Das Team stellt sich vor

Verschaffen Sie sich einen Überblick über das ML2R-Team! Die Sprecherin und der Sprecher, die Vertreter der Partnerorganisationen sowie die Mitarbeitenden der Geschäftsstelle präsentieren sich jeweils mit einem Kurzprofil. Die Wissenschaftlerinnen und Wissenschaftler verraten, an welchen Themen sie gerade arbeiten, was sie besonders interessiert und welchem der ML2R-Forschungsschwerpunkte ihre Arbeit zugeordnet ist. Die Teammitglieder kommen aus den vier Partnerorganisationen: die Technische Universität Dortmund, das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS, das Fraunhofer-Institut für Materialfluss und Logistik IML und die Universität Bonn. Die Teams aus Dortmund, Bonn und Sankt Augustin sind interdisziplinär und standortübergreifend vernetzt.

Die Sprecher

Prof. Dr. Katharina Morik

Sprecherin des Zentrums

Katharina Morik hat 1981 an der Universität Hamburg promoviert und 1988 an der TU Berlin habilitiert. Sie richtete 1991 an der TU Dortmund den Lehrstuhl für Künstliche Intelligenz ein, dessen Fokus auf maschinellem Lernen liegt. Aktuell im Vordergrund stehen Lernalgorithmen für verteilte, realzeitliche Anwendungen, beispielsweise in der Astrophysik, der Industrie 4.0 oder der Verkehrsinfrastruktur.

2011 warb sie den Sonderforschungsbereich 876 „Informationsgewinnung durch Analyse unter Ressourcenbeschränkung“ ein, dessen Sprecherin sie ist. Frau Morik ist an zahlreichen EU-Projekten beteiligt: Sie hat das Projekt MiningMart koordiniert und arbeitet gegenwärtig im Projekt VaVel an der Analyse von Datenströmen zur Verkehrsplanung.

Seit 2015 ist Frau Morik Mitglied in der Akademie der Technikwissenschaften, seit 2016 Mitglied der Nordrhein-Westfälischen Akademie der Wissenschaften und der Künste. Sie ist Autorin von mehr als 200 Publikationen in angesehenen Zeitschriften und Konferenzen. Sie war im Herausgebergremium des Journals „Machine Learning“ und ist derzeit eine der Herausgeberinnen der internationalen Zeitschrift „Data Mining and Knowledge Discovery“. Sie war Gründungsmitglied, Program Chair und Vice Chair der Konferenzreihe IEEE International Conference on Data Mining (ICDM) und Program Chair der European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD).

An ihrem Lehrstuhl entstanden die erste effiziente Implementierung der Support Vector Machine (SVM) sowie das weltweit erfolgreiche Tool zur Datenanalyse RapidMiner. Frau Morik leitet gemeinsam mit Volker Markl die Arbeitsgruppe „Technologische Wegbereiter und Data Science“ der Plattform „Lernende Systeme“ des BMBF.

Prof. Dr. Katharina Morik

Technische Universität Dortmund
Fakultät für Informatik
Otto-Hahn-Str. 12
44227 Dortmund

katharina.morik@tu-dortmund.de
www-ai.cs.uni-dortmund.de
www.sfb876.tu-dortmund.de

Prof. Dr. Stefan Wrobel

Sprecher des Zentrums

Stefan Wrobel studierte Informatik in Bonn und Atlanta, Georgia, USA (M.S., Georgia Institute of Technology) mit Schwerpunkt Künstliche Intelligenz und promovierte an der Universität Dortmund. Nach Stationen in Berlin und Sankt Augustin wurde er Professor für Informatik an der Universität Magdeburg, bevor er im Jahr 2002 den Ruf auf seine aktuelle Position annahm. Seit 2014 ist er zudem einer der Direktoren des Bonn-Aachen International Center for Information Technology (b-it).

Professor Wrobel beschäftigt sich seit vielen Jahren mit Aspekten der Digitalisierung, insbesondere mit intelligenten Algorithmen und Systemen zur Analyse großer Datenmengen und dem Einfluss von Big Data/Smart Data auf die Nutzung von Informationen in Unter­nehmen und der Gesellschaft. Er ist Autor einer großen Zahl von Publikationen in den Gebieten des Data Mining und des Maschinellen Lernens, Mitglied des Herausgeber-Gremiums mehrerer führender Fachzeitschriften und Gründungs­mitglied der »International Machine Learning Society«.

