解決汽車和人腦問題的算法

如果您的汽車可以告訴您哪些零件已損壞以及修理費用將如何處理?在他的博士學位期間 在寶馬，米蘭·科赫(Milan Koch)設計了自動損壞評估服務，這是一項客戶服務。“即使在如此糟糕的情況下，這對于客戶來說也應該是一個很好的體驗。”

時間序列問題

“從頭開始，我們已經開發出一種服務理念，用于檢測低速事故中損壞的零件。汽車本身能夠檢測出損壞的零件，并可以估算出維修成本和時間。” 科赫解釋。他使用來自傳感器的數據，這些傳感器隨時間推移從汽車的不同部位收集數據。因此，可以將此問題歸類為多元時間序列問題。

Koch根據機器學習，深度學習以及最先進的AutoML方法(自動機器學習)開發并比較了不同的多元時間序列方法，這些方法具有不同的復雜程度，以找到解決多元時間序列問題的最佳方法。對于多元時間序列問題，兩種AutoML方法和他手工制作的機器學習管道都給出了最佳結果。

領域轉移

他創建的機器學習管道不僅適用于汽車領域，還可以應用于其他多元時間序列問題。Koch與萊頓大學醫學中心(LUMC)的研究人員合作，使用他手工制作的管道分析腦電圖(EEG)數據。Koch：“我們基于EEG數據預測了患者的認知，因為在進行深部腦刺激(DBS)手術的篩查過程中需要對認知功能進行準確評估。患有晚期認知功能減退的患者被認為是DBS認知功能的次佳候選者可能會在手術后惡化，但是認知功能有時難以準確評估，對EEG模式的分析可能會提供其他生物標記。機器學習管道非常適合應用于此問題。我們開發了用于汽車領域的算法，最初我們無意將其應用于醫療領域，但是效果很好。”

現在，他的管道還用于肌電圖(EMG)數據中，以區分患有運動疾病的人和健康的人。

Koch將繼續在寶馬集團工作，在那里他將專注于面向客戶的服務，預測性維護應用和車輛診斷的優化。