Julia Lansche

Ziel des Projekts war es, eine mobile App zu gestalten, die Menschen über gemeinsame sportliche Aktivitäten miteinander vernetzt und die Organisation sowie Teilnahme an Sportangeboten intuitiv unterstützt.
Im Rahmen des Projekts habe ich die UI und UX der App konzipiert. Dabei wurden Nutzerbedürfnisse im Design-Thinking-Prozess analysiert und in konkrete User Flows, Wireframes und klickbare Prototypen in Figma übersetzt. Der Mehrwert des Projekts lag in der Entwicklung eines nutzerzentrierten Konzepts, das soziale Interaktion und sportliche Aktivitäten in einer intuitiven mobilen Anwendung verbindet.

Ziel des Projekts war die Automatisierung von Vertriebs- und Staffing-Prozessen, um manuelle Arbeitsschritte in der Beraterallokation und Ausschreibungsbewertung effizienter abzubilden.
Ich habe einen bestehenden Workflow in eine eigenständige Softwarelösung überführt, die Beraterkapazitäten automatisiert auswertet, Kundenausschreibungen analysiert und auf Basis definierter Kriterien passende Berater vorschlägt. Zusätzlich wurde die Benutzeroberfläche optimiert, um Ausschreibungen, Kapazitäten und Matching-Vorschläge übersichtlich darzustellen und schneller bewertbar zu machen.

Der Mehrwert lag in einer schnelleren Beraterauswahl, einer effizienteren Bearbeitung von Ausschreibungen sowie einer höheren Transparenz in der Ressourcenplanung

Ziel des Projekts war es, dem Kunden einen strukturierten Zugang zu Automatisierungs- und KI-Potenzialen zu ermöglichen. Dafür entwickelte ich eine Webplattform, die Anwender mithilfe eines integriertem Chatbots durch relevante Fragestellungen führt. Anshcließend wurden konkrete Ideen für den Einsatz von KI und Automatisierung ableitet. Ich war sowohl in die Konzeption als auch in die technische Umsetzung eingebunden und entwickelte Frontend- und Backend-Komponenten der Lösung. Technisch entstand ein RAG-basiertes System, das interne Wissensquellen mit LLM-Orchestrierung kombiniert, um kontextbezogene und praxisnahe Handlungsempfehlungen abzuleiten.

Ziel des Workshops war es, den Teilnehmenden die Möglichkeiten moderner KI-Technologien näherzubringen und sie zur eigenständigen Nutzung von KI für die Entwicklung neuer Lösungen und die Optimierung von Prozessen zu befähigen.

Ich habe einen ganztägigen KI-Workshop durchgeführt, in dem Grundlagen von Künstlicher Intelligenz, Large Language Models und deren praktische Einsatzmöglichkeiten vermittelt wurden. Ein Schwerpunkt lag auf der Entwicklung eigener Anwendungen mit Claude Code sowie dem Einsatz von Vibe Coding, um Ideen schnell prototypisch umzusetzen.

Zusätzlich wurden konkrete Anwendungsfälle zur Automatisierung und Unterstützung von Geschäftsbereichen betrachtet. Im Rahmen des KI Enablements habe ich die Teilnehmer bei der Einrichtung relevanter KI-Werkzeuge, der praktischen Anwendung sowie der Entwicklung erster KI-basierter Lösungen begleitet.

Ziel des Projekts war es, vorhandenes Wissen aus internen Softwareprojekten effizient über KI-Assistenten zugänglich zu machen. Mitarbeitende sollten in die Lage versetzt werden, mithilfe von Claude gezielt nach bestehenden Lösungen, Projekterfahrungen und technischen Umsetzungen zu suchen und dadurch Entwicklungswissen schneller wiederzuverwenden.

Ich habe einen Model Context Protocol (MCP)-Server entwickelt, der interne Repositories des Forgejo-Servers für KI-Assistenten wie Claude Code und Claude.ai verfügbar macht. Die Lösung ermöglicht es Nutzern, natürlichsprachliche Fragen zu stellen, beispielsweise ob bereits ein Projekt zur automatisierten Verarbeitung von PDF-Rechnungen existiert, und daraufhin strukturierte Informationen aus vorhandenen Projekten abzurufen.

