Die Datenwiese ist eine innovative Idee, die Hackathon-Formate in den Lehrplan integriert, und nutzt Guidelines und Plattformen aus der Community, um Daten, Modelle und weitere Lernmaterialien für gezieltes Lernen bereitzustellen. Die Kombination von Open Source, Open Hardware, offline-fähigen KI und IoT, soll die Schüler:innen auf einem ethischen Weg für die Herausforderungen der heutigen Gesellschaft helfen zu vorbereiten.

The idea comes from an exchange with students from the Kantonal School in Altdorf. As a challenge, Oleg set up a "Future Hackdays Sandbox" with ideas from one of our workshops, and a futuristic design that might make the platform slightly exciting to work with for kids.

During the Data Hackdays, Peter and Oleg explored at a few alternatives, and got some additional feedback from teachers Fabian and Janick about similar learning materials that are already being used in classrooms around Switzerland. We used a Raspberry Pi 4 to test the idea of a open & offline-first digital classroom.

Similar to the Lernstick project we know from Bern, MoodleBox is a free project from Nicolas Martignoni, a professor in the Canton of Fribourg. It is aimed at collecting educational material for a focused teaching environment. We are trying to extend it with Dribdat and TinyLlama, exploring the potential of the use of complementary open source products within the environment of Moodle and Linux.

Screenshot of Hackdays Prototype

Integrationsmonitoring Uri

Arbeitsmarktbeteiligung von Migrant:innen

(Datenbasierte Strategien für nachhaltige Integration)

Worum geht es

Dieses Projekt analysiert die Arbeitsmarktbeteiligung von Migrant:innen und anerkannten Flüchtlingen im Kanton Uri mittels: Demografischer Daten (Alter, Geschlecht, Bildungsniveau)

• Kantonalen Wirtschaftsstrukturen (Tourismus, Landwirtschaft, Industrie)
• Evaluierung bestehender Integrationsprogramme
• Datenbeschaffung → Bereinigung → Analyse → Visualisierung → Handlungsempfehlungen

Warum?

Relevanz: Geringe Arbeitsmarktintegration führt zu sozialer Ungleichheit und höheren Sozialhilfekosten. Nutzen für:

• Kantonale Behörden: Zielgerichtete Integrationsmassnahmen
• Unternehmen: Erschliessung qualifizierter Arbeitskräfte
• Migrant:innen: Verbesserte Lebensperspektiven

Datenquellen

• SEM (Staatssekretariat für Migration) - Uri-spezifische Integrationsdaten
• Bundesamt für Statistik - Arbeitslosenquoten nach Branchen
• Kantonale Sozialämter - Soziodemografische Daten

PDF: 090HKL8M.pdf

Erwartungen

• Interaktiver Bericht:
  • Arbeitslosenquoten nach Geschlecht/Alter
  • Erfolgsquote von Integrationsmassnahmen
• Networking-Konzept:
  • "Integrations-Tandems": Matching von Unternehmen und Migrant:innen
  • Job-Speed-Dating Events: Regelmässige Vernetzungsanlässe
• Policy Brief:
  • Konkrete Massnahmenvorschläge für den Kantonsrat

Outlook

• Umsetzung: Pilotprojekt mit lokalen Arbeitgebern
• Skalierung: Ausweitung auf Zentralschweiz
• Digitalisierung: Entwicklung einer Integrations-Plattform -🔹 Unternehmenspartnerschaften:
• "Integrations-Patenprogramm" mit lokalen KMUs
• Betriebsbesichtigungen für Migrant:innen
• 🔹 Eventformate:
• Quartalsmässige "Career Cafés"
• Branchenspezifische Networking-Abende
• 🔹 Anreizsysteme:
• Steuererleichterungen für einstellende Betriebe
• Zertifizierung "Integrationsfreundlicher Betrieb"

Challenge Owner

• Cuma Kaya - E-Mail: cuma.kaya@hicoders.ch
• M.Ali Özkorkmaz - E-Mail: maliozk@hotmail.com

Notizen zu Lokale KI-Installation und Konfiguration auf einem Linux-System

Wir arbeiten auf einer HP Z-Workstation mit dedizierter Grafikkarte. Konfiguration: HP Workstation Z2 G9 TWR 996Z2ET (via Alltron)

• Intel Core i7-14700K 20-Kern-Prozessor (bis 5.60 GHz)
• 32 GB DDR5-4800-RAM und 1 TB SSD
• Nvidia RTX A2000 mit 12 GB GDDR6-Grafikspeicher
• Windows 11 Pro (vorinstalliert)

