Projektchronik
Nach dem tatsächlichen Ereigniszeitraum geordnet – unabhängig davon, wann ein Beitrag nachdokumentiert oder veröffentlicht wurde.
Der TTS-Pfad ist deutlich weiter als im ersten September-Stand: Die engine-neutrale API läuft inzwischen mit Qwen3-TTS-1.7B, sechs neutralen Preset-Profilen und VoiceDesign auf der Ziel-VM und ist über die öffentliche Test-Demo erreichbar. Das ist eine reale Integration, aber noch keine Audioqualitäts- oder Produktivfreigabe.
IncluLearn.AI muss nicht jedes Zielformat und jede Transformation neu erfinden. MathML, EPUB Accessibility, DAISY Pipeline, Pandoc und PlantUML zeigen unterschiedliche Bausteine für offene, interoperable und wiederverwendbare Workflows – ohne dass damit bereits eine endgültige Toolauswahl getroffen ist.
Der öffentliche Prototyp zeigt nicht die fertige KI-Pipeline, sondern ein frühes Arbeitsmodell für Materialien, Review, Freigaben und barrierefreie Nutzung. Entscheidend sind Nutzerziele, Accessibility-first, DE/EN und eine klare Trennung zwischen Demo und bereits realer Funktion.
Moderne Document-AI-Modelle können Layout, Text und wissenschaftliches Markup aus visuellen Dokumenten rekonstruieren. Für IncluLearn.AI ist das ein wichtiger Baustein – aber noch nicht die fachliche Semantik von Schaltungen, UML, Plots oder anderen MINT-Artefakten.
Aktuelle VLM-Forschung zeigt Fortschritte bei Charts, UML und wissenschaftlichen Diagrammen. Gleichzeitig messen viele Benchmarks Fragebeantwortung statt vollständiger Rekonstruktion – ein entscheidender Unterschied für barrierefreie MINT-Repräsentationen.
IncluLearn.AI will Modellqualität nicht an einem einzelnen Benchmark festmachen. Zuerst sollen Referenzdaten, Preprocessing, strukturierte Ausgabe, Regeln und Reviewpfad vergleichbar getestet werden; Fine-Tuning bleibt eine gezielte Option für klar identifizierte Fehlerklassen.
Öffentliche Prozessbeschreibungen von Medienzentren liefern bereits konkrete Hinweise auf Aufwand, Engpässe und Qualitätsanforderungen. IncluLearn.AI behandelt die daraus abgeleiteten Bedarfe dennoch bewusst als Hypothesen, bis sie mit Praxispartnern und Nutzenden validiert sind.
IncluLearn.AI trennt KI-Beteiligung, fachliche Prüfung und Freigabe bewusst voneinander. Human Owner, abgestufter Review, nachvollziehbare Provenienz und vorsichtige Datenklassifikation sollen KI-Unterstützung nutzbar machen, ohne Verantwortung an das System abzugeben.
Die technische Basis von IncluLearn.AI wird reproduzierbar und in klaren Verantwortungsgrenzen aufgebaut. Die öffentliche Test-Demo kann automatisiert ausgerollt werden, bleibt aber bewusst von einem späteren produktiven Betrieb mit realen Daten und strengeren Sicherheitsanforderungen getrennt.
Technische Diagramme, Mathematik, Schaltungen und quantitative Grafiken transportieren Struktur und Beziehungen, die sich häufig nicht sinnvoll in einer einzigen kurzen Bildbeschreibung abbilden lassen. Für IncluLearn.AI folgt daraus ein Repertoire aus strukturierten, textuellen, taktilen und auditiven Repräsentationen.
Aus den Bedarfshypothesen haben wir eine erste Lösungshypothese abgeleitet: fünf Kernbausteine mit hohem strategischem Wert, fünf anschließende Produktions- und Integrationsdienste sowie drei spezialisierte spätere Optionen.
Aus den recherchierten Arbeitsabläufen haben wir zwölf konkrete Bedarfshypothesen abgeleitet: von semantischer Voraufbereitung und Expert Review über Wiederverwendung und Prüfungen bis zu Provenienz, Ausgabeprofilen und inklusiver Zusammenarbeit.
Öffentliche Prozessbeschreibungen zeigen hohe manuelle Aufwände, lange Vorlaufzeiten, fachlich komplexe Transformationen, etablierte Wiederverwendung und besondere Prüfungsanforderungen. Für IncluLearn.AI sind das konkrete Hinweise darauf, wo semantische KI-Unterstützung nützlich sein könnte.
IncluLearn.AI trennt bewusst offenen Austausch, verbindliche Fachartefakte und öffentliche Kommunikation. Entscheidend ist nicht der Kommunikationskanal selbst, sondern dass relevante Rückmeldungen nachvollziehbar in Anforderungen, Entscheidungen, Evaluation und spätere Veröffentlichungen überführt werden.
Vor dem Projektstart wurden zentrale Regeln für Zusammenarbeit, Projektsteuerung, Barrierefreiheit und KI-Nutzung strukturiert und ein konkreter Startplan für das erste Arbeitspaket vorbereitet.