Als Sprecher der »Fraunhofer-Allianz Big Data und Künstliche Intelligenz«, Direktor des »Fraunhofer-Forschungszentrums Maschinelles Lernen«, stellvertretender Vorsitzender des »Fraunhofer-Verbun­des für Informations- und Kommunikationstechno­logie« und Sprecher der Fachgruppe »Knowledge Discovery, Data Mining und Machine Learning« der Gesellschaft für Informatik engagiert er sich national und international für die Themen Digitalisierung, intelligente Nutzung von Big Data und Künstliche Intelligenz.

Prof. Dr. Stefan Wrobel

Fraunhofer-Institut für Intelligente
Analyse- und Informationssysteme IAIS
Schloss Birlinghoven
53757 Sankt Augustin

stefan.wrobel@iais.fraunhofer.de
www.iais.fraunhofer.de
www.iai.uni-bonn.de

Die Vertreter der Partner

Prof. Dr. Dr. h. c. Michael ten Hompel

Vertreter der Partner

Professor Dr. Dr. h. c. Michael ten Hompel studierte Elektrotechnik an der RWTH Aachen und promovierte an der Universität Witten/Herdecke. Er ist Ordinarius des FLW der TU Dortmund und  geschäftsführender Institutsleiter am Fraunhofer-Institut für Materialfluss und Logistik. Vor seiner wissenschaftlichen Tätigkeit ist er als Unternehmer tätig gewesen. So gründete er unter anderem 1988 die GamBit GmbH (heute Vanderlande Industries) und leitete das Unternehmen, das sich vorrangig mit der Entwicklung und Realisierung von Warehouse-Management-Systemen und industriellen Steuerungen beschäftigt, bis zum Jahr 2000 als geschäftsführender Gesellschafter.

Michael ten Hompel gilt als einer der Väter des Internet der Dinge und veröffentlichte zahlreiche Fachbücher und über vierhundert Artikel rund um Logistik und IT. Er ist  Mitherausgeber der Lecture Notes in Logistics (Springer) und weiterer Fachpublikationen. Michael ten Hompel ist Mitglied der Akademie der Technikwissenschaften und 2012 wurde er in die Logistics Hall of Fame aufgenommen. 2017 erhielt er die Ehrendoktorwürde der Universität Miskolc (Ungarn). 2018 wurde ihm vom Verein Pro Ruhrgebiet die Ehrenauszeichnung »Bürger des Ruhrgebietes«. 2019 erhielt er den internationalen HERMES Logistik Award in Wien.

Prof. Dr. Dr. h. c. Michael ten Hompel

Fraunhofer-Institut für Materialfluss und Logistik IML
Joseph-von-Fraunhofer-Str. 2-4
44227 Dortmund

michael.ten.hompel@iml.fraunhofer.de
www.iml.fraunhofer.de

Prof. Dr. Christian Bauckhage

Vertreter der Partner

Christian Bauckhage studierte Informatik und Physik an der Universität Bielefeld, war Forschungspraktikant am INRIA in Grenoble und promovierte in Informatik an der Universität Bielefeld. Anschließend war er als Postdoktorand am Centre for Vision Research in Toronto tätig und arbeitete als leitender Wissenschaftler bei den Deutsche Telekom Laboratories in Berlin. Im Jahr 2008 wurde er als Professor für Informatik an die Universität Bonn berufen und zum Lead Scientist für Maschinelles Lernen am Fraunhofer IAIS ernannt.

Prof. Bauckhage verfügt über mehr als 20 Jahre Erfahrung als Data Scientist in Industrie und Wissenschaft und ist (Mit-)Autor zahlreicher Publikationen zu Mustererkennung, Data Mining und intelligenten Systemen. Seine aktuelle Forschung konzentriert sich auf Techniken des Informed Machine Learning, die wissens- und datengetriebene Methoden integrieren, sowie auf Quantencomputerlösungen für Maschinelles Lernen. Praktische Anwendungen findet seine Arbeit in Bereichen wie Physik, Landwirtschaft, Social Media oder Business Analytics. Er ist ein gefragter Redner und leidenschaftlicher Befürworter von Open Innovation und Open Science. Christian Bauckhage berät Unternehmen sowie öffentliche Einrichtungen bei der Entwicklung und dem Einsatz von Lösungen für Maschinelles Lernen und Künstliche Intelligenz.

