Zum Hauptinhalt springen
Unsere Forschungsexperten

Maja Rudolph

Komplexe Fragestellungen zum Machine-Learning lösen, die sich aus industrieller KI ergeben

„Ihrem Wesen nach sind alle Modelle falsch, aber einige sind nützlich.“ – George Box
Maja Rudolph

Technische Geräte basieren normalerweise auf Sensoren, die entsprechende Eingangsgrößen messen. Durch Methoden, bei denen maschinelles Lernen auf Sensordaten angewendet wird, kann der Nutzen solcher Geräte durch eine Effizienzsteigerung oder die Ergänzung um spannende neue Funktionen vergrößert werden. Doch die Modellierung von Sensordaten ist mit etlichen Herausforderungen verbunden. Daten aus der realen Welt zeichnen sich oft durch multimodale Dynamik aus. Manche Sensoren messen in unregelmäßigen Zeitabständen und die meisten industriellen Datensätze nicht mit Zielwerten gekennzeichnet. Lernen mittels Sensordaten erfordert Methoden, die flexibel genug sind, um die zugrunde liegende Komplexität zu erfassen. Gleichzeitig müssen sie mit unterschiedlichen Arten von Rauschen und Ungewissheit umgehen können. Deshalb konzentriere ich mich bei meinem Forschungsthema hauptsächlich auf die Frage, wie Deep-Learning am besten mit probabilistischer Modellierung verknüpft werden kann.

Lebenslauf

  1. Ph.D. Computer Science, Columbia University, Advisor: David Blei
  2. M.Sc. Electrical Engineering, Columbia University
  3. B.Sc. Mathematics, MIT

Ausgewählte Publikationen

  • Publications

    Qiu et al. (2021)

    Neural transformation learning for deep anomaly detection beyond images
    • C. Qiu, T. Pfrommer, M. Kloft, S. Mandt, and M. Rudolph
    • International Conference on Machine Learning
  • Publications

    Schneider et al. (2021)

    Anomalous region detection in time series with local neural transformations
    • T. Schneider, C. Qiu, and M. Rudolph
    • ICML Workshop on Self-Supervised Learning
  • Publikationen

    Schirmer et al. (2021)

    Countinuous-discrete recurrent Kalmannetworks for irregular time-series
    • M. Schirmer, M. Eltayeb, and M. Rudolph
    • ML4ITS Workshop
  • Publikationen

    McClelland et al. (2020)

    Placing language in an integrated understanding system: Next steps toward human-levelperformance in neural language models
    • J. L. McClelland, F. Hill, M. Rudolph, J. Baldridge, and H. Schütze
    • Proceedings of the National Academy of Sciences

Interview mit Maja Rudolph

Maja Rudolph

Senior Research Scientist im Bereich probabilistische Deep-Learning-Modelle

Erzählen Sie doch mal: was fasziniert Sie an der Forschung?

Im Zeitalter der KI befasst sich unsere Forschung in diesem Bereich damit, wie wir maschinelle Intelligenz mit menschlicher Intelligenz kombinieren können, um leistungsfähige AIoT-Produkte und -Dienstleistungen mit einem hohen Level an Nutzerfreundlichkeit zu erschaffen. Die KI-Forschung zu Themen wie Mixed Reality/AR, Conversational AI und Smart Wearables und die daraus resultierenden Produkte können unser alltägliches Leben maßgeblich beeinflussen. Zudem können viele arbeitsintensive Aufgaben für unsere Mitarbeiter und Entwickler automatisiert werden, indem wir Herausforderungen in den Bereichen Visuelle Big Data Analytik, Erklärbare KI, NLP, Audioanalyse usw. bewältigen. Ich finde das Potential sehr aufregend. Die Ergebnisse unserer Spitzenforschung können nicht nur auf führenden KI-Konferenzen vorgestellt werden, sondern sind vor allem konkret nutzbar. Sie sind Alleinstellungsmerkmale (USP), die unsere Produkte in unseren Geschäftsbereichen so erfolgreich machen – darunter autonomes Fahren, fortgeschrittene Fahrassistenzsysteme, Smart Home/Building, Fahrzeug-Infotainment, Smart Manufacturing, Robotik usw.

