Das HASKI-Gesamtkonzept soll den Lernenden adaptives selbstgesteuertes Lernen ermöglichen. Es besteht aus mehreren Komponenten. Diese sind der Lernraum, das angepasste LMS und das HASKI-System. Die Akteure sind die Lernenden und Lehrenden. Das adaptive Lernenden-Modell passt sich dem Lernenden an und nicht umgekehrt. Das Domänen-Modell (Dokumente, Videos, Podcasts, Lernaufgaben, …) wird verfeinert, damit das Tutorielle Modell die Studierenden mit ihren unterschiedlichen Erwartungen und Vorkenntnissen angemessen mit passgenauen Lernpfaden und Feedback berücksichtigt. Adaptives Lernen und Prüfen bedeutet, dass den Lernenden Aufgaben vorgelegt werden, die ihrem Lernstand und Kompetenzniveau ent-sprechen. Dies ist eine Gelingensbedingung für adaptives Lehr- und Lernarrangement. Das HASKI-Gesamtkonzept beruht auf einem Blended-Learning-Ansatz. Die Studierenden erhalten Lernmaterialien über ein LMS, in dem Lernpfade individuell je nach Lernenden-, Tutoriellem und Domänen-Modell angelegt sind. Dabei können Lernende selbst festlegen, wie ihr Lernprozess aussieht, je nachdem, welchen Lernpfad sie wählen. Alle Aktionen der Lernenden, sowie die Lösungen der Lernaufgaben und Quizzes werden an das HASKI-System – eine KI-gestützte Software – übermittelt. Das HASKI-System ermittelt daraus ein Feedback, das direkt an die Lernenden über das LMS weitergegeben wird. Das KI-System passt ebenfalls die Lernpfade für die Lernenden individuell auf-grund dieser Daten an. Weiterhin erstellt das HASKI-System für die Lehrenden einen Report der Lern-Aktivitäten der Lernenden. Die Lehrenden können mit Hilfe dieser Reports die nächsten Lernräume konzipieren.

Als Antwort auf die steigende Zahl von Cyberangriffen auf kritische Infrastrukturen trägt KRTIS³M zur Kommunikationssicherheit in Verteilernetzen der Energie- und Wasserversorgung bei. Durch skalierte Security-Module in den verschiedenen Ebenen sollen aktuelle und zukünftige Systeme im Rahmen der Energiewende nachhaltig sicher gestaltet werden.

Das vorgestellte Projekt hat das Ziel, eine herstellerübergreifend anwendbare Vorgehensweise und Tool-Umgebung zu entwickeln und bereitzustellen, welche die praktische Anwendung von „Szenario-basiertem Testen“ ermöglicht – zunächst in der bayerischen Automobilindustrie und anschließend in allen Unternehmen und Branchen, die intelligente, autonome Systeme entwickeln oder betreiben. Der für diesen Kontext neuartige Kern der Absicherungstoolkette ist eine sog. Kausale Inferenz Engine. Sie besitzt die Eigenschaft das Expertenwissen als graphische, strukturelle und numerische Repräsentation aufzunehmen und eröffnet damit die innovative Möglichkeit, den Experten über eine graphische Benutzeroberfläche iterativ in den Absicherungsprozess einzubinden. Ziel ist es die Verarbeitungskette, Datenanalyse und Visualisierung als Tool /Plugin für die Testautomatisierung zu entwickeln. Außerdem wollen wir eine Datenbank mit unseren entdeckten kritischen Szenarien aufbauen, die das zugrundeliegende Expertenwissen verknüpfen.