Prof. Dr. Christian Bauckhage

Fraunhofer-Institut für Intelligente
Analyse- und Informationssysteme IAIS
Schloss Birlinghoven
53757 Sankt Augustin

christian.bauckhage@iais.fraunhofer.de
www.iais.fraunhofer.de

Die Geschäftsstelle

Heike Horstmann

Geschäftsführerin ML2R

Heike Horstmann ist Geschäftsführerin des Kompetenzzentrums für Maschinelles Lernen Rhein-Ruhr am Standort Bonn.

Heike Horstmann ist erfahrene Projektleiterin am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. Sie koordinierte in der Vergangenheit erfolgreich verschiedene Förder- und Wirtschaftsprojekte. Zuletzt leitete sie ein Project Management Office am Fraunhofer IAIS.

Nach ihrem Studium und Abschluss als Diplom-Ingenieurin der Nachrichtentechnik an der TH Köln, hat Frau Horstmann am Fraunhofer-Institut für Medienkommunikation IMK an interaktiven digitalen TV-Formaten geforscht und an der Standardisierung und Markteinführung der europäischen Multimedia Home Platform (MHP) mitgewirkt. Mit der Neugründung des Fraunhofer IAIS 2006 übernahm Frau Horstmann die technische Leitung im EU-Projekt „LIVE – Staging of media events“ und führte dort ihre Forschung fort, die in einer interaktiven Live-Übertragung der Olympischen Spiele 2008 durch den Projektpartner ORF ihren Höhepunkt fand. Danach leitete sie ein nationales Förderprojekt zu zielgerichteten Werbeformaten und koordinierte ab 2012 das EU-Projekt LinkedTV, in dem erfolgreich an der Verknüpfung von TV- und Web-Inhalten durch automatische Annotationsverfahren und semantische Anreicherung geforscht wurde. Seit 2016 beschäftigt sich Frau Horstmann mit Ansätzen zur Cognitive Process Automation und leitet Data Science Projekte für Wirtschaftskunden.

Heike Horstmann

Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
Schloss Birlinghoven
53757 Sankt Augustin

heike.horstmann@iais.fraunhofer.de

Dr.-Ing. Stefan Michaelis

Geschäftsführer ML2R

Stefan Michaelis ist seit 2018 Geschäftsführer des Kompetenzzentrums Maschinelles Lernen Rhein-Ruhr für den Standort Dortmund. Er leitet das operative Geschäft gemeinsam mit den Vertretern der übrigen Standorte. Er unterstützt die Wissenschaftlerinnen und Wissenschaftler in ihren Aufgaben und koordiniert sowohl die Zusammenarbeit intern als auch mit Projektträger, BMBF und Kooperationspartnern aus der Privatwirtschaft.

Zuvor war er von 2011 an Geschäftsführer des durch die Deutsche Forschungsgemeinschaft (DFG) geförderten Sonderforschungsbereichs 876 „Verfügbarkeit von Information durch Analyse unter Ressourcenbeschränkung”. Im Sonderforschungsbereich werden Möglichkeiten der intelligenten Datenanalyse unter Berücksichtigung der verfügbaren Ressourcen untersucht: vom kleinen cyber-physischen System bis zum Großrechner zur Analyse großer Datenmengen. Ziel ist es, aus immer größeren Datenmengen Informationen zu gewinnen – und zwar zeitnah, ohne großen Energiebedarf und direkt vor Ort. Beteiligt war Stefan Michaelis auch an der erfolgreichen Beantragung sowohl der zweiten als auch der dritten Förderphase bis zum Jahr 2022.

Nach seinem Studium der Ingenieurinformatik hat Stefan Michaelis in Elektrotechnik im Bereich der Anwendung des Maschinellen Lernens zur Qualitätsverbesserung im Mobilfunk promoviert. In seiner Doktorarbeit hat er erforscht, wie Prognosen über erwartete Bewegungen von Mobilfunknutzern – unabhängig von Profilen spezifischer Nutzer – einen Ausblick auf die zukünftige Auslastung von Mobilfunkzellen erlauben.

