Neue KI-Modelle einbinden, ohne auf die Entwicklungsabteilung zu warten
Jedes neue Sprachmodell ein Ticket beim Entwicklerteam? Wir bauen KI-Systeme, in denen Fachanwender selbst am Steuer sitzen – Modelle anbinden, Budgets setzen, loslegen.
- Kunde
- Branche
- Bildung
- Leistung
- Software Development
- Dauer
- 1 Monat
- Team
- 1 Entwickler
Lehrende konnten das KI-Feedbacksystem nutzen — aber nicht selbst verwalten.
Studierende der FernUni in Hagen erarbeiten Inhalte eigenständig, reichen Aufgaben ein und benötigen zeitnahes Feedback — erst dann wissen sie, ob sie den Stoff richtig durchdrungen haben. Über lange Zeit hinweg übernahmen Lehrende sowie Tutor:innen aus höheren Semestern eigenständig die Erstellung des Feedbacks, was mit einem erheblichen Aufwand verbunden war.
Die interne Entwicklungsabteilung der FernUniversität in Hagen erstellte daraufhin ein eigenes KI-Feedbacksystem. Was jedoch bisher fehlte, war der Blick auf das, was im System passiert — und die Möglichkeit, es gezielt zu steuern. Lehrende wollten wissen: Wie viele Aufgaben werden automatisiert bewertet? Wie nehmen Studierende das Feedback an? Und was kostet der Betrieb pro Modul? Denn jedes KI-generierte Feedback verursacht Kosten. Ein Gesamtbudget konnte bisher nur außerhalb der Anwendung über die zugrunde liegende Infrastruktur von technischen Mitarbeitenden festgelegt werden.
Mit Framework-Expertise in vier Wochen zum Ergebnis statt in Monaten zur Eigenentwicklung
Zur Selbstverwaltung wurden Oberflächen geschaffen, die die Lehrenden für den täglichen Betrieb brauchen: Sprachmodelle anlegen, Nutzungslimits setzen, Anbieter wechseln — passgenau auf die Abläufe der Lehrenden abgestimmt.
Parallel dazu entstand eine einheitliche Anbindungsschicht für Sprachmodelle: Ob ein Modell über Azure AI Inference oder lokal über Ollama läuft, spielt für die Konfiguration keine Rolle mehr. Lehrende wählen Anbieter und Modell aus — die Abstraktion darunter sorgt dafür, dass Bewertungskriterien, Prompts und Kostenerfassung unabhängig vom jeweiligen Anbieter funktionieren.
Für Lehrende entstand darüber hinaus ein Analyse-Dashboard, das Nutzung und Qualität auf Modul-Ebene sichtbar macht: wie oft das System aufgerufen wird, was der Betrieb dabei kostet und wie Studierende die erhaltenen Rückmeldungen bewerten. Daneben wurden die Grundsteine für die geplante Open-Source-Veröffentlichung gelegt:
Eine einheitliche Entwicklungsumgebung und Installationsdokumentation, um die Einstiegshürden für interne und externe Entwickler zu reduzieren.
Lehrende steuern das Feedbacksystem eigenständig — ohne Entwicklereingriff
Erscheint ein leistungsfähigeres Sprachmodell oder stellt ein Anbieter sein Portfolio um, nehmen Lehrende die Umstellung direkt in der Verwaltungsoberfläche vor — bestehende Module samt hinterlegter Bewertungskriterien lassen sich dabei innerhalb von Minuten auf das neue Modell umziehen. Wie intensiv das System je Modul genutzt wird und was dabei an Kosten entsteht, sehen Lehrende direkt im Dashboard — ebenso, wie Studierende die erhaltenen KI-Feedbacks bewerten.
- Modellwechsel ohne Entwicklereingriff:
- Lehrende binden neue Sprachmodelle über die Verwaltungsoberfläche an und migrieren bestehende Module samt Kriterien auf das neue Modell — ohne Code-Änderungen, ohne erneutes Ausrollen der Software. Tiefgehende technische Expertise ist dafür nicht erforderlich.
- Nutzung und Kosten je Modul sichtbar:
- Lehrende sehen Nutzung und Kosten für ihre eigenen Module. Admins haben Einblick ins Gesamtsystem — und können Limits anpassen, bevor Budgets überschritten werden.
- Bereit für die Open-Source-Community:
- Das Tool ist für die Veröffentlichung vorbereitet: Neue Entwickler können mit einer einheitlichen Entwicklungsgrundlage einsteigen.
Neue Wege sind dazu da beschritten zu werden.
Erzählen Sie uns von Ihrem Projekt, damit wir den nächsten Schritt gemeinsam gehen können.
Ähnliche Projekte
Bildung/Software DevelopmentEntwicklung einer Lern-Plattform im Web und auf mobilen Geräten für Deutschlands größte Hochschule.