Methodik

1. Erstkonfiguration und Betriebssystemauswahl

   • Versuch, die Standard-Windows-Installation mit WSL (Windows Subsystem für Linux) zu nutzen, aber Entscheidung für eine native Linux-Installation, um Virtualisierungsoverhead zu vermeiden.
   • Herunterladen von Ubuntu, aber der Netzverbindung auch über LTS (5G) war sehr langsam. Stattdessen Installation von Fedora Core 41 von einem USB-Stick, der zum Event mitgebracht wurde.
   • Problem mit dem Installer, der die Festplattenpartition nicht löschen konnte. Lösung durch manuelle Partitionierung mit dem Disk Utility.
   • Deaktivierung von Secure Boot, um Kompatibilität mit notwendigen Treibern zu gewährleisten.

2. Systemkonfiguration und Überwachung

   • Aktualisierung des Systems und Installation wesentlicher Komponenten: Python, GCC, Docker und andere Abhängigkeiten.
   • Konfiguration von Docker, um die Ausführung ohne erhöhte Berechtigungen zu ermöglichen und volle Systemfunktionen, einschließlich Grafikunterstützung, zu nutzen.
   • Verwendung von btop zur Überwachung der Systemleistung, insbesondere der GPU-Auslastung während der Modellinferenz.

3. KI-Framework und Modellinstallation

   • Installation von CUDA, Ollama (mit und ohne Docker) und mehrerer KI-Modelle.
   • Probleme mit der GPU-Treiberkompatibilität:
     • Erster Versuch mit Nouveau-Treibern scheiterte.
     • Wechsel zu NVIDIA Open-Source-Treibern, die ebenfalls nicht funktionierten.
     • Letztendliche Lösung durch Installation der NVIDIA-Proprietär-Treiber.
   • CUDA-Installation erforderte mehrere Versuche aufgrund von Abhängigkeits- und Konfigurationsproblemen.
   • Leider konnte die volle Graphikunterstützung in Docker nicht erzielt werden. Stattdessen wurde das KI-Framework Ollama über den Fedora package manager native installiert und ausgeführt.

4. Prototyping eines Retrieval-Augmented Generation (RAG) Systems

   • Retrieval-Augmented Generation (RAG, Abrufgestützte Generierung) ist eine Technik, die generative KI-Modelle mit externen Wissensquellen kombiniert, um die Genauigkeit und Relevanz ihrer Antworten zu erhöhen. Durch die Integration von Daten aus internen und externen Quellen können KI-Modelle aktuelle und spezifische Informationen abrufen, ohne dass ein erneutes Training erforderlich ist.
   • Ein RAG-System besteht typischerweise aus vier Hauptschritten:​
     • Datenindexierung: Externe Daten werden in eine Vektordatenbank umgewandelt und indexiert, um einen effizienten Zugriff zu ermöglichen.​
     • Datenabruf: Bei einer Anfrage wird die entsprechende Information aus der Datenbank abgerufen.​
     • Augmentierung: Die abgerufenen Daten werden mit der ursprünglichen Anfrage kombiniert, um den Kontext zu bereichern.​
     • Antwortgenerierung: Ein KI Modell verarbeitet die augmentierte Anfrage, um eine präzise Antwort zu liefern.​
   • RAG findet Anwendung in Bereichen wie Kundenservice, medizinischer Forschung, juristischer Analyse und vielen weiteren, in denen der Zugriff auf spezifisches Wissen entscheidend ist.
   • Die RAG Methode erschien uns als bester Ansatz. um die im Projekt definierten Aufgabenstellungen mittels KI zu lösen. Deshalb haben wir uns zum Ziel gesetzt, einen RAG Prototypen zu bauen.
   • Dabei wurden zwei Ansätze verfolgt:
     • Einsatz von existierenden, RAG-unterstützenden Lösungen wie Open Web UI, PrivateGPT, Msty. Letzteres wurde aufgrund eines fehlenden Web UIs nicht weiter verfolgt.
     • Implementierung einer Python-basierten eigenen RAG Pipeline aus Open-Source Komponenten wie Vectordatabase, Embedding-Engine und LLM Inference Runtime.
   • Für die Schlusspräsentation wurden alle Dokumente des aktuellen Urner Staatskalender in eine Wissensdatanbank (Vector Database) von Open Web UI eingebunden und via RAG Methode mit KI Modell gemma3:12b und geeigneten "System Prompts" abgefragt. Es konnte illustrativ gezeigt werden, wie RAG die Genauigkeit und Relevanz der KI Antworten erhöht. Allerdings besteht viel auch Verbesserungspotential: Einige im Staatskalender aufgeführte Personenen konnten gar nicht gefunden werden; In andere Fällen ging durch das "chunking" der .pdf Dateien der Kontext verloren. Eine Kombination von RAG, Voll-Text-Suche und besserer Daten-Strukturierung wurde diskutiert.

