Kilian Bartz

Informatikstudent (M.Sc.)

Theoretische Informatik und Machine Learning

Akademisches

Aktuell studiere ich Informatik im Master an der Universität Trier. Meine Schwerpunkte sind dabei die theoretische Informatik und Machine Learning. Meinen Bachelor in Wirtschaftsinformatik habe ich mit der Durchschnittsnote 1,2 absolviert; meine vorläufige Durchschnittsnote für den Master ist 1,1.

GAN

Während meines Bachelorstudiums fing ich an mich ausgiebig mit dem Thema Machine Learning/Künstliche Intelligenz zu beschäftigen. Meine erste Hausarbeit befasste sich mit dem Thema Generative Adverserial Networks (GANs), ein früher Ansatz generative Modelle zu trainieren ¹. Hier werden ein Generator-Modell und ein Diskriminator-Modell in einem Nullsummenspiele gegenübergestellt, wobei das Ziel des Diskriminators darin besteht, die generierten Beispiele von echten Beispielen zu unterscheiden und der Generator versucht, den Diskriminator zu täuschen. Dadurch kann der Generator nach und nach lernen, Beispiele zu generieren, welche den realen Daten kaum unterscheidbar sind und u. a. als Vorläufer der Diffusions-Modelle in der Bildgenerierung verwendet wurden.

Studienprojekt

Im Rahmen des Studienprojekts konzepierten und implementierten wir einen Chatbot für einen Möbelhersteller, welcher sowohl Kunden unterstützen sollte, indem er die wichtigsten Fragen beantworten und bei der Auswahl eines Möbelstücks behilflich sein kann, als auch für Mitarbeiterschulungen verwendet werden könnte. Der Chatbot wurde als Retrieval Augmented Generation (RAG) System implementiert, sodass erforderliche Infos aus den Produktkatalogen und unternehmensseitig bereitgestellten Dokumenten zur Beantwortung der Fragen herangezogen wurden, um so Halluzinationen zu vermeiden und soweit möglich nur mit relevanten und aktuellen Infos zu antworten.

Bachelorarbeit

Meine Bachelorarbeit, gewürdigt als “herausragende Arbeit”, und das daraus entstandene Paper, angenommen beim 12. ACL Anthology Argument mining Workshop, thematisieren das Retrieval von relevanten Graphdaten (Argumentationsgraphen) mittels Vision Transformern. Im Zuge dessen implementierte ich einige Visualisierungen für Graphdaten und trainierte 6 neue Vision Transformer Modelle. Schlussendlich erreichten wir so ein qualitativ kompetitives Retrieval, welches mehrere Größeneinheiten schneller - und damit skalierbarer - läuft als die bisherige A*-basierte Suchstrategie.

Master: Forschungsprojekt

Für mein Masterstudium wechselte ich in die Informatik und belegte einen Mix aus praktischen Modulen (Spieleentwicklung, Betriebssysteme, Implementierung von IR- und Datenbanksystemen, etc.) sowie theoretischen Modulen (Netzwerkalgorithmen, Algorithmen für Geoinformationssysteme, Datenkompression, etc.). Für mein Forschungspraktikum behandelte ich ein theoretisches Thema mit praktischem Hintergrund: In Glasfaser-Schaltkästen können Terminals (Kabelendpunkte) an allen vier Seiten anliegen. Das optimale Routing von Verbindungen an Gitterlinien im Inneren des Schaltkastens stellt dabei ein NP-schweres Problem dar. Zur Lösung implementierte ich einen Integer Linear Programming (ILP)-basierten Ansatz, welcher das Problem exakt, jedoch in expoentieller Laufzeit löst, sowie einen heuristischen Solver, basierend auf der A*-Suche, welcher eine gute, jedoch nicht garantiert vollständige oder optimale Lösung in kurzer Zeit findet. Für mehr Informationen, siehe Projekte.

Goodfellow, Ian J., et al. “Generative adversarial nets.” Advances in neural information processing systems 27 (2014). ↩︎

Über mich

Schon als Kind war ich stets von Technologie aller Art und Elektronik im Speziellen begeistert. Im Alter von 6 Jahren erhielt ich meinen ersten Laptop (ein ausgedientes Modell von meinem Patenonkel; sogar ein Floppy Laufwerk war noch vorhanden) und bald darauf das erste “Java Programmieren für Kinder” Buch, was wohl meine Passion für die Informatik geweckt haben muss. Während meiner gesamten Schullaufbahn war mir klar, dass ich in die Informatik gehen wollte, und irgendetwas mit Computern machen wollte.

Mangels Informatik Leistungskurs an meinem Gymnasium wählte ich mit Physik und Mathematik die Leistungskurse, welche am nähesten an meinen naturwissenschaftlichen Interessen lagen. Desweiteren belegte ich aus der Liebe zu Reisen den Englisch Leistungskurs.

Ich liebe es mich herauszufordern und neue Fähigkeiten zu erlernen. In den letzten Jahren beschäftigte ich mich in meiner Freizeit mit

neuem Programmiersprachen (v. a. Rust)
Fotographie
Spieleprogrammierung
Klavier spielen lernen
Computer Aided Design (CAD) und 3D Druck

Berufserfahrung

Während meines Studiums war ich in verschiedenen Funktionen als studentische Hilfskraft angestellt.