Dr. Ing. Stefan Michaelis

Technische Universität Dortmund
Otto-Hahn-Str. 12 / R4.020
44227 Dortmund

stefan.michaelis@tu-dortmund.de
www-ai.cs.tu-dortmund.de/PERSONAL/michaelis

Katrin Berkler

Pressesprecherin

Katrin Berkler ist Leiterin der Presse und Öffentlichkeitsarbeit am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. Nach ihrem Studium der Kultur-, Medien- und Wirtschafts­wissenschaften an den Universitäten Siegen und Orléans sowie ihrer wissen­schaftlichen Mitarbeit an einem Lehrstuhl der Medienwissenschaft in Siegen und am Siegener Mittel­standsinstitut war sie ab 2009 Mitarbeiterin im Bereich Marketing und Kommunikation am Fraunhofer-Institut SCAI.

Seit 2010 leitet sie die PR-Aktivitäten am Fraunhofer IAIS und betreut in ihrer Funktion zahl­reiche strategische Projekte und Initiativen in allen Belangen der Kommunikation und Außendar­stellung. Seit 2014 hat Katrin Berkler zudem die Leitung der Öffentlichkeitsarbeit für die Fraunhofer-Allianz Big Data und Künstliche Intelligenz inne, einem Verbund von über 30 Fraunhofer-Instituten zur branchenüber­greifenden Forschung und Technologieentwicklung im Bereich Big Data und Künstliche Intelligenz. Zudem verantwortet sie mit ihrem Team die Presse und Öffentlichkeitsarbeit des Kompetenzzentrums Maschinelles Lernen Rhein-Ruhr (ML2R), der Kompetenzplattform Künstliche Intelligenz Nordrhein-Westfalen (KI.NRW), des Fraunhofer-Forschungszentrums Maschinelles Lernen sowie der Roberta-Initiative, einer der größten Initiativen für digitale Bildung in Deutschland.

Katrin Berkler

Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
Schloss Birlinghoven
53757 Sankt Augustin

katrin.berkler@iais.fraunhofer.de 

www.iais.fraunhofer.de

Ann-Kathrin Oster

Referentin

Ann-Kathrin Oster ist Referentin am Kompetenzzentrum für Maschinelles Lernen Rhein-Ruhr. In dieser Funktion bereitet sie wissenschaftliche Ergebnisse und Ereignisse im Kontext des Kompetenzzentrums in verständlicher Sprache auf. Ihr Ziel ist es, die Forschung zum Maschinellen Lernen als Schlüsseltechnologie Künstlicher Intelligenz einer breiten Öffentlichkeit zugänglich zu machen. Sie agiert zudem als Schnittstelle zu den Aktivitäten des Landes Nordrhein-Westfalen und koordiniert die Kooperation mit anderen Landesakteuren.

Im Rahmen ihres Studiums, welches sie mit einem Master of Arts im Studienfach Medien und politische Kommunikation an der Freien Universität Berlin abschloss, spezialisierte sich Ann-Kathrin Oster auf die politische Öffentlichkeitsarbeit. Diese Schwerpunktsetzung forcierte sie durch Arbeitseinsätze in politischen Institutionen auf Bundes- und Landesebene.

Ann-Kathrin Oster

Technische Universität Dortmund
Otto-Hahn-Str. 12 / R4.022
44227 Dortmund

ann-kathrin.oster@tu-dortmund.de
https://www-ai.cs.tu-dortmund.de/PERSONAL/oster.html

Vanessa Faber

Referentin

Vanessa Faber ist seit 2018 Referentin des Kompetenzzentrums für Maschinelles Lernen Rhein-Ruhr für den Standort Dortmund. Neben der fachlichen Abstimmung innerhalb von ML2R kümmert sie sich auf nationaler Ebene um die Zusammenarbeit und inhaltliche Verständigung der deutschen Kompetenzzentren untereinander. Sie steht im Austausch mit dem BMBF und ist Ansprechpartnerin für die Kooperation der deutschen und französischen Kompetenzzentren.

Vanessa Faber studierte Informatik an der TU Dortmund. Nach ihrem Studium war sie an der erfolgreichen Beantragung der ersten Förderphase des durch die Deutsche Forschungsgemeinschaft (DFG) geförderten Sonderforschungsbereichs 876 „Verfügbarkeit von Information durch Analyse unter Ressourcenbeschränkung” beteiligt, bevor sie einige Jahre in der Industrie tätig war.