Der MCP-Server wurde bewusst als reine Schnittstelle für KI-Assistenten konzipiert und verfügt über keine eigene Benutzeroberfläche sowie kein integriertes Sprachmodell. Die Verarbeitung und Interaktion erfolgt über angebundene MCP-Clients, während der Server ausschließlich strukturierte Projektdaten bereitstellt.

Für die Informationsbereitstellung habe ich drei zentrale MCP-Tools implementiert:

search_projects: Semantische Suche über einen Vektorindex, um Projekte anhand ihrer fachlichen Inhalte und Fähigkeiten zu finden.
list_projects: Live-Abfrage des Forgejo-Systems zur Filterung und Übersicht vorhandener Projekte nach Kriterien wie Owner, Topics oder Programmiersprachen.
get_project_details: Abruf detaillierter Projektinformationen inklusive README-Inhalten, Metadaten, letzten Commits und offenen Issues.

Eine zentrale Architekturentscheidung war die Umsetzung eines hybriden Datenzugriffs. Während Katalog- und Detailinformationen direkt aus Forgejo geladen werden, nutzt die semantische Suche einen eigenen Vektorindex. Dadurch bleiben Projektdaten aktuell, während gleichzeitig eine KI-gestützte Suche nach fachlichen Zusammenhängen ermöglicht wird.

Für die semantische Suche habe ich einen inkrementellen Indexierungsprozess entwickelt, der Repository-Metadaten und README-Inhalte verarbeitet, in Embeddings überführt und in einer eingebetteten Vektordatenbank speichert. Der Index wird regelmäßig aktualisiert und kann jederzeit vollständig aus Forgejo-Daten wiederhergestellt werden.

Die Entwicklung erfolgte mit einem hohen Fokus auf Wartbarkeit und Qualität. Durch Dependency Injection, automatisierte Tests mit simulierten Forgejo-Responses sowie eine konfigurationsbasierte Architektur wurde eine robuste und erweiterbare Lösung geschaffen.

Ziel des Projekts war es, den Einfluss unterschiedlicher Human-AI-Interactionen auf Informationssuche und User Experience zu untersuchen.
Hierfür habe ich einen Voice Agent, einen Chat Agent sowie eine kombinierte multimodale Lösung entwickelt und vollständig umgesetzt, von Frontend und Backend bis zum Deployment. In einer User Study wurde untersucht, wie sich die verschiedenen Interaktionsformen auf Suchverhalten, Informationsgewinn und Nutzererlebnis auswirken.
Alle Nutzerinteraktionen wurden zudem systematisch geloggt und anschließend mit NLP-Methoden analysiert.
Der Mehrwert der Arbeit lag in der Entwicklung und Evaluation multimodaler KI-Agenten sowie in der Gewinnung konkreter Erkenntnisse für die nutzerzentrierte Gestaltung zukünftiger Conversational-AI-Systeme.

Ziel des Projekts war es, eine zentrale Plattform zu schaffen, über die Mitarbeitende einen einfachen Zugang zu KI-Wissen, relevanten Tools, Anleitungen und Community-Inhalten erhalten. Dadurch sollte die interne Nutzung von Künstlicher Intelligenz gefördert, der Wissenstransfer verbessert und der Einstieg in KI-Technologien erleichtert werden.

Ich habe eine interne KI-Onboarding-Plattform entwickelt, die als zentrale Anlaufstelle für Mitarbeitende rund um das Thema Künstliche Intelligenz dient. Die Plattform stellt Grundlagenwissen, praxisnahe Anleitungen, Informationen zu verfügbaren KI-Tools sowie Community-Inhalte strukturiert bereit.

Die Lösung besteht aus zwei zentralen Komponenten. Die erste Komponente ist eine moderne, performante Website auf Basis von Astro, die als Landing Page sowie als Wissensplattform für KI-Anleitungen dient, die ich entwickelt habe.

