Menü
Der Anmeldezeitraum endet am 6. September 2026 um 23:59 Uhr. Für die Teilnahme an einer der vorgestellten Challenges schickt bitte eine formlose E-Mail mit den Namen der Teilnehmer*innen an die jeweils verantwortliche Person.
CSL-Track: belousov@uni-bremen.de
MEVIS-Track: anna.roerich@mevis.fraunhofer.de
ZARM-Track: Ina.Barwich@zarm.uni-bremen.de
Wir freuen uns auf eure Teilnahme!
Die Leaderboards für die Challenge von CSL und MEVIS sind ab sofort verfügbar. Um eure Ergebnisse hochladen zu können, müsst ihr zunächst einen Account anlegen. Eine Registrierung des Team-Accounts erfolgt über den roten Anmelde-Button „Anmelden“ nach Auswahl der Challenge. Bitte teilt den Teamnamen unbedingt der zuständigen Ansprechperson der Challenge mit, damit eure Ergebnisse korrekt zugeordnet werden können. Einreichungen sind bis Ende 18.01.2026 möglich.
Bei Fragen oder für die Anmeldung wende dich an:
Kontakt:
Am Fraunhofer MEVIS entwickeln Forschende, Kliniker:innen und Industriepartner gemeinsam Software-Lösungen, die Fachleuten im Gesundheitswesen helfen, die explodierende Komplexität zu bewältigen. Eine wichtige Rolle spielt dabei die Verarbeitung von medizinischen Daten mithilfe von künstlicher Intelligenz und anderen Algorithmen. Im Rahmen der BBDC 2026 wird es deshalb darum gehen einen Algorithmus zu entwickeln, der Ärzt:innen dabei unterstützt die vorhandenen klinischen Daten besser zu nutzen und daraus die bestmögliche Behandlungsmethode für ihre Patient:innen abzuleiten. Ganz konkret soll es darum gehen, gebrochene Knochen virtuell wieder zusammenzusetzen, um daraus eine OP-Planung abzuleiten. Du wirst dabei erforschen, wie der Computer lernen kann, ein solches Puzzle zu lösen.
Analyse und Training:
Taks 0: Führe eine Datenanalyse durch. Beachte dabei die folgenden Fragen:
Task 1: Lade die Daten aus der csv-Datei und visualisiere die Bounding Boxes auf einigen Bildern.
Task 2: Definiere einen geeigneten Train-/Validation-Split.
Task 3: Trainiere ein Detektionsmodell für Leukozyten (NEC) im Knochenmark, also eine KI zur Vorhersage der Bounding-Boxes der Leukozyten.
Validierung der KI/Challenge deine KI:
Ein höherer score ist besser. Das beste mögliche Ergebnis ist 1.0. Es haben bisher 10 Gruppen insgesamt 349 Mal eingereicht.
| Gruppe | Score | Anzahl Uploads | Datum der Submission |
|---|---|---|---|
| LeukoAI | 0.9704 | 68 | 2026-01-17 13:33:10 |
| Jan, Thore und Alan | 0.9701 | 140 | 2026-01-18 21:47:44 |
| Avito | 0.9588 | 29 | 2026-01-18 22:21:11 |
| LaleFaezeh | 0.9251 | 12 | 2026-01-17 22:12:11 |
| Farinas Baseline | 0.9135 | 1 | 2025-10-27 14:34:03 |
| Luca | 0.9062 | 32 | 2025-12-11 20:10:10 |
| Blemily | 0.8316 | 19 | 2026-01-18 23:15:26 |
| hanntagegenkrebs | 0.8270 | 17 | 2026-01-13 18:15:01 |
| BKI | 0.4308 | 20 | 2026-01-17 09:37:16 |
| Ayjo | 0.1074 | 11 | 2026-01-18 21:46:48 |
In der Challenge The Martian Mindset stehen zwei Aufgaben zur Auswahl. In der Aufgabe „Lebenserhaltungssystem“ beschäftigen wir uns mit der Frage wie Menschen auf dem Mars überleben können. Unser Nachbarplanet unterscheidet sich in vielfacher Hinsicht von unserer Erde. Die fehlende Atmosphäre macht es z.B. unmöglich ohne Station auf dem Mars zu wohnen. Es fehlt aber noch an vielen anderen Ressourcen wie auch flüssigem Wasser. Mit dem, was von der Erde mitgebracht wird oder auch das, was vor Ort gewonnen werden kann, muss daher besonders sparsam umgangen werden. Auch das vollständige Recyceln und Einrichten eines Wasserkreislaufs ist von Bedeutung. In der zweiten Aufgabe „Fortbewegung“ beschäftigen wir uns mit Fragen was für eine herausfordernde Umgebung der Mars nicht für Menschen, sondern auch Technik und Roboter ist. Bei der Entwicklung und dem Bau von solchen muss man viele Aspekte beachten, dass auch ohne direkte menschliche Hilfe Aufgaben bewältig werden können. Die Oberfläche des Mars bietet eine Vielzahl an Herausforderungen, wie die Untergründe oder Unebenheiten. Daher wird eure Aufgabe sein, einen Rover zu konstruieren, der den unterschiedlichen Problemstellungen gewachsen ist.
