Abstract:

Mit Agentic AI verschiebt sich der Fokus von reiner Informationsverarbeitung hin zur Ausführung von Aufgaben.

KI-Systeme beginnen mehrstufige Prozesse zu planen, mit externen Systemen zu interagieren und Ergebnisse iterativ zu verbessern. Dadurch entstehen neue Formen der Automatisierung, insbesondere in der Wissensarbeit.

Im Mittelpunkt steht die Einordnung dieser Entwicklung: Was KI-Agenten von bisherigen Ansätzen unterscheidet, welche neuen Möglichkeiten daraus entstehen und wo die aktuellen Grenzen liegen.

Biographie

I received my PhD in physics from the Karlsruhe Institute of Technology in 2011, working on statistical analyses of elementary particle physics experiments using machine learning techniques.

I then joined Blue Yonder, a data-science startup that evolved into a provider of cloud-based predictive applications for the retail market. There, I led the algorithms core team and developed, among other things, new methods for demand forecasting and demand shaping.

In 2018, Blue Yonder was acquired by JDA (later re-branded to Blue Yonder), a leading provider of supply-chain management software. As Corporate Vice President Data Science, I was responsible for R&D and operations of several products and services aimed at enabling an autonomous supply chain.

Following Blue Yonder’s acquisition by Panasonic in 2021, I moved to Panasonic in 2023 — assigned to the Panasonic R&D Center Germany — as Executive Data Scientist, Executive Technical Advisor, and Director of the Intelligent Systems Laboratory within Panasonic Connect’s R&D division. My work there spanned robotics, computer vision, optimization, and language modeling.

Since 2025, I have been Professor of Applied Artificial Intelligence at the University of Applied Sciences in Kaiserslautern, with a research agenda centered on advancing and applying AI methods within the engineering sciences.

Alongside my academic role, I advise a range of companies — from startups to private equity firms — on AI strategy, product innovation, and the practical deployment of advanced machine-learning technologies.

Lehrgebiete

• Angewandte Künstliche Intelligenz

Comming Soon...

Abstract

KI ist im Mittelstand angekommen, zumindest in der Theorie. Das eigentliche Hindernis ist dabei selten die Technologie selbst, sondern der Weg vom Wissen zum Tun. Befähigung, Routinen und KI‑Champions sollen diese Lücke schließen, vorausgesetzt der Transformationsprozess bleibt praxisnah und konsequent verfolgt.

Comming Soon...

Abstract

KI-Agenten sind längst kein Laborexperiment mehr — doch der Schritt vom beeindruckenden Prototyp zum produktiv betriebenen System ist weiter, als viele erwarten. Im Mittelpunkt dieses Vortrags steht die Frage, welche Geschäftsprozesse sich für agentenbasierte Automatisierung wirklich eignen — und welche nicht. Ein pragmatischer Entscheidungsrahmen hilft, Potenziale nüchtern zu bewerten: Sind die nötigen Schnittstellen vorhanden? Welche regulatorischen und organisatorischen Grenzen gelten? Und rechnet sich der Aufwand gemessen am erzielbaren Mehrwert?

Dieser Vortrag zeigt, wo die eigentlichen Hürden beim Einsatz von Agentic AI liegen und liefert Schlüsselfragen zu deren Überwindung.

Biographie

Dr. Tobias Alt-Veit ist seit 2022 bei der Insiders Technologies GmbH (Kaiserslautern) tätig, zunächst als Machine Learning Engineer und seit 2024 als Product Owner AI. In dieser Rolle verantwortet er die KI-Strategie sowie das Backend für intelligente Dokumentenverarbeitung und koordiniert Forschungskooperationen mit Fraunhofer IESE, DFKI und der Charité Berlin. Seine Promotion schloss er 2022 an der Universität des Saarlandes ab. Seine fachlichen Schwerpunkte liegen in der angewandten KI-Forschung, der Produktisierung von Deep-Learning-Modellen sowie der Schnittstelle zwischen mathematischer Bildanalyse und moderner Dokumentenanalyse.

