Unser Team stellt sich vor

In meiner Rolle als Senior Scientist für Maschinelles Lernen am Fraunhofer IEE und als Leiter der vom BMBF geförderten Nachwuchsgruppe RL4CES an der Universität Kassel widme ich mich der Aufgabe, Maschinelles Lernen zur Optimierung von Prozessen im Energiesektor einzusetzen. Meine akademische Laufbahn, geprägt durch ein Studium der Informatik mit einem Fokus auf theoretischer Informatik, sowie eine Promotion im Bereich Maschinelles Lernen bilden das Fundament für meine Spezialisierung auf innovative Lernmethoden wie Self-Supervised Learning und Few-Shot Learning.

Als Projektleiter dieses ambitionierten Vorhabens strebe ich danach, den Genehmigungsprozess für Windparks durch die Entwicklung eines KI-gestützten Systems neu zu definieren. Dieses System soll die automatisierte Erkennung von durch Windkraftanlagen potenziell gefährdeten Arten ermöglichen. Durch den gezielten Einsatz von fortschrittlichen Deep Learning-Techniken, ergänzt durch eine intuitiv bedienbare Schnittstelle, die durch Techniken der Explainable AI verständlich gemacht wird, tragen wir maßgeblich zur Beschleunigung des Übergangs zu erneuerbaren Energien bei.

Während meines Physikstudiums widmete ich mich zunächst der Suche nach extrasolaren Planeten, bevor meine berufliche Ausrichtung mich wieder hin zu unserem Planeten und speziell zur Integration erneuerbarer Energien in unser Energiesystem führte.

Besonders fasziniert mich am DBD-Projekt, dass es die Verbindung von nachhaltiger Energieerzeugung und Artenschutz in den Fokus rückt und dabei innovative Deep Learning-Ansätze nutzt. Die Bereiche Few Shot Learning und Self Supervised Learning motivieren mich dabei besonders, da sie die Entwicklung von effizienten und ressourcenarmen Modellen unterstützen und eine zunehmende Unabhängigkeit von aufwendig annotierten Daten ermöglichen, deren Beschaffung oft herausfordernd und zeitaufwendig ist. Da mir der Schutz unserer Natur und deren Artenvielfalt am Herzen liegen, freue ich mich an diesem Projekt teilnehmen zu können.

Ich habe im Machine-Learning Bereich promoviert und widme mich in DBD generativen Modellen und Methoden zur Audio- und Bildklassifikation. Ein Aspekt, der mich besonders fasziniert ist es, verschiedene Modalitäten wie Audio- und Bilddaten miteinander zu verknüpfen. Zudem finde ich es immer wieder spannend, zu welchen Problemlösungen und Ergebnissen maschinelle Lernverfahren auf Grundlage ihrer Trainingsdaten und ihrer Optimierungsziele kommen. Die Vogelwelt bietet hier einige besonders interessante Spezialfälle und Problemstellungen.

Mit einem soliden mathematischen Fundament aus meinem Masterstudium an der Universität Augsburg widme ich mich derzeit meiner Promotion im spannenden Bereich der vertrauenswürdigen künstlichen Intelligenz. In unserem Projekt DeepBirdDetect konzentriere ich mich speziell auf die Interpretierbarkeit von Deep Learning Modellen zur Vogelerkennung. Mein Ziel ist es, die komplexen Entscheidungsprozesse dieser Modelle für uns Menschen nachvollziehbar und transparent zu machen. Besonders inspirierend finde ich, dass unsere Forschung nicht nur theoretische Erkenntnisse liefert, sondern auch praktische Lösungen in den Bereichen Tierschutz und Energiewende ermöglicht.

Wie können Computer lernen, Vögel anhand ihrer Stimmen zu erkennen? Als Postdoc an der Technischen Universität Chemnitz und dem K. Lisa Yang Center for Conservation Bioacoustics versuche ich, eine Antwort auf diese Frage zu finden. Meine Forschung konzentriert sich hauptsächlich auf die Erkennung und Klassifizierung von Vogelstimmen durch maschinelles Lernen. Die automatisierte Beobachtung der Stimmaktivität und Artenvielfalt von Vögeln kann für Ornithologen, Naturschutzbiologen und Vogelbeobachter ein wichtiges Hilfsmittel für die langfristige Überwachung kritischer Umweltnischen sein.

Mit einem Background in Computer Vision und Deep Learning konzentriere ich mich hauptsächlich auf die Entwicklung neuer Methoden zur Verarbeitung großer Datensammlungen von Umweltgeräuschen. Seit 2022 leite ich außerdem die KI-Nachwuchsforschergruppe „BirdNET+“ und setze mit meinem Team meine Arbeiten an einem System zur Erkennung von Vogelstimmen fort. Unser Ziel ist es, Experten und Bürgerwissenschaftler bei ihrer Arbeit zur Überwachung und zum Schutz unserer Vögel zu unterstützen, indem wir eine breite Palette von Anwendungen wie Smartphone-Apps, öffentliche Demonstratoren, Webschnittstellen und robuste Analyse-Frameworks entwickeln.