Als zweite Komponente habe ich einen Model Context Protocol (MCP)-Server entwickelt, der dieselben KI-Anleitungen direkt für KI-Assistenten wie Claude Code und claude.ai verfügbar macht. Dadurch können Nutzer Informationen nicht nur über die Website abrufen, sondern auch direkt innerhalb ihrer KI-gestützten Arbeitsumgebung darauf zugreifen.

Durch die Entwicklung der Plattform wurde eine skalierbare Grundlage geschaffen, um KI-Kompetenzen im Unternehmen gezielt aufzubauen und Mitarbeitende bei der Einführung und Nutzung moderner KI-Technologien zu unterstützen.

Ziel des Projekts war es, interne Informationen aus verschiedenen Quellen automatisiert zu konsolidieren, mithilfe von Large Language Models verständlich aufzubereiten und den Mitarbeitenden täglich über Microsoft Teams bereitzustellen. Dadurch wurde der manuelle Aufwand für die Informationsbeschaffung reduziert und der Wissenstransfer innerhalb des Unternehmens verbessert.

Ich habe einen Node.js-basierten Dienst konzipiert und entwickelt, der werktäglich automatisiert Informationen aus mehreren internen Datenquellen sammelt, diese mithilfe eines Large Language Models zusammenfasst und als übersichtliche Adaptive Card im Microsoft Teams-Kanal veröffentlicht. Zusätzlich stellt die Anwendung die aufbereiteten Informationen als JSON-Schnittstelle für eine KI-Onboarding-Plattform bereit.

Die Lösung wurde modular aufgebaut und umfasst eine vollständig automatisierte Verarbeitungskette – von der Datenerfassung über die KI-gestützte Zusammenfassung bis hin zur Ausgabe in Microsoft Teams und der Bereitstellung strukturierter Daten für weitere Anwendungen. Im Verlauf des Projekts wurde die Anwendung sukzessive um zusätzliche Datenquellen erweitert und so entwickelt, dass jede Quelle unabhängig verarbeitet wird und Fehler einzelner Systeme die Gesamtverarbeitung nicht beeinträchtigen.

Zur Administration habe ich ein webbasiertes Dashboard entwickelt, über das Ausführungszeiten, Wochentage und manuelle Ausführungen konfiguriert werden können. Dadurch lässt sich der gesamte Prozess flexibel steuern und überwachen.

Ein wesentlicher Bestandteil des Projekts war die Integration in die Microsoft-365-Landschaft. Ich habe einen Microsoft-Power-Automate-Workflow implementiert, der die Adaptive Cards mithilfe eines Service Principals sicher im gewünschten Microsoft Teams-Kanal veröffentlicht.

rojektziel: Ziel war es, den Teilnehmenden die aktuellen Möglichkeiten generativer KI praxisnah zu vermitteln und anhand konkreter Anwendungsfälle aufzuzeigen, wie sich moderne KI-Technologien zur Unterstützung von Geschäftsprozessen einsetzen lassen.

Im Rahmen des OGL Digital Days habe ich einen 30–45-minütigen Fachvortrag zu Microsoft Copilot Studio konzipiert und durchgeführt. Dabei habe ich die Entwicklung und den Einsatz zweier KI-Agenten vorgestellt, die typische Unternehmensprozesse unterstützen.

Der Label Approval Agent ermöglicht den dialogbasierten Zugriff auf technische Dokumentationen und erweitert diesen durch integrierte Tools, beispielsweise zur Extraktion von Bildern aus Dokumenten. Der Document Support Agent begleitet Anwender Schritt für Schritt durch einen definierten Prozess, verarbeitet bereitgestellte Dokumente und erstellt automatisiert das finale Ergebnis. Beide Agenten wurden mit Microsoft Copilot Studio unter Einsatz von Agents und Workflows umgesetzt.

Ergänzend zum Vortrag habe ich einen interaktiven KI-Workshop moderiert. Gemeinsam mit den Teilnehmenden wurden fachliche Herausforderungen identifiziert, potenzielle KI-Anwendungsfälle bewertet und innerhalb kurzer Zeit ein erster Prototyp mit Claude entwickelt. Ziel war es, anhand eines realitätsnahen Use Cases aufzuzeigen, wie sich innovative Ideen mithilfe moderner KI-Werkzeuge schnell in funktionsfähige Lösungen überführen lassen.