5. UI- und Workflow-Herausforderungen

   • Instabile Docker Compose-Konfiguration für Ollama und Open Web UI. Da keine Graphikunterstützung in Docker erreicht werden konnte, wurde Ollama extern im ansonsten containerisierten Open Web UI eingebunden.
   • Versuch, Open Web UI im nativen Modus zu betreiben, durch Installation von Python 3.11, Node.js und anderen Abhängigkeiten. Allerdings war die Dokumentation unklar, und der native Modus funktionierte außerhalb von Docker nicht.
   • Ollamas UI war wenig intuitiv, aber erfolgreiche Konfiguration für externe Logins durch Bindung an 0.0.0.0.

6. Leistung und Benutzerfreundlichkeit

   • Beobachtete stille Leistungsdegradation, wenn Modelle auf die CPU ausgelagert wurden, ohne UI-Anzeige des Übergangs. Bei jeden Übergang in den Screensave/Powersave Mode ging die GPU Beschleuningung verloren, und konnte nur via Reboot zurückgewonnen werden.
   • Unübersichtliche Vielzahl von Optionen, Erweiterungen und Vektordatenbanken ohne klare Unterscheidung, was die Entscheidungsfindung erschwerte.
   • Kleinere Modelle funktionierten gut, aber ein 12B-Parameter-Modell konnte nicht vollständig auf einer 12 GB VRAM-GPU geladen werden. Die besten Ergebnisse wurden mit Modell gemma3:12b, welches zwar 12B Parameter haben, aber Dank Q4_K_M Quantisierung nur 8GB VRAM benötigt.

7. Enterprise-Readiness-Bewertung

   • Wir besprechen und identifizieren kritische Lücken, so wie fehlende Authentifizierungsmechanismen, Backup-Lösungen, umfassende Dokumentation und Schulungsressourcen.

8. Erkundung von Alternativen

   • Kurze Bewertung von PrivateGPT einer spanischen Unternehmens als mögliche Alternative.
   • Feststellung der Abhängigkeit von KI-Tools wie ChatGPT für Dokumentation und Fehlerbehebung während des Setup-Prozesses.
   • Berücksichtigung von LM Studio oder OpenCanvas als Alternative zu OpenWebUI, noch aber ohne Implementierung.

9. Reflexion

   • Datacenter- oder Hosting-Optionen wurden aufgrund von Zeitbeschränkungen nicht untersucht, wären aber für die Skalierbarkeit wertvoll gewesen.
   • Rückblickend hätte die Verwendung von VMware oder einer ähnlichen Windows-basierten Lösung viel Zeit gespart, da moderne Arbeitsstationen Kompatibilitätsprobleme mit Linux aufweisen.

Links zu Schweizer und europäischen Cloud-Anbieter mit GPU Angeboten

• Exoscale (Schweiz)
• Infomaniak (Schweiz)
  • auch direkt als Model-as-a-Service
• Scaleway (Frankreich)
  • auch Model-as-a-Service
• Hetzner (Deutschland)
• OHVcloud (Frankreich)

Nächste Schritte

1. Prüfung von weitere Datacenter-Hosting-Optionen für grössere Bereitstellungen.
2. Bewertung von LM Studio, OpenCanvas, Llamafile, und weitere mögliche Ergänzungen oder Ersatzlösungen.
3. Erstellung weiteren geteilten Dokumentation, um Lücken in bestehenden Ressourcen zu schliessen.

• Challenge Presentation
• Figma-Prototyp
• Final Presentation
• Challenge owner: Silvia Gut, Projektleiterin Kanton Uri

OpenDesk

Der neue Arbeitsplatz in der öffentlichen Verwaltung.

Um was geht es?

Das Bundesland Schleswig-Holstein macht es vor. Die öffentliche Verwaltung wechselt von Microsoft Windows auf Linux. Auch die Schweizer Bundesverwaltung hat kürzlich ein Proof of Concept gestartet.

Das Ganze passiert natürlich nicht von Heute auf Morgen, sondern in vielen Etappen. Eine wichtige Etappe in diesem Marathon ist der Umstieg von Microsoft Office auf LibreOffice. Die Etappe wollte auch das Rechenzentrum Altdorf machen. Leider ging die Luft aus und das Projekt musste abgebrochen werden.