Was macht die Forschung bei Bosch besonders?

Zunächst einmal ist Bosch international aufgestellt. Durch die Arbeit in unserer Forschungsanlage im Silicon Valley, dem Dreh- und Angelpunkt für KI und Softwareinnovationen, profitieren unsere Forscher von der hiesigen Netzwerkstruktur. So können sie frühzeitig Trends erkennen und mitgestalten, mit Professoren aus hochrangigen Universitäten wie Stanford und UC Berkley an Forschungsschwerpunkten zusammenarbeiten und Innovationen vorantreiben, indem sie sich mit neu entstehenden und bislang unerkannten Geschäftsbedürfnissen befassen. Auf diese Art wollen sie die Welt um uns herum und Boschs zukünftige Entwicklungen bestimmen und beeinflussen. Neben der internationalen Aufstellung verfügt Bosch auch über ein breit gefächertes Produktportfolio, was unseren Forschern ermöglicht, Neuerungen durch nachhaltige KI-Lösungen voranzubringen, die kundenorientiert und marktgerecht sind und eine signifikante Wirkung erzielen, weit über das Streben nach wissenschaftlichen Erfolgen hinaus. Das heißt jedoch nicht, dass wir uns nur auf kurzfristige Ergebnisse konzentrieren. Bosch ist in der einzigartigen Position, langfristige Forschung passend zu unserer Geschäftsstrategie verfolgen zu können, weil wir ein privates Unternehmen sind, das von Fluktuationen auf dem Aktienmarkt viel weniger betroffen ist.

Woran forschen Sie bei Bosch?

Forschung geht immer in die Breite und in die Tiefe. Obwohl das Forschungsgebiet der Mensch-Maschine-Intelligenz (HMI) sehr umfangreich ist, haben die verschiedenen Forschungsanwendungen auf diesem Gebiet etwas gemeinsam. Die meisten von ihnen müssen bereichsspezifische KI-Technologien und Benutzeranforderungen handhaben. Als verantwortlicher Global Head arbeite ich eng mit meinen globalen Teams zusammen, um Forschungsstrategien und Fahrpläne für die verschiedenen AIoT-Themenbereiche zu entwerfen. Anders gesagt: Ich entscheide, was wir machen und was nicht – eine herausfordernde Aufgabe, für die man ein tiefes Verständnis für technologische Trends und Grenzen, Marktsituationen, Geschäftsbedürfnisse und Ressourcenbeschränkungen benötigt. Als Chief Scientist konzentriert sich meine Forschung eher auf Visual Computing, ein spezifischer KI-Themenbereich, der eng mit Computer Vision, Computer Graphics, Visualisierung und Maschinenlernen verwandt ist. Das ist übrigens auch mein Lieblingsforschungsthema. Mein Forschungsschwerpunkt umfasst visuelle Big Data Analytik, erklärbare KI, Mixed Reality/AR, 3D-Wahrnehmung und Smart Wearables, die ein Hauptbestandteil von Schlüsselprodukten und -services für V&V beim autonomen Fahren, Cloud-basierte Handelsanalyse, intelligente Fahrzeugreparaturassistenten, Fahrzeug-Infotainment, intelligente Messwerkzeuge und Industrie 4.0. sind. Zusammen mit meinem Team und unseren Partnern habe ich insbesondere dabei geholfen, die Forschung zu visueller Analytik und erklärbarer KI im Sinne von AIoT innerhalb der Forschungsgemeinde mit zu prägen. Für diesen Bereich von Bosch Research habe ich kürzlich drei Best Paper (bzw. Honorable Mention) Awards auf renommierten Konferenzen für Computerwissenschaften gewonnen.

Was sind die größten wissenschaftlichen Herausforderungen in Ihrem Forschungsfeld?