Baut ein Wasserrecyclingsystem, was in der Lage ist, eine vom ZARM vorgegebene Flüssigkeit so gut wie möglich zu reinigen und wieder nutzbar zu machen.
Dokumentiert euren Arbeitsprozess und stellt dar, wie ihr bei der Lösungsfindung vorgegangen seid.
Konstruiert mit einem CAD-Programms einen kleinen Rover (max. 22cm lang/breit/hoch) der in der Lage ist folgende Aufgaben zu bewältigen
Guten Grundperformance (z.B. gerade fahren, ohne nachjustieren) (10 Punkte)
Bewältigen einer Steigung von 5%, 10% und 15% sowohl hoch als auch runter (jeweils 3 Punkte)
Fahren auf glattem Boden, Kies und Grass (jeweils 5)
Fahren mit einer Ladung (100g, 300g und 500g) (jeweils 4)
Greifen eines kleinen Gegenstandes, der im Rover abgelegt werden kann. (4 Punkte)
Als Antrieb erhaltet ihr zu Beginn der Arbeitsphase die Motoren und einen kleinen Mikro-Kontroller. Dokumentiert euren Arbeitsprozess und stellt dar wie ihr bei der Lösungsfindung vorgegangen seid.
Jedes Jahr versuchen Kriminelle, illegal erwirtschaftetes Geld durch Banken zu bewegen, sodass die Herkunft kaum noch nachvollziehbar ist. Geldwäsche ist damit nicht nur ein Problem einzelner Banken oder Ermittlungsbehörden, sondern ein gesellschaftliches Problem, durch das illegale Gewinne in die legale Wirtschaft überführt werden. Solche betrügerischen Muster kann man in riesigen Datenmengen nur selten durch einfache regelbasierte Systeme oder manuelle Analysen finden. Es erfordert robuste Erkennungsmethoden und automatisierte Auswertungen, die sich auf typische Muster solchen betrügerischen Verhaltens stützen, wofür sich maschinelles Lernen hervorragend eignet.
Die Bremen Big Data Challenge (BBDC) 2026/2027 konzentriert sich deshalb auf das Thema Geldwäschebekämpfung. Konkret geht es bei der Aufgabe darum, vorherzusagen, ob eine Person finanziellen Betrug begangen hat, basierend auf ihren Transaktions-Bankdaten für einen Monat. Aus Datenschutz- und Sicherheitsgründen wurde der Datensatz synthetisch erstellt, basierend auf vordefinierten Verteilungen von betrügerischen und nicht-betrügerischen Nutzern.
Teilnehmer der Wettbewerb erhalten transaktionsbezogene Daten für etwa 9 Tausend einzigartige Konten, wobei etwa 19% der Nutzer Betrug (insbesondere Geldwäsche) begangen haben. Die Aufgabe besteht darin, ein Modell zu trainieren, das basierend auf den bekannten Trainingsdaten vorhersagen kann, welche Nutzer im unbekannten Testdatensatz Betrug begangen haben.