Inzwischen hat man viel gelernt und wir möchten es nochmals wissen.

Was ist unser Ziel?

Microsoft Office ist in Fachapplikationen, die vom Rechenzentrum Altdorf betreut werden, stark integriert. Eine wichtige Applikation ist CMI: https://cmiag.ch/

• Die Integration der Office-Vorlagen verstehen
• Microsoft-Vorlagen nach LibreOffice konvertieren
• Proof of Concept: Eine App die wie CMI Metadaten in Office-Vorlagen abfüllt

Was ist der Nutzen?

• Die öffentliche Verwaltung kann Lizenzkosten sparen
• Weniger Abhängigkeit von Microsoft (und Co)
• Ein Schritt näher an "Public Money. Public Code."

Noch Fragen?

• Was ist LibreOffice? https://www.libreoffice.org/
• Wie kriege ich die Vorlagen?
• Wie kann man die Vorlagen mit CMI testen?
• Was ist der neue digitale Arbeitsplatz? https://opendesk.eu/

Kontakt

Challenge Owner:

Janik von Rotz
contact@janikvonrotz.ch
https://matrix.to/#/@janikv:matrix.org

Uri Cloud

Cloud Services von und für die Urner Bevölkerung.

Um was geht es?

Cloud Provider tragen eine grosse Verantwortung. Sie bieten eine Vielzahl an Services und verwalten unsere digitale Infrastruktur. Private, Unternehmen und Behörden nutzen diese Angebote und begeben sich in eine problematische Abhängigkeit (Vendor-LockIn).

Wir möchten eine Alternative und mit dieser Challenge entwickeln wir die Möglichkeiten des Machbaren.

Was ist unser Ziel?

Nichts weiteres als eine neue Cloud-Infrastruktur soll gebaut werden. Und damit keine neue Monopolisten entstehen, sollen Software- und Instrastruktur-Anbieter separiert werden.

• Proof of Concept: Ein Marktplatz für Software- und Infrastruktur-Anbieter in Uri
• Die Grundpfeiler der "Uri Cloud" einschlagen
• Ideen zur Finanzierung der Lösung präsentieren

Was ist der Nutzen?

• Stärkung der regionalen IT-Branche
• Abhängigkeit zu den etablierten Cloud Provider reduzieren
• Software-Anbieter müssen sich nicht um das Hosting kümmern
• Infrastruktur-Anbieter müssen sich nicht um die Software kümmern
• Top Services für die Urner Bevölkerung
• Interoperabilität zwischen Cloud-Anbietern

Noch Fragen?

• Was ist die Uri Cloud? https://wiki.mint-system.ch/uri-cloud.html
• Was ist ein App-Markplatz? https://www.vshn.ch/produkte/marketplace/
• Gibt es Beispiele? https://products.vshn.ch/servala/index.html
• Was ist die Schlüsseltechnologie? https://kubernetes.io/ / https://kind.sigs.k8s.io/

Kontakt

Challenge Owner:

Janik von Rotz
contact@janikvonrotz.ch
https://matrix.to/#/@janikv:matrix.org

Pitch Presentation

🎧 Pitch anhören (MP3)

• Challenge presentation

Challenge presentation: https://sos-ch-dk-2.exo.io/hyperion.mint-system.com//44/P3HU8/M4B3I3WI.pdf

Datenconainer: https://cloud.digital-cluster-uri.ch/s/gDZcKnAjR9xH7cH?dir=undefined&openfile=46051

Excalidraw: https://excalidraw.com/#room=b29445eab6f058094dd4,UF4edfoNWRZKV4Akq7LQCg

Rechtsbuch: https://chatgpt.com/g/g-67c99186e4208191b43b7d8fd2fa945b-urner-rechtsbuch

Test GPT (Json): https://chatgpt.com/g/g-67efc4a0031c8191a1e66a1ed0d27b77-veranstaltungsplaner-kanton-uri

Test GPT (Text): https://chatgpt.com/g/g-67effe3aacd081918abc4d615ac2e2d9-veranstaltungsplaner-kanton-uri-text

GitHub Repo: https://github.com/datahackdaysuri2025-planit/Hackaton25_PlanIT

Übersicht Bewilligungen und Informationen: https://raw.githubusercontent.com/datahackdaysuri2025-planit/Hackaton25_PlanIT/refs/heads/main/data/ÜbersichtGesucheUndInformationen.json

Abschluss Präsentation: https://cloud.digital-cluster-uri.ch/s/gDZcKnAjR9xH7cH?dir=undefined&path=%2FPlanIt&openfile=47883