Dipl.-Inform. Vanessa Faber

Technische Universität Dortmund
Otto-Hahn-Str. 12 / R4.022
44227 Dortmund

vanessa.faber@tu-dortmund.de
https://www-ai.cs.tu-dortmund.de/PERSONAL/faber.html

Die Wissenschaftlerinnen und Wissenschaftler

Katharina Beckh

Forschungsschwerpunkt:

Menschenorientiertes ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Modellierung der visuellen Aufmerksamkeit von Anästhesisten mit Schwerpunkt auf dem Parameter Anstrengung
  2. Aktives Lernen mit Experten-Input steuern
  3. Ermittlung von schlechter medizinischer Berichterstattung mithilfe von Text Mining Tools

Woran sind Sie besonders interessiert?

Interaktives ML: Das Zusammenspiel von Mensch und maschinellem Lernalgorithmus zu verbessern und dafür passende Schnittstellen und Modelle zu entwerfen.

David Biesner
Daniel Boiar

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Aufbau einer Wissensbasis über multivariate Zeitreihenalgorithmen
  2. Ausreißererkennung mit Support Vector Machines

Woran sind Sie besonders interessiert?

Herleiten von neuen und verlässlichen Zeitreihenalgorithmen, um die Analyse von heterogenen Sensorzeitreihen im industriellen Kontext zu optimieren

Kostadin Cvejoski
Kostadin Cvejovski

Forschungsschwerpunkt:

ML mit komplexem Wissen

Awards:

Syngenta 2019 Crop Challenge

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Verbesserung der Recommendersysteme durch Nutzung der Text- und der zeitlichen Komponente der User-Item-Interaktion
  2. Verwendung von tiefen neuronalen Netzen zur Modellierung von Warteschlangensystemen

Woran sind Sie besonders interessiert?

Entwicklung von Methoden, die die zeitlichen und textlichen Informationen einbeziehen, um zu modellieren, wie sich die Überprüfungsdaten von Gegenständen (Produkte, Unternehmen, …) im Laufe der Zeit ändern.

Dr. Tiansi Dong

Awards:

Best Paper Award auf der ICANN 2019

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. eine Bestandsaufnahme neuerer Arbeiten zum Thema ‚Vision und Sprache‘
  2. Reproduktion von Experimenten in einigen der Arbeiten
  3. regionale Wissensgraphen-Schlussfolgerung

Woran sind Sie besonders interessiert?

Ich interessiere mich für die Vereinheitlichung symbolischer Strukturen und für das Deep Learning und seine Anwendungen im Bereich des Verstehens natürlicher Sprache, des Wissensgraphen-Schlussfolgerns und der visuell-sprachlichen Interaktion.

Raphael Fischer
Raphael Fischer

Forschungsschwerpunkt:

Menschenorientiertes ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

Anwendung von probabilistischem ML auf raum-zeitliche Daten, wie z.B. Bildzeitreihen, unter Verwendung von generativem ML, um Lücken in unvollständigen Datensätzen, wie z.B. bewölkten Satellitenbilddaten, zu füllen

Woran sind Sie besonders interessiert?

Zu untersuchen, wie probabilistische ML zum Verständnis unserer Welt beitragen kann, während Wissen und Wahrnehmung in andere Forschungsbereiche und sogar in die Gesellschaft im Allgemeinen übertragen werden.

Bogdan Georgiev
Dr. Bogdan Georgiev

Forschungsschwerpunkt:

ML mit komplexem Wissen, Modulares ML, Menschenorientiertes ML, Vertrauenswürdiges ML, Quantenmaschinelles Lernen.

Awards:

  1. Syngenta 2019 Crop Challenge
  2. Graduiertenstipendium, Max-Planck-Institut für Mathematik, Bonn

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Theorie und Anwendungen des Repräsentations- und Mannigfaltigkeitslernens
  2. Statistische Lerntheorie Kompressions-, Komplexitäts- und Verallgemeinerungsabschätzungen
  3. Techniken für Autoencoding mit Anwendungen in Sprach- und Bildanalyse
  4. Quantenmaschinelles Lernen Variational Quantum Circuits

Woran sind Sie besonders interessiert?

An der Mathematik des tiefen Lernens und der Programminferenz mit Anwendungen in Trainingsalgorithmen und bessere Verallgemeinerung.

Sven Giesselbach
Sven Giesselbach

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Wissenstransfer von Domänen mit Trainingsdaten auf Domänen ohne Trainingsdaten durch unseren Algorithmus Corresponding Projections
  2. Einbindung von strukturiertem Wissen in Textrepräsentationen wie Word2Vec oder BERT

Woran sind Sie besonders interessiert?