Ein höherer score ist besser. Das beste mögliche Ergebnis ist 1.0. Es haben bisher 7 Gruppen insgesamt 198 Mal eingereicht.
| Gruppe | Score | Anzahl Uploads | Datum der Submission |
|---|---|---|---|
| DCGC | 0.7245 | 57 | 2026-01-18 22:25:03 |
| Lost in the Data | 0.6735 | 57 | 2026-01-13 13:12:50 |
| Team-A | 0.6327 | 3 | 2025-11-15 23:09:17 |
| blablalab | 0.6122 | 1 | 2025-11-26 12:40:22 |
| LOML | 0.6020 | 48 | 2026-01-17 15:34:23 |
| Ducks with Unrelated Coding Knowledge Syndic | 0.6020 | 22 | 2026-01-11 05:04:01 |
| PulsePerception | 0.5306 | 10 | 2026-01-17 21:41:59 |
Am Fraunhofer MEVIS entwickeln Forschende, Kliniker:innen und Industriepartner gemeinsam Software-Lösungen, die Fachleuten im Gesundheitswesen helfen, die explodierende Komplexität zu bewältigen. Eine wichtige Rolle spielt dabei die Verarbeitung von medizinischen Daten mithilfe von künstlicher Intelligenz und anderen Algorithmen. Im Rahmen der BBDC 2026 wird es deshalb darum gehen einen Algorithmus zu entwickeln, der Ärzt:innen dabei unterstützt die vorhandenen klinischen Daten besser zu nutzen und daraus die bestmögliche Behandlungsmethode für ihre Patient:innen abzuleiten. Ganz konkret soll es darum gehen, gebrochene Knochen virtuell wieder zusammenzusetzen, um daraus eine OP-Planung abzuleiten. Du wirst dabei erforschen, wie der Computer lernen kann, ein solches Puzzle zu lösen.
Analyse und Training:
Taks 0: Führe eine Datenanalyse durch. Beachte dabei die folgenden Fragen:
Task 1: Lade die Daten aus der csv-Datei und visualisiere die Bounding Boxes auf einigen Bildern.
Task 2: Definiere einen geeigneten Train-/Validation-Split.
Task 3: Trainiere ein Detektionsmodell für Leukozyten (NEC) im Knochenmark, also eine KI zur Vorhersage der Bounding-Boxes der Leukozyten.
Validierung der KI/Challenge deine KI:
Ein höherer score ist besser. Das beste mögliche Ergebnis ist 1.0. Es haben bisher 10 Gruppen insgesamt 349 Mal eingereicht.
| Gruppe | Score | Anzahl Uploads | Datum der Submission |
|---|---|---|---|
| LeukoAI | 0.9704 | 68 | 2026-01-17 13:33:10 |
| Jan, Thore und Alan | 0.9701 | 140 | 2026-01-18 21:47:44 |
| Avito | 0.9588 | 29 | 2026-01-18 22:21:11 |
| LaleFaezeh | 0.9251 | 12 | 2026-01-17 22:12:11 |
| Farinas Baseline | 0.9135 | 1 | 2025-10-27 14:34:03 |
| Luca | 0.9062 | 32 | 2025-12-11 20:10:10 |
| Blemily | 0.8316 | 19 | 2026-01-18 23:15:26 |
| hanntagegenkrebs | 0.8270 | 17 | 2026-01-13 18:15:01 |
| BKI | 0.4308 | 20 | 2026-01-17 09:37:16 |
| Ayjo | 0.1074 | 11 | 2026-01-18 21:46:48 |
In der Challenge The Martian Mindset stehen zwei Aufgaben zur Auswahl. In der Aufgabe „Lebenserhaltungssystem“ beschäftigen wir uns mit der Frage wie Menschen auf dem Mars überleben können. Unser Nachbarplanet unterscheidet sich in vielfacher Hinsicht von unserer Erde. Die fehlende Atmosphäre macht es z.B. unmöglich ohne Station auf dem Mars zu wohnen. Es fehlt aber noch an vielen anderen Ressourcen wie auch flüssigem Wasser. Mit dem, was von der Erde mitgebracht wird oder auch das, was vor Ort gewonnen werden kann, muss daher besonders sparsam umgangen werden. Auch das vollständige Recyceln und Einrichten eines Wasserkreislaufs ist von Bedeutung. In der zweiten Aufgabe „Fortbewegung“ beschäftigen wir uns mit Fragen was für eine herausfordernde Umgebung der Mars nicht für Menschen, sondern auch Technik und Roboter ist. Bei der Entwicklung und dem Bau von solchen muss man viele Aspekte beachten, dass auch ohne direkte menschliche Hilfe Aufgaben bewältig werden können. Die Oberfläche des Mars bietet eine Vielzahl an Herausforderungen, wie die Untergründe oder Unebenheiten. Daher wird eure Aufgabe sein, einen Rover zu konstruieren, der den unterschiedlichen Problemstellungen gewachsen ist.
