Die aktuelle Forschung der Professur befasst sich mit der Entwicklung von Methoden des Maschinellen Lernens im Kontext vertrauenswürdiger Künstlicher Intelligenz, insbesondere in biometrischen Anwendungen wie der Gesichtserkennung. Unser Ziel ist es, lernende Algorithmen zu entwickeln, die technisch robust, ethisch fair, rechtlich konform und menschlich kontrolliert sind. Wir untersuchen, wie KI- und insbesondere Machine-Learning-Systeme fairer, datenschutzfreundlicher, zuverlässiger, erklärbarer und sicherer gestaltet werden können, sowohl im biometrischen Kontext als auch darüber hinaus.

In der Lehre ist es unser Anliegen, den Studierenden sowohl die Grundlagen als auch fortgeschrittene Methoden der verantwortungsvollen KI und insbesondere des Maschinellen Lernens zu vermitteln. Damit wollen wir unsere Studierenden darauf vorbereiten, eine datengetriebene Zukunft aktiv und erfolgreich mitzugestalten.

KI-Systeme eröffnen große Chancen für die Wirtschaft und Privatpersonen, bergen aber zugleich erhebliche Risiken. Diese Systeme sind nie neutral, sondern tragen die Werte der Menschen in sich, die sie entwickeln und nutzen. Eine verantwortungsvolle Gestaltung ist deshalb unerlässlich, um zu einer digitalen und sozial nachhaltigen Gesellschaft beizutragen, die sich an gemeinsamen Werten orientiert.

Unsere Forschung bewegt sich in zwei miteinander verbundenen Bereichen: Vertrauensvolle KI und biometrische Systeme. Vertrauensvolle KI zielt darauf ab, ethische Prinzipien, rechtliche Konformität und gesellschaftliches Vertrauen unmittelbar in die Entwicklung und den Betrieb von KI-Modellen einzubetten. Biometrische Systeme ermöglichen die automatische Überprüfung der Identität einer Person anhand verhaltensbezogener oder biologischer Merkmale wie Fingerabdruck oder Gesichtserkennung. Diese Technologien zählen zu den präzisesten und einflussreichsten KI-Systemen für Identitätsprüfung, Zutrittskontrolle und personalisierte Dienste in der heutigen digitalen Welt.

In der Lehre ist es unser Anliegen, Studierenden sowohl die Grundlagen als auch fortgeschrittene Methoden der verantwortungsvollen KI und insbesondere des Maschinellen Lernens zu vermitteln. Im Bachelorstudium führt die Lehrveranstaltung Machine Learning and Artificial Intelligence in zentrale Lernverfahren und deren praktische Umsetzung ein; hier wird eine breite Grundlage gelegt. Im Masterstudium wird auf diesen Grundlagen durch Seminare und Projektarbeit aufgebaut und forschungsnah vertieft, etwa in Veranstaltungen wie Advanced Learning Strategies for AI Systems, Applied AI Prototyping und Strategy Mining.

In den Lab-Veranstaltungen Machine Learning Lab I und II (Bachelor) sowie Responsible AI Lab (Master) arbeiten Studierende in Kleingruppen an Fragestellungen aus der aktuellen Forschung. Im wöchentlichen Austausch mit den Betreuenden entwickeln sie neue Lösungen, konzipieren und führen Experimente durch und analysieren die Ergebnisse. Die hier bearbeiteten Themen können in Absprache in einer Abschlussarbeit fortgesetzt werden; selbstverständlich bieten wir darüber hinaus auch eigene Themen für Abschlussarbeiten an.

Unser Ziel ist es, unsere Studierenden darauf vorzubereiten, eine datengetriebene Zukunft aktiv und erfolgreich mitzugestalten.

Wintersemester

  • Machine Learning & Artificial Intelligence (Vorlesung & Übung)
  • Machine Learning Lab I (Projekt)
  • Biometrics & AI (Seminar)
  • Wissenschaftliches Arbeiten und Seminar (Seminar)

Sommersemester

  • Machine Learning Lab II (Projekt)
  • Wirtschaftsinformatik-Projekt (Projekt)
  • Datenintegration und Datenanalyse (Vorlesung & Projekt)

Wintersemester

  • Strategy Mining (Projekt)
  • Responsible AI Lab (Projekt)

Sommersemester

  • Introduction to Machine Learning (Vorlesung & Übung)
  • Advanced Learning Strategies for AI Systems (Seminar)
  • Applied AI Prototyping (Projekt)
  • Biometric Recognition (Vorlesung & Projekt)

Hier sind die aktuellsten Lehrveranstaltungen nach Semester aus Jogustine gelistet:

Wintersemester

  1. Biometrics & AI
    Dozent:in: Philipp Terhörst
  2. Machine Learning and Artificial Intelligence
    Dozent:in: Philipp Terhörst
  3. Machine Learning and Artificial Intelligence (Übung)
    Dozent:in: Philipp Terhörst
  4. Machine Learning Lab I
    Dozent:in: Philipp Terhörst
  5. Responsible AI Lab – Übung 1
    Dozent:in: Philipp Terhörst
  6. Responsible AI Lab – Übung 2
    Dozent:in: Philipp Terhörst
  7. Strategy Mining
    Dozent:in: Philipp Terhörst

WiSe 2026/27

Sommersemester

  1. Advanced Learning Strategies for AI Systems
    Dozent:in: Philipp Terhörst
  2. Applied AI Prototyping
    Dozent:in: Philipp Terhörst
  3. Maschinelles Lernen und Künstliche Intelligenz
    Dozent:in: Philipp Terhörst
  4. Maschinelles Lernen und Künstliche Intelligenz (Übung)
    Dozent:in: Philipp Terhörst

SoSe 2026

Wir betreuen Abschlussarbeiten zu Themen aus unseren Forschungsschwerpunkten für Bachelor- sowie Masterarbeiten. In der Regel stellen wir Themen im ersten Gespräch vor. Sie können aber auch gerne eigene Forschungsfragen mitbringen.

Bachelorarbeiten – Die Vergabe der Bachelorarbeiten im Fachbereich 03 erfolgt zentral über das Rankingverfahren des Fachbereichs. Bitte beachten Sie die dort veröffentlichten Fristen und Anmeldewege.

Masterarbeiten – Bei Interesse an einer Masterarbeit wenden Sie sich bitte direkt an die Mitarbeiterin oder den Mitarbeiter, deren bzw. dessen Thema Sie anspricht, oder direkt an den Professor. Im ersten Gespräch stellen wir Ihnen aktuelle Themen vor.

Voraussetzungen – Für eine Abschlussarbeit bei uns sind Vorkenntnisse im Bereich Maschinelles Lernen erforderlich. Für die meisten Themen werden zusätzlich Programmierkenntnisse in Python erwartet. Themen aus den Lab-Veranstaltungen können in Absprache fortgeführt werden.