Abstract

KI-Agenten sind keine harmlosen Chatbots mehr. Sie treffen Entscheidungen, rufen Tools auf und handeln autonom. Das verändert die Sicherheitsfrage fundamental. Und es macht einen der häufigsten Fehler in der Praxis besonders teuer: einfach loszutesten, ohne zu wissen, was man eigentlich sucht.
Der Eingaberaum eines Sprachmodells ist praktisch unendlich. „Test everything" ist keine Strategie. Es ist Aktionismus, der Zeit, Geld und ein falsches Gefühl von Sicherheit produziert. Echte Resilienz entsteht anders: durch Threat Modeling als Voraussetzung für fokussiertes, gezieltes Testing; durch Guardrailing und Observability als kontinuierliche Schichten im Betrieb; durch die Fähigkeit, Abweichungen früh zu erkennen und handlungsfähig zu bleiben. Dazu kommt ein Problem, das Security-Teams oft unterschätzen: KI-Agenten sind nicht deterministisch. Gleicher Input, anderer Output. Ein System, das heute den Test besteht, macht morgen etwas anderes. Das bedeutet: Ein einzelner Testlauf beweist wenig. Ob ein System etwas kann ist eine andere Frage als ob es das zuverlässig tut. Die Antwort darauf liegt an der Schnittstelle von Security und Data Science.
Der Vortrag zeigt, wie Security als durchgehender Lifecycle funktioniert statt als einmaliger Checkpoint vor dem Go-Live. Auch ein Blick über den Tellerrand lohnt sich: Safety II fragt nicht nur, was schiefläuft, sondern warum Systeme meistens funktionieren. Übertragen auf KI bedeutet das: Resilienz entsteht nicht durch das Eliminieren aller Fehler, sondern durch die Fähigkeit, mit Unsicherheit umzugehen.
Der Vortrag richtet sich an alle, die KI produktiv einsetzen wollen und dabei nicht auf blinden Glauben angewiesen sein möchten.
 

Biographie

Julia Masloh ist Geschäftsführerin von sequire technologies. Das Unternehmen hat als erstes Team weltweit Indirect Prompt Injection öffentlich identifiziert und benannt – eine Schwachstellenklasse, die bis heute Platz 1 der OWASP LLM Top 10 belegt. Forschung ist bei sequire kein Aushängeschild, sondern Arbeitsgrundlage: Methoden werden entwickelt, erprobt und direkt in die Praxis überführt. Mit einem Staatsexamen und einem M.Sc. in Computerlinguistik denkt Julia Masloh in Systemen. Das prägt, wie sie an KI-Sicherheit herangeht: nicht mit der Gießkanne, sondern mit Methode. Threat Modeling vor dem Testing, Observability im Betrieb, Resilienz als Ziel. Kein Security Theater, keine Illusion vollständiger Absicherung. Ihre Arbeit bewegt sich zwischen Forschung, Praxis und Vermittlung – von Sicherheitsarchitekturen für regulierte Branchen bis hin zu Trainings für Entwicklungsteams.

Abstract

Die Nutzung von Daten zur Entscheidungsfindung reicht weit vor die digitale Industrie zurück. Von frühen Tabellenwerken über statistische Methoden bis hin zu rechnergestützten Modellen haben sich datenbasierte Ansätze kontinuierlich weiterentwickelt. Diese Keynote spannt bewusst einen weiten historischen Bogen und zeigt, wie sich der Umgang mit Daten und künstlicher Intelligenz über Jahrzehnte hinweg verändert hat.

Darauf aufbauend wird die Entwicklung in der industriellen Praxis beleuchtet, insbesondere in der Stahlproduktion. Im Fokus stehen klassische Optimierungsverfahren ebenso wie KI ohne generative Modelle, etwa Prognoseverfahren, regelbasierte Systeme und Entscheidungsunterstützung. Abschließend werden heutige generative und agentische KI-Ansätze eingeordnet.

Der Vortrag verbindet historische Einordnung, industrielle Realität und einen Blick nach vorn und macht deutlich, warum künstliche Intelligenz kein kurzfristiger Trend ist, sondern die konsequente Fortsetzung einer jahrhundertelangen Entwicklung datengestützter Wertschöpfung.

Biographie

Dr. Michael Schäfer ist ein erfahrener Experte für Künstliche Intelligenz mit einem fundierten Hintergrund in Informatik, sowie einer Promotion in Künstlicher Intelligenz im Bereich Materialwissenschaften. Seit 2017 leitet er den Bereich AI und Digitalisierung bei SHS. In dieser Rolle hat er den Bereich aufgebaut und maßgeblich die konzernweite Einführung und Skalierung von KI‑Lösungen vorangetrieben.

Er verfügt über umfassende Erfahrung in der Integration von KI in industrielle Kernprozesse, im Aufbau datengetriebener Betriebsmodelle sowie in der Leitung anwendungsnaher Forschung mit klarem industriellem Nutzen.