Baut ein Wasserrecyclingsystem, was in der Lage ist, eine vom ZARM vorgegebene Flüssigkeit so gut wie möglich zu reinigen und wieder nutzbar zu machen.
Dokumentiert euren Arbeitsprozess und stellt dar, wie ihr bei der Lösungsfindung vorgegangen seid.
Konstruiert mit einem CAD-Programms einen kleinen Rover (max. 22cm lang/breit/hoch) der in der Lage ist folgende Aufgaben zu bewältigen
Guten Grundperformance (z.B. gerade fahren, ohne nachjustieren) (10 Punkte)
Bewältigen einer Steigung von 5%, 10% und 15% sowohl hoch als auch runter (jeweils 3 Punkte)
Fahren auf glattem Boden, Kies und Grass (jeweils 5)
Fahren mit einer Ladung (100g, 300g und 500g) (jeweils 4)
Greifen eines kleinen Gegenstandes, der im Rover abgelegt werden kann. (4 Punkte)
Als Antrieb erhaltet ihr zu Beginn der Arbeitsphase die Motoren und einen kleinen Mikro-Kontroller. Dokumentiert euren Arbeitsprozess und stellt dar wie ihr bei der Lösungsfindung vorgegangen seid.
Jedes Jahr versuchen Kriminelle, illegal erwirtschaftetes Geld durch Banken zu bewegen, sodass die Herkunft kaum noch nachvollziehbar ist. Geldwäsche ist damit nicht nur ein Problem einzelner Banken oder Ermittlungsbehörden, sondern ein gesellschaftliches Problem, durch das illegale Gewinne in die legale Wirtschaft überführt werden. Solche betrügerischen Muster kann man in riesigen Datenmengen nur selten durch einfache regelbasierte Systeme oder manuelle Analysen finden. Es erfordert robuste Erkennungsmethoden und automatisierte Auswertungen, die sich auf typische Muster solchen betrügerischen Verhaltens stützen, wofür sich maschinelles Lernen hervorragend eignet.
Die Bremen Big Data Challenge (BBDC) 2026/2027 konzentriert sich deshalb auf das Thema Geldwäschebekämpfung. Konkret geht es bei der Aufgabe darum, vorherzusagen, ob eine Person finanziellen Betrug begangen hat, basierend auf ihren Transaktions-Bankdaten für einen Monat. Aus Datenschutz- und Sicherheitsgründen wurde der Datensatz synthetisch erstellt, basierend auf vordefinierten Verteilungen von betrügerischen und nicht-betrügerischen Nutzern.
Teilnehmer der Wettbewerb erhalten transaktionsbezogene Daten für etwa 9 Tausend einzigartige Konten, wobei etwa 19% der Nutzer Betrug (insbesondere Geldwäsche) begangen haben. Die Aufgabe besteht darin, ein Modell zu trainieren, das basierend auf den bekannten Trainingsdaten vorhersagen kann, welche Nutzer im unbekannten Testdatensatz Betrug begangen haben.
Ein höherer score ist besser. Das beste mögliche Ergebnis ist 1.0. Es haben bisher 7 Gruppen insgesamt 198 Mal eingereicht.
| Gruppe | Score | Anzahl Uploads | Datum der Submission |
|---|---|---|---|
| DCGC | 0.7245 | 57 | 2026-01-18 22:25:03 |
| Lost in the Data | 0.6735 | 57 | 2026-01-13 13:12:50 |
| Team-A | 0.6327 | 3 | 2025-11-15 23:09:17 |
| blablalab | 0.6122 | 1 | 2025-11-26 12:40:22 |
| LOML | 0.6020 | 48 | 2026-01-17 15:34:23 |
| Ducks with Unrelated Coding Knowledge Syndic | 0.6020 | 22 | 2026-01-11 05:04:01 |
| PulsePerception | 0.5306 | 10 | 2026-01-17 21:41:59 |