Ich glaube, dass die Annahme, dass Computer natürliche Sprache einfach durch das „Lesen“ unzähliger Texte verstehen können, fundamental falsch ist. Ich möchte Mechanismen erforschen, welche externes Wissen in Methoden des natürlichen Sprachverstehens einbinden.

Felix Gonsior

Forschungsschwerpunkt:

Menschenorientiertes ML, Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Interpretation von Optimierungsproblemen, welche im Rahmen des Trainings von ML-Modellen entstehen, als probabilistische Modelle. Auf diese Art erhät man zusätzlich die Möglichkeit, viele alternative Lösungsmöglichkeiten auszuwerten und zu vergleichen.
  2. Inferenz durch Sampling aus kategorischen Verteilungen/PGMs mit Qualitätsgarantien für eine gegebene Samplegröße

Woran sind Sie besonders interessiert?

Das Verstehen der Funktion von Unsicherheit in ML-Training und -Inferenz und den Effekt der Unsicherheit auf die Generalisierungsfähigkeit von ML-Modellen.

Lukas Heppe

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Verteilte Modellaggregrationsmethoden unter Minimierung der Kommunikationskosten
  2. Modulare Parameteraggregation in Markov Random Fields
  3. Beschleunigung der exakten Inferenz in Markov Random Fields durch parallele und verteilte Programmiertechniken

Woran sind Sie besonders interessiert?

Entwicklung kommunikationseffizienter verteilter Lernalgorithmen, die die Verbreitung von Methoden des Maschinellen Lernens an eine große Anzahl von Geräten ermöglichen, welche wiederum gemeinsam voneinander profitieren können.

Lars Patrick Hillebrand

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Entwicklung von Methoden der Matrixfaktorisierung für das gleichzeitige Lernen von Wort Embeddings sowie der Extraktion von Themen und deren Beziehungen zueinander
  2. Entwicklung einer Metrik, die Computer generierte Textzusammenfassungen automatisch nach menschlichen Kriterien evaluiert

Woran sind Sie besonders interessiert?

Kombinierung von strukturiertem Wissen und statistischem Lernen, um mathematische Textrepresentation und Textextraktion (z.B. Themenextraktion, automatische Zusammenfassung) zu verbessern.

Matthias Jakobs

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Theoretische und praktische Garantien von Erklärbarkeitsmodellen mittels Shapleywerten erarbeiten
  2. Kombinieren von Erklärbarkeitsmodellen mit Bayesianischen Neuronalen Netzen (BNN)

Woran sind Sie besonders interessiert?

Den Entscheidungsprozess von black-box Modellen verständlich machen, Benutzern und Experten Vertrauen und Sicherheit in die Entscheidungen von Neuronalen Netzen geben

Birgit Kirsch
Birgit Kirsch

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Kalt-Start Befüllung von Wissensdatenbanken durch Einbindung von Vorwissen (Ontologien, domänenspezifische Bedingungen, … )
  2. Bereinigung von Trainingsdatensätzen für die Extraktion von Relationen in Text durch Verfahren des statistischen Relationalen Lernens

Woran sind Sie besonders interessiert?

Gemeinsames Lernen von Neuronalen Netzen und logikbasierten Systemen

Helena Kotthaus
Dr. Helena Kotthaus

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Austausch und Umsetzung von Methoden des Maschinellen Lernens zwischen
    Forschung und Industrie
  2. Extraktion von ML-Expertenwissen zur Generierung von
    Evaluierungsmethoden für typische Fehler in ML Pipelines mit dem Ziel
    die Vertrauenswürdigkeit von ML zu steigern

Woran sind Sie besonders interessiert?

Ein einheitliches System für die Zertifizierung und die Erklärbarkeit von ML-Prozessen für Softwareentwickler und Wissenschaftler die keine ML- oder AI-Experten sind

Jens Leveling

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Ressourcenbeschränktes Lernen in Logistik-Anwendungsfällen
  2. Industrieller Transfer von ML2R-Ergebnissen Schwerpunkt auf logistische Anwendungsfälle

Woran sind Sie besonders interessiert?

