Johann Haag | USTP

Marlies Temper | USTP

Sebastian Eresheim | USTP

Loubna Ben Allal | Machine Learning Engineer bei Hugging Face (🤗)

Loubna Ben Allal, is a machine‑learning engineer at Hugging Face, where she leads the SmolLM project — an open‑source effort to build compact, high‑performing large language models. In addition to directing SmolLM, she is a core contributor to the BigCode project and co‑author of the The Stack dataset and the StarCoder family of code‑generation models.

Loubna holds two master’s degrees—in Mathematics and Deep Learning — from École des Mines de Nancy and ENS Paris‑Saclay. After completing two internships, she joined Hugging Face in 2022, initially contributing to language models for code generation. Her work quickly expanded to broader LLM research, positioning her as an expert on model efficiency, open‑source tooling, and responsible AI development. Since joining Hugging Face, Loubna has driven the design, training, and deployment of several generations of SmolLM (including SmolLM 2 and the more recent SmolLM 3). Her recent “SmolLM Training Playbook” — presented as a comprehensive, book‑style blog post — offers a deep dive into the practical and methodological decisions that enable efficient training of large language models at scale.

Loubna’s blend of deep technical expertise, open‑source advocacy, and clear communication makes her a compelling voice on the future of compact, accessible large language models. In her keynote, she will be discussing the latest advances in efficient LLM training and the lessons learned from designing and training SmolLM 3.

The Smol Training Playbook.

Please visit the Poster-Sessions.

Michael Kolleger & Kevin Janisch | FOTEC Forschungs- und Technologietransfer GmbH

Lecture language: German

Im Projekt mit Steirerfleisch wurde untersucht, inwieweit eine automatisierte Produkterkennung von kommissionierten Fleischprodukten mittels KI im realen Produktionsumfeld umsetzbar ist. Dafür wurden über einen Monat hinweg Bilddaten direkt im laufenden Prozess erfasst, vorverarbeitet und zur Entwicklung eines CNN‑Modells (EfficientNetV2‑B0) genutzt. Das Modell zeigte hohe Genauigkeiten bei klar definierten Klassen, jedoch deutliche Schwächen bei visuell ähnlichen Produkten, geringen Datenmengen und fehlerhaften bzw. inkonsistenten Aufnahmen.

Die Analyse macht deutlich, dass nicht die Modellarchitektur, sondern Datenqualität, kontrollierte Bildaufnahme und Prozessstabilität die entscheidenden Erfolgsfaktoren darstellen. Mit optimierter Hardware, klaren Aufnahmeprozessen und verbesserten Daten kann die Lösung industriell skalierbar werden.

Michael Kollegger hat den Bereich BISS – „Innovative Software Systems“ bei der FOTEC Forschungs- und Technologietransfer GmbH aufgebaut und leitet diesen seit 2009. Er ist seit mehr als 25 Jahren als Referent und Speaker im Bereich Softwareentwicklung in verschiedenen Studienprogrammen der FH Wiener Neustadt sowie auf nationalen und internationalen Konferenzen tätig. Darüber hinaus leitete und unterstützte er zahlreiche Forschungs- und Entwicklungsvorhaben mit den Schwerpunkten IoT, Cross-Plattform-Softwareentwicklung, Künstliche Intelligenz, Mixed Reality und Cloud Computing.

Frederik Bednar| ebcont

Lecture language: German

Wenngleich Modelle zur Objekterkennung in Computer Vision Use Cases bereits eine immer bessere Basisperformance aufweisen, so gestalten sich benutzerspezifische Labelings mithilfe von Bounding Boxes als zeitintensiv und fehleranfällig. Im Vortrag wird erläutert, wie mittels Einsatzes von Gaming Engines und Simulationen eine große Menge an deutlich angereicherten Trainingsdaten erzeugt und somit bessere Ergebnisse in der Objekterkennung erzielt werden können. Der Use Case wird anhand eines praktischen Anwendungsbeispiels aus der Logistik vorgestellt.

Seit ca. zwei Jahrzehnten beschäftigt sich Frederick Bednar branchenübergreifend mit datenaffinen Projekten, die sowohl wirtschaftliche, statistische als auch IT-technische Aspekte abdecken. Bei EBCONT ist er für Data & AI Themen verantwortlich, wobei von seinem Tätigkeitsbereich auch Themen wie Data Governance, Data Engineering, Machine Learning/Deep Learning, Semantics und Business Intelligence umfasst sind.

Joel Klimont | Cyber Physical Systems Group - TU Wien

Lecture language: German

Autonomes Drohnenrennen bringt Wahrnehmung, Zustandsschätzung und Regelung an ihre Grenzen: Die Drohne muss mit minimalen Reaktionszeiten am Motorlimit durch enge Tore fliegen. In diesem Vortrag stellen wir unsere Arbeit für den A2RL Autonomous Drone Racing Wettbewerb vor und diskutieren eine zentrale Frage: Ist Drohnenrennen vor allem ein Regelungsproblem oder ein Problem der Zustandsschätzung (State Estimation)?

