Cruz, M.; Darriba, L.; De Santis, M.; ; Diao, K.; Feron, J.; Finlay, C.; Gehlot, B.; Ghosh, S.; Giri, S. K.; Grumitt, R.; Hong, S. E.; Ito, T.; Jiang, M.; Jordan, C.; Kim, S.; Kim, M.; Kim, J.; Krishna, S. P.; Kulkarni, A.; López-Caniego, M.; Labadie-García, I.; Lee, H.; Lee, D.; Lee, N.; Line, J.; Liu, Y.; Mao, Y.; Mazumder, A.; Mertens, F. G.; Munshi, S.; Nasirudin, A.; Ni, S.; Nistane, V.; Norregaard, C.; Null, D.; Offringa, A.; Oh, M.; Oh, S. -H.; Parkinson, D.; Pritchard, J.; Ruiz-Granda, M.; López, V. Salvador; Shan, H.; Sharma, R.; Trott, C.; Yoshiura, S.; Zhang, L.; Zhang, X.; Zheng, Q.; Zhu, Z.; Zuo, S.; Akahori, T.; Alberto, P.; Allys, E.; An, T.; Anstey, D.; Baek, J.; Basavraj; Brackenhoff, S.; Browne, P.; Ceccotti, E.; Chen, H.; Chen, T.; Choudhuri, S.; Choudhury, M.; Coles, J.; Cook, J.; Cornu, D.; Cunnington, S.; Das, S.; Acedo, E. De Lera; Delou is, J. -M.; Deng, F.; Ding, J.; Elahi, K. M. A.; Fernandez, P.; Fernández, C.; Alcázar, A. Fernández; Galluzzi, V.; Gao, L. -Y.; Garain, U.; Garrido, J.; Gendron-Marsolais, M. -L.; Gessey-Jones, T.; Ghorbel, H.; Gong, Y.; Guo, S.; Hasegawa, K.; Hayashi, T.; Herranz, D.; Holanda, V.; Holloway, A. J.; Hothi, I.; Höfer, C.; Jelić, V.; Jiang, Y.; Jiang, X.; Kang, H.; Kim, J. -Y.; Koopmans, L. V.; Lacroix, R.; Lee, E.; Leeney, S.; Levrier, F.; Li, Y.; Liu, Y.; Ma, Q.; Meriot, R.; Mesinger, A.; Mevius, M.; Minoda, T.; Miville-Deschenes, M. -A.; Moldon, J.; Mondal, R.; Murmu, C.; Murray, S.; SR, Nirmala; Niu, Q .; Nunhokee, C.; O'Hara, O.; Pal, S. K.; Pal, S.; Park, J.; Parra, M.; tra, N. N. Pa; Pindor, B.; Remazeilles, M.; Rey, P.; Rubino-Martin, J. A.; Saha, S.; Selvaraj, A.; Semelin, B.; Shah, R.; Shao, Y.; Shaw, A. K.; Shi, F.; Shimabukuro, H.; Singh, G.; Sohn, B. W.; Stagni, M.; Starck, J. -L.; Sui, C.; Swinbank, J. D.; Sánchez, J.; Sánchez-Expósito, S.; Takahashi, K.; Takeuchi, T.; Tripathi, A.; Verdes-Montenegro, L.; Vielva, P.; Vitello, F. R.; Wang, G. -J.; Wang, Q.; Wang, X.; Wang, Y.; Wang, Y. -X.; Wiegert, T.; Wild, A.; Williams, W. L.; Wolz, L.; Wu, X.; Wu, P.; Xia, J. -Q.; Xu, Y.; Yan, R.; Yan, Y. -P.,

    2025.

    Square Kilometre Array Science Data Challenge 3a : foreground removal for an EoR experiment.

    arXiv.

    Verfügbar unter: https://doi.org/10.48550/arxiv.2503.11740

  • ,

    2025.

    Advanced representation learning techniques for graph neural networks.

    Venice:

    Ca' Foscari University.

    Verfügbar unter: https://doi.org/10.21256/zhaw-32794

  • Starke, Georg; Gille, Felix; Termine, Alberto; Aquino, Yves Saint James; ; Ferrario, Andrea; Hastings, Janna; Jongsma, Karin; Kellmeyer, Philipp; Kulynych, Bogdan; Postan, Emily; Racine, Elise; Sahin, Derya; Tomaszewska, Paulina; Vold, Karina; Webb, Jamie; Facchini, Alessandro; Ienca, Marcello,

    2025.

    Finding consensus on trust in AI in health care : recommendations from a panel of international experts.

    Journal of Medical Internet Research.

    27, S. e56306.

    Verfügbar unter: https://doi.org/10.2196/56306

Expert:innen

Die Publikationslisten der Expert:innen sind auf deren Porträt verlinkt.

Für ZHAW-Mitarbeitende

Als ZHAW-Mitarbeiter:in kannst Du aktiv oder passiv beim Kompetenzzentrum mitmachen: als «Expert:in», wenn du dich intensiv mit dem Thema Generative KI beschäftigst; oder als «Zuhörer:in» in unserem MS Teams-Kanal, wenn Du einfach am Thema interessiert bist oder Fragen dazu hast.
Melde dich einfach per E-Mail an generativeAI@zhaw.ch.

 

Organisation

Medienpräsenz