Während des Workshops habe ich die Management-Gruppe bei der Identifikation geeigneter Einsatzmöglichkeiten für Künstliche Intelligenz beraten, fachliche Fragestellungen moderiert und die Potenziale sowie Grenzen der Technologien eingeordnet. Dadurch konnten die Teilnehmenden ein konkretes Verständnis für den praktischen Einsatz generativer KI und deren Mehrwert für zukünftige Digitalisierungsinitiativen gewinnen.

Ziel des Projekts war es, interne Informationen aus verschiedenen Quellen automatisiert zu konsolidieren, mithilfe von Large Language Models verständlich aufzubereiten und den Mitarbeitenden täglich über Microsoft Teams bereitzustellen. Dadurch wurde der manuelle Aufwand für die Informationsbeschaffung reduziert und der Wissenstransfer innerhalb des Unternehmens verbessert.

Ich habe einen Node.js-basierten Dienst konzipiert und entwickelt, der werktäglich automatisiert Informationen aus mehreren internen Datenquellen sammelt, diese mithilfe eines Large Language Models zusammenfasst und als übersichtliche Adaptive Card im Microsoft Teams-Kanal veröffentlicht. Zusätzlich stellt die Anwendung die aufbereiteten Informationen als JSON-Schnittstelle für eine KI-Onboarding-Plattform bereit.

Die Lösung wurde modular aufgebaut und umfasst eine vollständig automatisierte Verarbeitungskette – von der Datenerfassung über die KI-gestützte Zusammenfassung bis hin zur Ausgabe in Microsoft Teams und der Bereitstellung strukturierter Daten für weitere Anwendungen. Im Verlauf des Projekts wurde die Anwendung sukzessive um zusätzliche Datenquellen erweitert und so entwickelt, dass jede Quelle unabhängig verarbeitet wird und Fehler einzelner Systeme die Gesamtverarbeitung nicht beeinträchtigen.

Zur Administration habe ich ein webbasiertes Dashboard entwickelt, über das Ausführungszeiten, Wochentage und manuelle Ausführungen konfiguriert werden können. Dadurch lässt sich der gesamte Prozess flexibel steuern und überwachen.

Ein wesentlicher Bestandteil des Projekts war die Integration in die Microsoft-365-Landschaft. Ich habe einen Microsoft-Power-Automate-Workflow implementiert, der die Adaptive Cards mithilfe eines Service Principals sicher im gewünschten Microsoft Teams-Kanal veröffentlicht.

Ziel des Projekts war es, einen zentralen Dienst zur automatisierten Bereitstellung aktueller Beraterprofile und Porträtbilder zu entwickeln und dadurch die Integration von Profilbildern in interne Anwendungen zu vereinfachen.

Ich habe einen internen Webservice entwickelt, der Beraterbilder aus einem SharePoint-Bildarchiv automatisiert ermittelt, zwischenspeichert und über eine Weboberfläche sowie eine REST-API bereitstellt. Die Anwendung stellt Bilder standardisiert im Format 340×510 bereit und ermöglicht anderen Systemen den automatisierten Zugriff.

Technologien:

Mit dem Ziel, die Produktionsprozesse des Kunden effizienter zu gestalten, habe ich die Abläufe von Wareneingang bis Warenausgang analysiert und gemeinsam mit den verantwortlichen Fachbereichen aufgenommen. Dabei habe ich den Ist-Prozess dokumentiert sowie bestehende Prozessdiagramme optimiert.

Auf Basis der gewonnenen Erkenntnisse habe ich Soll-Prozess-Ansätze entwickelt.

Ziel des Projekts war es, dem Kunden ein immersives digitales Museumserlebnis mit intelligenter, personalisierter Besucherführung bereitzustellen.

