Im Fokus des Teilprojekts "Cybersecurity" stehen die Inhalte für das SCALE-C LLM und die Microlearning-Einheiten sowie der Outreach zu und die Abstimmung mit Erprobungspartnern aus der Praxis.

Relevante Inhalte aus der Cybersicherheit werden gesichtet und priorisiert. Dabei wird zwischen übergreifenden und organisationsspezifischen Aspekten unterschieden. Übergreifende Inhalte umfassen Standards wie ISO 27001, Schwachstellenmeldungen (CVE/CVSS), Bedrohungsinformationen wie die MITRE ATT&CK Matrix und sicherheitsrelevante Nachrichten. Organisationsspezifische Inhalte sind beispielsweise Passwort-Richtlinien, Leitlinien zur Informationssicherheit oder Sicherheitsvorfälle in einer entsprechenden Datenbank. Diese Inhalte fließen in die SCALE-C-Verarbeitungs-Pipeline ein.

Zur praxisnahen Erprobung werden Anwendungspartner eingebunden, die bei der Sichtung der Anforderungen unterstützen, organisationsspezifische Erprobungsinhalte zur Verfügung stellen und die entwickelten Pilotinhalte testen.

Das Teilprojekt "Cybersecurity" unterstützt zudem bei den sicherheitsrelevanten Aspekten wie eine sichere Betriebsumgebung, eine sichere Anwendungsarchitektur für SCALE-C und die sichere Vergabe von Berechtigungen.

Team "Cybersecurity"

Prof. Dr. Michael Pilgermann (Teilprojektleitung Cybersecurity)

Moritz Müller (Bachelor Projekt und Thesis)

LLMs sind Large Language Models – also große Sprachmodelle. Das sind KI-Modelle, die darauf trainiert wurden, menschliche Sprache zu verstehen und zu erzeugen. Sie funktionieren, indem sie riesige Mengen an Textdaten analysieren und daraus lernen, wie Sprache typischerweise verwendet wird. Der breiten Öffentlichkeit wurden diese Modelle durch die Veröffentlichung von ChatGPT im Jahre 2022 verfügbar gemacht. Viele nutzen diese Technologien schon heute für z.B. das Verfassen von Texten, Programmieren oder Zusammenfassen von langen Dokumenten. Der technologische Hintergrund von LLMs sind künstliche Neuronale Netze und im speziellen die sogenannte Transformer-Architektur, welche 2017 maßgeblich von einer Forschungsabteilung bei Google entwickelt wurde.

Im Projekt SCALE-C wollen wir LLMs dafür einsetzen, Microlearning-Einheiten im Kontext von Cybersecurity zu erstellen. Dabei sollen die spezifischen Wissensbestände und Anforderungen der Unternehmen berücksichtigt werden. Von zentraler Bedeutung dabei ist die Anbindung der relevanten Daten sowie ihre sichere und datenschutzkonforme Anbindung. Um dieses Ziel zu erreichen verwenden wir neben Open-Source-Modellen, die wir auf Hochschulinfrastruktur betreiben, Technologien wie RAG, GraphRAG und Finetuning, um aus den heterogenen Wissensbeständen strukturierte Daten zur Erzeugung von Micro Learning Einheiten zu erstellen. 

Team "LLM/Künstliche Intelligenz"

Prof. Dr. Georg Merz und Prof. Dr. Emanuel Kitzelmann (Teilprojektleitung)

Microlearning – kurze Lerneinheiten von maximal 3-5 Minuten zu einem einzelnen, in sich abgeschlossenen Thema – hat sich laut aktueller Studienlage als vielversprechend in Bezug auf Lernerfolge und Akzeptanz bei den Lernenden erwiesen. Entscheidend ist jedoch, dass die Lernenden didaktisch gut bei der selbstgesteuerten Aneignung der Inhalte unterstützt werden, und dass die praktische Anwendung des Gelernten bereits beim Durchlaufen der Microlearning-Einheit gezielt angestoßen wird („Situierung“). Das wird in der Lernforschung Situierung genannt.

Im Projekt SCALE-C integrieren wir daher innovative, lernpsychologisch fundierte Konzepte für Microlearning, die Selbststeuerung und die „Situierung“ von Lerninhalten im Bereich Cybersecurity fördern. Wir testen und evaluieren das Lerndesign frühzeitig mit Praxispartnern, und verbessern es interativ. Für die Implementierung nutzen wir plattformunabhängige low-code Technologien wie H5P und chatbot-gestütztes Lernen. Unsere Ergebnisse fließen in das Teilprojekt „LLM/Künstliche Intelligenz“ ein, um die didaktische Aufbereitung der Fachinhalte zu optimieren.

Team "Microlearning"

Prof. Dr. Katharina Frosch (Teilprojektleitung)

Friederike Lindauer (akademische Mitarbeiterin und Doktorandin)

Arne Köhnke (Abschlussarbeitsprojekt)