Ich habe meinen Master in angewandter Informatik an der TU Chemnitz abgeschlossen. Da meine Abschlussarbeit von Stefan Kahl betreut wurde, hatte ich bereits zu diesem Zeitpunkt Kontakt zu BirdNET. Nach meinem Abschluss in 2021 war ich zunächst für zwei Jahre als Softwareentwickler tätig, bevor ich von Stefan das Angebot als Mitarbeiter für DeepBirdDetect bekommen habe. Das Faszinierendste am Projekt ist für mich der Einsatz von KI für den Natur- und Artenschutz.

Ich habe meinen Master in Angewandte Informatik bei der Professur Medieninformatik an der TU Chemnitz abgeschlossen und bin derzeit Doktorand im Bereich der künstlichen Intelligenz, speziell in der Bioakustik. Meine aktuelle Arbeit konzentriert sich auf die Weiterentwicklung des BirdNET-Projekts zu BirdNET+. Durch diese Initiative soll die akustische Überwachung von Vogelarten verbessert werden. Seit meinem Einstieg in das Projekt habe ich faszinierende Erkenntnisse über die Kommunikationsmuster der Vögel gewonnen. Es ist besonders inspirierend zu sehen, wie KI-Technologien dazu beitragen können, effektive Strategien für den Umweltschutz zu entwickeln.

Nach meinem Masterabschluss begann ich meine Promotion im Bereich Natural Language Processing, wo ich mich mit Transformer-Modellen und Active Learning via Self-Supervised Learning beschäftigte. Ich bin zum Projekt DeepBirdDetect gewechselt, um die erforschten Methoden auf ein praktisches und herausforderndes Problem anzuwenden. Mein Ziel ist es, mit meiner Forschung einen echten Einfluss auf Klimawandel und Naturschutz zu haben. 

Mit meiner Arbeitsgruppe entwickle ich Ansätze und Verfahren, die es technischen Systemen ermöglicht autonom intelligente Entscheidungen zu treffen. Forschungsschwerpunkte liegen hierbei auf dem Umgang mit unbekannten Situationen oder dem Erbringen von Leistung in stark gestörten Bedingungen. Weiterhin beschäftigen wir uns intensiv mit Selbstlernenden Verfahren um technische Systeme auch im Betrieb kontinuierlich weiter zu entwickeln. In dem Projekt DeepBirdDetect können wir genau diese Ansätze praxisnah weiterentwickeln und einsetzen.

Ich bin seit März 2023 Doktorand in der Gruppe Intelligente Systeme an der Christian-Albrechts-Universität zu Kiel und werde von Prof. Dr.-Ing. Sven Tomforde betreut. Zuvor habe ich mein Masterstudium der Informatik mit der Arbeit "Autonomous ship collision avoidance trained on observational data" abgeschlossen. In dem Projekt DeepBirdDetect kann ich mein Interesse an der Vogelwelt mit Machine Learning Techniken verbinden. Mein Forschungsschwerpunkt liegt dabei im Bereich des Self-Supervised Learnings und des Few-Shot Learnings.

Ich bin wissenschaftliche Mitarbeiterin an der CAU in der Gruppe Intelligente Systeme unter der Leitung von Professor Sven Tomforde. Mit einem Master-Abschluss in Elektrotechnik und 2 Jahren Erfahrung in der Industrie als Elektroingenieur, gilt meine Leidenschaft der angewandten Wissenschaften und der Auswirkungen der wissenschaftlichen Forschung auf die realen Herausforderungen, vor allem diejenigen im Zusammenhang mit dem Umweltschutz. Meine Forschung konzentriert sich auf die intelligente Entscheidungsfindung im DBD-Projekt unter Verwendung von ML-Techniken.

Ich habe an der Humboldt-Universität zu Berlin Informatik und Psychologie studiert. Seit 2012 arbeite ich als wissenschaftlicher Mitarbeiter am Museum für Naturkunde. Das dort verortete Tierstimmenarchiv bot mir seither die ideale Gelegenheit mich intensiv mit verschiedenen Methoden der akustischen Mustererkennung zur Identifikation von Vögeln und anderen Tierarten in Audioaufnahmen zu beschäftigen. Durch regelmäßige Teilnahme an Programmierwettbewerben zur automatisierten Arterkennung (z.B. BirdCLEF und DCASE) konnte ich meine Erfahrungen auf diesem Gebiet über die Jahre weiter ausbauen. Ich freue mich sehr darauf, mein Wissen im DBD-Projekt einzubringen und dabei mit zu helfen, neue KI-Modelle für das Umweltmonitoring und als nützliches Tool für den Natur- und Artenschutz zu entwickeln.