Ich sehe drei wesentliche Herausforderungen für unsere AIoT-Forschung. Alle hängen mit dem Skalierungsbedarf typischer AIoT-Produkte und -Dienstleistungen zusammen. Der Schlüssel für ein herausragendes Nutzererlebnis bei großflächig eingeführten AIoT-Produkten (z. B. Smart Speaker) liegt zunächst einmal darin, die Benutzer zu verstehen. Das ist schon seit langem ein Problem in der Forschung, weil es noch immer sehr schwierig ist, die Intentionen, das Verhalten und die Gefühleder Benutzer durch verschiedene Inputverfahren wie Sprache, Audio, Gesten und Bildmaterial genau nachzuvollziehen. Zweitens stehen wir noch immer vor der großen Herausforderung, herauszufinden, wie wir ein intuitives Nutzererlebnis für AIoT-Produkte und -Dienstleistungen in einer dynamischen Umgebung umsetzen können. Die meisten bisherigen Lösungen funktionieren in kontrollierten Umgebungen gut (z. B. AR-Systeme in ruhigen, geschlossenen Räumen), weisen jedoch mangelnde Stabilität und Skalierbarkeit in unkontrollierten Umgebungen auf (z. B. laute Außenumgebung). Dadurch sind einige der bestehenden Lösungen kaum für eine breitere Einführung geeignet. Und schließlich können neben der Nutzererfahrung auch Aspekte der Vertrauenswürdigkeit die umfassende Übernahme von AIoT-Produkten oder -Dienstleistungen erschweren, da die meisten KI-Systeme wie eine Black Box funktionieren. Hier könnte es hilfreich sein, menschliche Intelligenz zur Verbesserung der Interpretierbarkeit und Stabilität eines KI-Systems einzusetzen. Eine visuelle Analytik, die Representation Learning (z. B. XAI), Datenvisualisierung und minimale Benutzerinteraktion miteinander kombiniert, gilt beispielsweise als vielversprechender Ansatz zur Lösung dieses Problems.

Wie werden Ihre Forschungsergebnisse zu "Technik fürs Leben"?

Damit unsere Ergebnisse Teil einer „Technik fürs Leben“ werden, müssen sie eine echte Wirkung in der realen Welt erzielen. Ein früheres Highlight ist die 3D artMap. Als weltweit erste künstlerisch gestaltete 3D-Karte zur Navigation hebt die 3D artMap wichtige Elemente auf der Karte durch künstlerische Gestaltung hervor, erleichtert die Orientierung und ermöglicht ein individuelles Fahrerlebnis. Sie wurde als Standardprodukt der Automobilindustrie übernommen und kommt aktuell in einer Reihe von Navigationssystemen zum Einsatz. Ein weiteres Beispiel ist der Bosch Intelligent Glove (BIG), eines der neuesten Highlights aus dem Bereich Industrie 4.0. Der intelligente Handschuh verfügt über smarte Sensoren und kann die Qualität und Effizienz der Produktion verbessern und somit die Herstellungskosten verringern – und zwar basierend auf unseren einzigartigen Algorithmen zur Erkennung und Analyse detaillierter Fingerbewegungen. Neben der erfolgreichen SOP in China hat BIG vor Kurzem den „World’s Top 10 Industry 4.0 Innovation Award“ des chinesischen Verbands für Wissenschaft und Technologie gewonnen. Er wurde zusammen mit weiteren Innovationen aus der Industrie 4.0 von wichtigen globalen Konzernen wie Siemens und GE geehrt. Der Großteil unserer jüngsten Forschung zu visueller Analytik und erklärbarer KI hat nicht nur unsere Wissenschaftsgemeinde beeinflusst (z. B. drei kürzlich erhaltene Best Paper bzw. Honorable Mention Awards auf den hochrangigen Konferenzen für Computerwissenschaften in diesem Bereich), sondern wird auch für unsere wichtigsten AIoT-Anwendungen in den Bereichen Mobilität, Konsumgüter und Smart Manufacturing eingesetzt.

Ihr Kontakt zu mir

Maja Rudolph
Senior Research Scientist im Bereich probabilistische Deep-Learning-Modelle