Patrick Knab

Main Research Focus: - Advancing Explainable AI (XAI) in the vision domain by leveraging foundation models for concept-based visual explanations. - Exploring segmentation and object detection models to enhance interpretability by integrating concept knowledge into model explanations. - Investigating how spatial information in Vision-Language Models (VLMs) can be utilized to steer explanations in a multimodal manner and improve these systems.

Main Research Focus: - Advancing Explainable AI (XAI) in the vision domain by leveraging foundation models for concept-based visual explanations. - Exploring segmentation and object detection models to enhance interpretability by integrating concept knowledge into model explanations. - Investigating how spatial information in Vision-Language Models (VLMs) can be utilized to steer explanations in a multimodal manner and improve these systems.

Erstellung meiner Masterarbeit in Kooperation mit Bosch, mit dem Schwerpunkt der Erklärbarkeit von AutoEncodern (neuronale Netze), basierend auf industrielle Zeitreihen zur Fehlererkennung. Titel der Thesis: "Explainable Outlier Detection for Autoencoders in the Domain of Time Series"

Unterstützende wissenschaftliche Hilfskraft am Institut for Enterprise Systems im Forschungsbereich: - Erklärbarkeit von künstlichen neuronalen Netzen (Explainability of AI).

- Entwicklung von Machine Learning Modellen in der Produktion (hauptsächlich DL) - Entwicklung von AutoEncoder Modellen für das Delektieren von unbekannten Fehlern. - Entwicklung von Modellen zur Erklärbarkeit von AutoEncoder (XAI) - Entwicklung und Konzipierung von Datengenerierungsmethoden

- Entwicklung von Machine Learning Modellen in der Produktion (hauptsächlich DL) - Zeitreihen Klassifikation für bekannte Fehler sowie AutoEncoder Modelle für Unsupervised Learning - Object Detection Modelle zur Roboter-Steuerung - Entwicklung und Konzipierung von Datengenerierungsmethoden - Eigens entwickelte "KI-Box" für skalierbare Anwendungsbereiche zur Datengenerierung in der Produktion

- Entwicklung von Machine Learning Modellen in der Produktentwicklung (hauptsächlich DL) - Einteilung von Zeitreihen in ihre Prozessschritte, mit Detektierung von charakteristischen Punkten innerhalb der Zeitreihe selbst. (Supervised Learning) - Entwicklung und Konzipierung von möglichen Methoden, wie man Daten effizient aufzeichnet und für Datenanalysemethoden speichert. (In bereits vorhandenen Produktionslinien)

Bachelorarbeit, "Applied Machine Learning for Error Detection in Winding Processes". Note: 1,3

- Konfiguration und Einrichtung eines MS IIS Webservers inkl. Trennung von Test und Produktivsystem - Entwicklung von Powershell Skripten zur Automatisierung des Webservers (z.8. Anlegen neuer Webanwendungen, Kopieren der Projekte von Test auf Produktiv, etc.) - Entwicklung einer Webapplikation in ASP.NET mit Angular Frontend als Benutzerfrontend zum Aufruf der Power-Shell Scripte

- Datenaufbereitung und Datenmanagement - Datenanalyse von SAP Datenbanken - Entwicklung eines Datenanalyse Tools