  • Maschinelles Lernen auf Internet-der-Dinge-Geräten: Maschinelle Lernverfahren zur Klassifizierung, Erkennung und Nachverfolgung von Objekten in logistischen Anwendungsfällen
  • Fragen des Industrietransfers: Integration und Erstellen von Trainingsdaten, Überführung der Ergebnisse des maschinellen Lernens in Geschäftsprozesse
Mojtaba Masoudinejad

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, Industrielle Anwendung des maschinellen Lernens

An welchen Problemstellungen arbeiten Sie zurzeit?

6D-Positionsschätzung von Logistikobjekten in Produktion und Lagerhaltung

Woran sind Sie besonders interessiert?

Kostengünstige industrielle Objekterkennung mit Hilfe von Computervision und ML

Sascha Mücke

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, evtl. in Zukunft Quantum-ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Implementierung und kontinuierliche Verbesserung eines FPGA-basierten Hardware-Lösers für Ising-Modelle
  2. Untersuchung von Anwendungen von MAP-Lösern, insbesondere zur Analyse probabilistischer Modelle

Woran sind Sie besonders interessiert?

Probabilistische grafische Modelle; quantenbasierte Optimierung und ihre möglichen Anwendungen für Maschinelles Lernen

Dr. Ramses Sanchez

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Dynamische Generative Sprachmodelle. Speziell solche, die auf Darstellungen auf Basis von temporalen Punktprozessen beruhen. Diese können angewandt werden, um zum Beispiel die Veränderung von Online-Bewertungen oder Nachrichten über die Zeit zu modellieren.
  2. Das Lernen von diskreten und kontinuierlichen Darstellungen für generative Modelle für Text mithilfe von Mutual-Information Kriterien
  3. Neuronale Netze für switching dynamical systems
  4. Generative neuronale Netze für Punktprozesse und Warteschlangen

Woran sind Sie besonders interessiert?

Ich interessiere mich dafür, Bayessche nichtparametrische Prozesse in generativen tiefen neuronalen Netzen einzusetzen. Speziell für die Anwendung auf Texte, um dort automatische Zusammenfassungen zu generieren und um kontrolliert (neuen) Text zu erzeugen.

Till Hendrik Schulz

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Klassifizierung von Graphen unter Verwendung des Tree Edit Distanzmaßes auf lokalen Baumstrukturen
  2. Rechnerisch machbare Abbildungsfunktionen zwischen Graphen unter Verwendung von eingeschränkten Homomorphismen

Woran sind Sie besonders interessiert?

ML auf Graphen mit besonderem Fokus auf Wissensentdeckung in Netzwerken und Graphmengen mit beweisbaren theoretischen Garantien

Florian Seiffarth

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Anreicherung abstrakter Verschlusssysteme durch zusätzliche Informationen, wie z.B. Abstände, mit dem Ziel einer effizienten Klassifizierung, z.B. Erreichen maximaler Trennungen in Verschlusssystemen, die auf monotonen Verknüpfungsfunktionen basieren
  2. Neuronale Netzwerkschichten mit Gewichtungsteilung auf der Grundlage datenabhängiger Regeln (Expertenwissen), Anwendungen zur Graphen- und Knotenklassifizierung und Lernen über „komplexe“ Datenstrukturen

Woran sind Sie besonders interessiert?

Mathematisches Verständnis von ML mit Anwendungen auf abstrakte Verschlusssysteme (z.B. geschlossene häufige Itemsets, Konzeptgitter, …) und Lernen an Graphen (z.B. Graphen-Neuronale Netze, die auf datenabhängigen Regeln basieren)

Eike Stadtländer

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Lernen von Hüllensystemen, beispielsweise aus transaktionalen Daten zur Anwendung in Frequent Itemset Mining
  2. Konvexitätsbedingungen in Graphen für simultanes Clustering

Woran sind Sie besonders interessiert?

Die Lücke zwischen Theorie und praktischen Algorithmen zu überbrücken, um die Interpretierbarkeit von Lernsystemen zu verbessern.

Dr.-Ing. Oliver Urbann

Awards:

Verschiedene Auszeichnungen im Roboterfußball, unter anderem Weltmeistertitel beim RoboCup

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

Compiler für Modelle des Maschinellen Lernens

Woran sind Sie besonders interessiert?

Software Engineering und Maschinelles Lernen mit Fokus auf Hardware, beispielsweise SIMD Vektorisierung, Caching, Speicherlimitierungen usw.

Dr. Pascal Welke

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Effiziente Suche von häufigen Teilgraphen
  2. Kernmethoden für Graphen
  3. Analyse von ML-Modellen