Maja Rudolph

Erzählen Sie doch mal: was fasziniert Sie an der Forschung?
Am meisten fasziniert mich an der Forschung, dass man jeden Tag die Möglichkeit hat, etwas Neues zu entdecken und zu lernen.

Was macht die Forschung bei Bosch besonders?
Bosch Research ist etwas ganz Besonderes, da Expertinnen und Experten aus vielen technischen Fachbereichen mit uns im Bosch Center for AI zusammenarbeiten, um neue KI-basierte Lösungen für viele unterschiedliche Anwendungsbereiche zu entwickeln. Mich fasziniert die Fülle an technischem Wissen meiner Kolleginnen und Kollegen und ich arbeite an unterschiedlichen Möglichkeiten, ihr Know-how in die Algorithmen für maschinelles Lernen zu integrieren. Wir bezeichnen diesen integrierten Ansatz als hybride Modellierung. Um dieses Thema voranzubringen, habe ich die Schwerpunktgruppe zum Thema hybride Modellierung mitgegründet.

Woran forschen Sie bei Bosch?
Meine Forschung liegt an der Schnittstelle zwischen Bayes’schem Machine-Learning und Deep Learning. Bayes’sche Modelle tragen dazu bei, die bei der Modellierung getroffenen Entscheidungen und die Gründe für Unsicherheit zu übermitteln, während neuronale Netzwerke die Flexibilität bieten, komplexe Interaktionen in den Daten zu modellieren.

Was sind die größten wissenschaftlichen Herausforderungen in Ihrem Forschungsfeld?
Eine Herausforderung bei der Modellierung von Sensordaten industrieller Anwendungen ist die häufig sehr unpraktische Kennzeichnung der Daten. Wenn wir Anomalien in den Sensordaten eines Förderbands erkennen möchten, gibt es beispielsweise normalerweise keine Kennzeichnung. Im Machine-Learning gibt es ein als selbstüberwachtes Lernen bezeichnetes Gebiet. Dabei wird ein Modell für Aufgaben trainiert, die keine Kennzeichnung erfordern. Diese Methoden sind besonders gut für maschinelles Sehen erforscht. Doch wir arbeiten daran, das selbstüberwachte Erkennen von Anomalien auf Bereiche jenseits von Bildern auszudehnen, beispielsweise auf Zeitreihen und Kurvendaten.

Wie werden Ihre Forschungsergebnisse zu „Technik fürs Leben“?
Wir arbeiten speziell an Fragestellungen zum maschinellen Lernen, die sich aus realen technischen Problemen ergeben: So gehen wir etwa der Frage nach, wie man das Fahrverhalten modelliert, wie man die Betriebsbedingungen eines Geräts prognostizieren könnte oder wie Anomalien in den Sensordaten eines Förderbands erkannt werden können. Unsere Lösungen für maschinelles Lernen machen technische Systeme sicherer und effizienter.