Wir präsentieren ein vollständig onboard arbeitendes System, das ausschließlich eine monokulare Rolling-Shutter-Kamera und die IMU eines konventionellen Flugcontrollers nutzt, ganz ohne Motion-Capture, ohne Stereo-Vision und ohne Offboard-Compute, und dennoch Spitzengeschwindigkeiten bis 20 m/s erreicht. Dabei beleuchten wir die Konsequenzen dieser minimalistischen Sensorik für Zeitstempelung, Synchronisation und Schätzverfahren sowie praktische Implementierungsdetails, die in der Literatur selten beschrieben werden: Echtzeit-Scheduling, Datenflüsse, typische Ausfallmodi und jene Engineering-Entscheidungen, die in der Praxis über Erfolg oder Absturz entscheiden.

Abschließend vergleichen wir modellbasierte Regelung (MPC) mit Reinforcement Learning (RL). Wir zeigen, warum RL in diesem Setting MPC oft überlegen ist, und wie es uns gelang, eine Woche vor dem Wettbewerb von MPC zu RL zu wechseln.
Joel Klimont beschäftigt sich seit mehreren Jahren mit autonomen Drohnensystemen und der zuverlässigen Navigation in Innenräumen sowie in Umgebungen ohne GNSS-Empfang. Im Zentrum seiner Arbeit stehen Methoden der Wahrnehmung, Lokalisierung und Entscheidungsfindung für autonome Flugplattformen.

Ein besonderer Schwerpunkt liegt auf hochdynamischem Drohnenrennen: agile Flugmanöver an der Leistungsgrenze, robuste Trajektorienplanung und Regelung bei sehr kurzen Reaktionszeiten sowie der Vergleich lernbasierter Ansätze (insbesondere Reinforcement Learning) mit modellbasierten Verfahren wie MPC. Dabei stehen Fragen der schnellen Entwicklung („One Week to RL“), der Sim-to-Real-Übertragung und der Betriebssicherheit im Vordergrund.

Please visit the Poster-Sessions.

Manuel Kerzner & Michael Jank | APA - Austria Presse Agentur

Lecture language: German

Die Entwicklung von Foundation-Modellen wie BERT und RoBERTa hat die Realisierung vieler KI-Services im Textbereich ermöglicht. Um einen spezialisierten Use Case abbilden zu können, ist es eine gängige Strategie mithilfe verhältnismäßig weniger Daten einen Finetune dieser Foundation-Modelle zu trainieren.

Dieser Ansatz birgt jedoch rechtliche Herausforderungen. Das betrifft die Transparenz der Trainingsdaten und deren Urheberrechte genauso wie der Umgang mit sensiblen oder anstößigen Inhalten. Aus diesem Grund hat sich die APA – Austria Presse Agentur dazu entschlossen, selbst auf eigenen Datenbeständen ein Foundation-Modell zu trainieren: AustroBERT. Als größte nationale Nachrichtenagentur in Österreich stellt sie nicht nur täglich unabhängige und faktenbasierte Berichterstattung zur Verfügung, sondern hostet auch einen Großteil des österreichischen Medienarchivs.

Trotz hoher Anforderungen - Millionen von Texten und spezialisierte Infrastruktur - konnten wir mit dem APA-Textmaterial ein Foundation-Modell trainieren, dessen Finetunes im Vergleich zu produktiv laufenden Modellen qualitativ praktisch ebenbürtig sind. In Zeiten geopolitischer Veränderungsprozesse ein konkreter Beitrag zur Digitalen Souveränität Europas.

Michael Jank ist Senior Software Developer und Data Scientist in der APA-Tech (eine 100-prozentigen Tochterunternehmen der APA – Austria Presse Agentur). Zu seinen Expertisen zählen unter anderem die Implementierung hochspezialisierter KI-Services im Bild- und Textbereich, das Training von KI-Modellen anhand regionaler Daten sowie die Fullstack Implementierung von Web-Applikationen und Portalen. 

Manuel Kerzner ist Transformationsmanager und Data Scientist bei der APA - Austria Presse Agentur. Zu seinen Expertisen zählen die Leitung von KI-Forschungsprojekten, die PR- und Medienanalyse sowie strategisches Change Management. Als zertifizierter KI-Manager verbindet er technologisches Know-how mit der Fähigkeit, Organisationen durch digitale Transformationsprozesse zu führen.