April 2022 - April 2023 (Universität Trier)

Anstellung als Tutor für die Betreuung des Tutoriums “Fortgeschrittene Programmierung”
Korrektur der Übungen und Klausuren für das Modul “Datenbanksysteme”

April 2023 - Oktober 2024 (Universität Trier)

Tätigkeiten in der Forschung und Implementierung innerhalb der Arbeitsgruppe Wirtschaftsinformatik II z. B. innerhalb des ReCAP-Projekts

November 2024 - Dezember 2025 (Deutsches Forschungszentrum für KI)

Fortsetzung meiner Tätigkeiten in der Forschung und Implementierung
Veröffentlichung des Papers “Retrieving Argument Graphs Using Vision Transformers” als Hauptautor

Januar 2026 - heute

Tätigkeiten in der Forschung und Implementierung innerhalb der Arbeitsgruppe Wirtschaftsinformatik II z. B. innerhalb des RAISE-Projekts

Projekte

Die folgenden Projekte habe ich im Rahmen meines Studiums oder in meiner Freizeit umgesetzt.

XamUP

Zusammen mit meinem Onkel Stefan Bartz gründete ich 2020 die XamUP GmbH, für die ich auch bis zur Auflösung 2025 als Geschäftsführer fungierte. Unsere Vision war eine Lernplattform, welche sowohl Schülern und Studenten das Lernen erleichtern, als auch Lehrende entlasten würde. Lehrende können dabei Lernkurse erstellen, wobei Lernmaterial in Form von PDFs und Videos eingebunden werden können. Zum aktiven Lernen können Übungsaufgaben erstellt werden, welche in Form von Karteikarten, Multiple-Choice und “Eingabe-Fragen”, in welchen konkrete Lösungen abgefragt werden, das angeeignete Wissen festigen. Die kontinuierliche Wiederholung, das sofortige Feedback und der visualisierte Fortschritt durch einen Fortschrittsbalken pro Kapitel (ähnlich zu einer Fahrschulapp) sind zur Steigerung der Motivation und des Selbstbewusstsein der Schüler und Studenten gedacht. Durch automatisierte Prüfungen, welche zuvor von den Schülern simuliert werden können, sollte ihnen zusätzlich die Angst vor Klausuren genommen werden.

Während mein Onkel als Mathematiklehrer für die Erstellung der Mathelernkurse für Schüler (Mittelstufe, Oberstufe) und Studenten zuständig war, habe ich mich um die technische Umsetzung der Homepage als auch der Lernplattform selbst gekümmert und sowohl die Benutzeroberfläche für Schüler und Lehrer, als auch the Backendlogik implementiert.

Verwendete Technologien

Karteikarten Lernapp

Aus einer ähnlichen Motivation programmierte ich 2025 für die Eigenverwendung eine simple Webapp, welche ausschließlich zum Lernen von Karteikarten dient. Da jedoch für keine der Prüfungen, auf die ich mich vorbereiten musste, ein Karteikastensatz in passendem Format existierte, ist diese App darauf ausgelegt, möglichst simpel maschinengenerierte Karteikarten (in JSON-Format) einzulesen und verarbeiten zu können. Da Large Language Models (LLMs) mittlerweile sehr gut darin sind, Informationen zu extrahieren und zusammenzufassen, ist es so mit einem simplen Prompt möglich, respektable Karteikarten direkt aus den Folien und sonstigen kursbegleitenden Medien generieren zu lassen und anschließend zu lernen. Um nicht einzuschränken, mit welchem Gerät diese gelernt werden können, habe ich außerdem ein rudimentäres Synchronisationsfeature hinzugefügt.

Links

Demo GitHub Repo

Verwendete Technologien

Vision Retrieval

Der Code zur Reproduktion unserer Ergebnisse bezüglich des Graphretrievals mithilfe von Vision Transformern steht in diesem GitHub Repo zur Verfügung.

Verwendete Technologien

Glasfaser Schaltkasten Router

Wie bereits erwähnt, befasste ich mich im Zuge meines Forschungsprojektes in meinem Masterstudium mit diesem Thema. Der Code für die exakte ILP-Lösung, den heuristischen A*-Solver, sowie der zugehörige Bericht finden sich in diesem GitHub Repo.

Verwendete Technologien

GPU Pregel

Im Rahmen meines Abschlussprojekts im Modul “Heterogenous Computing” versuchte ich mich an einer GPU-basierten Implementierung eines Graphverarbeitungssystem à la Google Pregel ¹. Obwohl ich diesen Plan schnell aufgrund der unpassenden Architektur revidieren musste, konnte ich erfolgreich zwei Graphalgorithmen (PageRank und Dijkstras Algorithmus) umsetzen und deutliche Effizienzzuwächse im Vergleich zu einer klassischen CPU-Lösung feststellen. Die Implementierungen sowie der Abschlussbericht finden sich in diesem GitHub Repo.

Verwendete Technologien

Malewicz, Grzegorz, et al. “Pregel: a system for large-scale graph processing.” Proceedings of the 2010 ACM SIGMOD International Conference on Management of data. 2010. ↩︎

Spatial Audio Demo

Im Rahmen einer Übung im Modul “Spieleprogrammierung” beschäftigten wir uns mit räumlichen Audio. Die Implementierung einer Demo, mitsamt der kreativen Komponente, die bei der Erstellung eines Videospiellevels einhergeht, bereiteten mir viel Spaß. Zudem lernte durch die Vorlesungen und begleitende Übungen einige moderne Technologien kennen, welche auch außerhalb der Spieleprogrammierung einen hohen Stellenwert besitzen (bspw. Rendering-Techniken, insbesondere Ray-Tracing von Bild und Ton).