Ich war für die Konzeption und Entwicklung eines VR Museums verantwortlich und entwickelte einen personalisierten virtuellen Guide, der Besucher durch das VR Museum begleitet. Durch die Integration von Realtime-GPT konnte der Guide natürliche Sprache in Echtzeit verstehen, Fragen zu Exponaten beantworten und kontextbezogene Inhalte personalisiert bereitstellen. Dabei verantwortete ich zudem das Prompt Engineering zur Steuerung der Dialoglogik und Optimierung der Antwortqualität des virtuellen Guides.

Der Kundennutzen lag in einem innovativen, interaktiven Museumserlebnis mit personalisierter Wissensvermittlung und einer erweiterten digitalen Besucherinteraktion.

Ziel des Projekts war es, potenziell kündigungsgefährdete Kunden frühzeitig zu identifizieren, um gezielte Maßnahmen im Customer Success einleiten zu können.
Im Rahmen meiner Tätigkeit habe ich Nutzungs- und Kundendaten analysiert, um Verhaltensmuster zu identifizieren, die auf ein erhöhtes Churn-Risiko hinweisen. Auf dieser Basis wurden Modelle und Analysen entwickelt, die Kunden mit potenzieller Kündigungswahrscheinlichkeit frühzeitig erkennbar machten und eine gezielte Priorisierung für Kundenansprache ermöglichten.
Der Mehrwert des Projekts lag in einer proaktiven Kundenbetreuung, der Reduzierung von Kündigungsrisiken sowie einer datenbasierten Unterstützung von Retention-Maßnahmen.

Ziel des Projekts war es, Nutzerinteraktionen in der Trial-Phase datenbasiert auszuwerten, um frühzeitig zu erkennen, ob ein Nutzer ein potenzieller Kunde ist und mit welcher Wahrscheinlichkeit eine Conversion erfolgen könnte.
Im Rahmen meiner Tätigkeit habe ich User-Interaktionsdaten aus Trial-Nutzungen analysiert und Verhaltensmuster identifiziert, die auf Kaufinteresse und Conversion-Potenzial hindeuten. Auf dieser Basis habe ich ein Scoring-Modell entwickelt, das Vertriebs- und Customer-Success-Teams eine Priorisierung von Leads ermöglichte, indem es sowohl die potenzielle Relevanz des Kunden als auch die erwartete Abschlusswahrscheinlichkeit bewertete.
Der Mehrwert des Projekts lag in einer datenbasierten Priorisierung potenzieller Kunden, einer effizienteren Vertriebssteuerung sowie einer gezielteren Allokation von Aufmerksamkeit auf Leads mit hoher Conversion-Wahrscheinlichkeit.

Ziel des Projekts war die datenbasierte Analyse des Nutzungsverhaltens innerhalb der Anwendung, um Anwender anhand ihrer Interaktionsmuster verschiedenen Nutzungstypen zu klassifizieren.
Im Rahmen des Projekts analysierte und bereitete ich Nutzungsdaten aus der Anwendung auf, identifizierte Verhaltensmuster und entwickelte Modelle mit Supervised- und Unsupervised-Learning-Verfahren. Das Projekt lieferte wertvolle Erkenntnisse für Produktentwicklung, Feature-Optimierung und User Experience, indem unterschiedliche Nutzungsmuster und Nutzergruppen systematisch identifiziert wurden.

Ziel des Projekts war es, anhand von Eye-Tracking-Daten vorherzusagen, ob Personen während einer Aufgabe gedanklich abschweifen (Mind-Wandering) oder fokussiert bleiben.
Hierfür habe ich Eye-Tracking-Daten aufbereitet und relevante Merkmale aus den Blickbewegungen extrahiert. Auf dieser Basis habe ich Machine-Learning-Modelle trainiert und evaluiert, um Mind-Wandering-Zustände automatisiert zu klassifizieren.
Der Mehrwert der Arbeit lag in der datengetriebenen Analyse von Aufmerksamkeitsmustern sowie in der Entwicklung eines prädiktiven Modells zur automatisierten Erkennung kognitiver Zustände. Das langfristige Ziel war es adaptive Lernsystem zu verbessern.