Sebastian Raubitzek | SBA Research

Lecture language: German

Dieser Vortrag widmet sich der Frage, wie Ideen aus der Fraktalgeometrie für das Design neuronaler Netze nutzbar gemacht werden können. Im Zentrum steht eine Klasse von Aktivierungsfunktionen, die von einfachen fraktalen Konstruktionen inspiriert ist und Struktur über viele Skalen hinweg in ansonsten klassische Modelle einbringt. Dabei geht es nicht darum, Netzwerke größer oder komplizierter zu machen, sondern ihre Reaktionsweise auf Eingaben gezielt zu erweitern.

Anhand anschaulicher Beispiele und intuitiver Visualisierungen wird gezeigt, wie sich nicht-glatte, selbstähnliche Aktivierungsfunktionen von gängigen Standardfunktionen unterscheiden und weshalb diese Unterschiede für Lernprozesse relevant sein können. Experimente auf etablierten Benchmark-Datensätzen verdeutlichen, dass dieser Ansatz wettbewerbsfähige Ergebnisse erzielen kann und zugleich neue geometrische Eigenschaften neuronaler Repräsentationen sichtbar macht.

Insgesamt vermittelt der Vortrag eine Perspektive darauf, wie Konzepte aus Mathematik und Physik alternative Gestaltungsansätze im Machine Learning eröffnen und weshalb fraktale Strukturen ein sinnvoller Baustein zukünftiger neuronaler Modelle sein könnten.

Sebastian Raubitzek ist Forscher bei SBA Research in Wien, Österreich, und Mitglied der Forschungsgruppe „Komplexität und Resilienz“. Er hat einen Master of Science in theoretischer Physik von der Universität Graz und promovierte in Informatik an der TU Wien mit Schwerpunkt auf der Integration von Chaostheorie und Komplexitätsforschung mit künstlicher Intelligenz.

Seine Forschungsgebiete umfassen Komplexitätsforschung, künstliche Intelligenz, theoretische und Quantenphysik, maschinelles Lernen und Chaos. Raubitzek hat Arbeiten zu Themen wie neuronale Netze, Anwendungen des maschinellen Lernens, Zeitreihenanalyse, quanteninspirierte Methoden und Datenverschleierungstechniken im Zusammenhang mit dem Datenschutz veröffentlicht. Er ist Autor zahlreicher begutachteter Artikel und Vorabdrucke in diesen Bereichen.

Lilli Joppien & Lisa Latzelsperger – STRG.at GmbH

Vortragssprache: Deutsch

Obwohl KI hervorragend für Vorhersagen geeignet ist, fehlt es vielen KI-Ansätzen an Verständnis dafür, warum bestimmte Ergebnisse eintreten und wie sie sich bei einer kausalen Intervention verändern würden. Für industrielle und geschäftliche Entscheidungen ist dieses kausale Verständnis entscheidend. Daher entwickeln wir ein kausales KI-System, das über Korrelationen hinausgeht und Interventionen auf Basis historischer Daten sowie externer Faktoren wie Lieferketten- und Marktdynamiken modelliert.

Lilli Joppien hat Informatik an der Freien Universität Berlin studiert. In ihrer Bachelorarbeit beschäftigte sie sich mit Schnittstellen und Visualisierungen für Modelle der natürlichen Sprachverarbeitung (NLP) und arbeitete als wissenschaftliche Mitarbeiterin am Human-Centered Computing Lab. In ihrer Masterarbeit wandte sie ein kausales Framework an, um zu bewerten, wie effektiv erklärbare KI-Methoden Bias erkennen. Heute arbeitet sie bei STRG.at, wo sie Data Science, KI und Design in der Praxis miteinander verbindet. Der Schwerpunkt ihrer Arbeit liegt auf der Entwicklung datengesteuerter Produkte und interaktiver Visualisierungen, die komplexe maschinelle Lernsysteme in intuitive Benutzererfahrungen übersetzen.

Lisa Latzelsperger hat einen BA in Transkultureller Kommunikation von der Universität Wien und einen MSc in Multilingual Technologies, einem gemeinsamen Programm der Universität Wien und der FH Campus Wien. Während ihres Masterstudiums spezialisierte sie sich auf mehrsprachige NLP, maschinelle Übersetzung und KI. Derzeit arbeitet sie als Datenwissenschaftlerin bei STRG.at.

Please visit the Poster-Sessions.

Samuel Hilbrand & Fabian Fiedler

Lecture language: German

Was passiert, wenn man ein Jahr KI- und Data-Science-Entwicklung in einen Mixer wirft und ihn auf „Turbo“ stellt? In diesem Abschluss-Slot nehmen wir Sie mit auf eine pointenreiche Zeitreise von April 2025 bis April 2026: von großen Modell-Releases und neuen Toolchains über Agenten-Hypes, Benchmark-Drama und „Prompt Engineering“-Alltag bis hin zu den gesellschaftlichen Nebenwirkungen wie Deepfakes, Regulierung, Urheberrecht, dem kollektiven „Moment… ist das noch echt?“ und OpenClaw... wenn KI plötzlich zu viel Möglichkeiten hat.