解决汽车和人脑问题的算法

如果您的汽车可以告诉您哪些零件已损坏以及修理费用将如何处理?在他的博士学位期间 在宝马，米兰·科赫(Milan Koch)设计了自动损坏评估服务，这是一项客户服务。“即使在如此糟糕的情况下，这对于客户来说也应该是一个很好的体验。”

时间序列问题

“从头开始，我们已经开发出一种服务理念，用于检测低速事故中损坏的零件。汽车本身能够检测出损坏的零件，并可以估算出维修成本和时间。” 科赫解释。他使用来自传感器的数据，这些传感器随时间推移从汽车的不同部位收集数据。因此，可以将此问题归类为多元时间序列问题。

Koch根据机器学习，深度学习以及最先进的AutoML方法(自动机器学习)开发并比较了不同的多元时间序列方法，这些方法具有不同的复杂程度，以找到解决多元时间序列问题的最佳方法。对于多元时间序列问题，两种AutoML方法和他手工制作的机器学习管道都给出了最佳结果。

领域转移

他创建的机器学习管道不仅适用于汽车领域，还可以应用于其他多元时间序列问题。Koch与莱顿大学医学中心(LUMC)的研究人员合作，使用他手工制作的管道分析脑电图(EEG)数据。Koch：“我们基于EEG数据预测了患者的认知，因为在进行深部脑刺激(DBS)手术的筛查过程中需要对认知功能进行准确评估。患有晚期认知功能减退的患者被认为是DBS认知功能的次佳候选者可能会在手术后恶化，但是认知功能有时难以准确评估，对EEG模式的分析可能会提供其他生物标记。机器学习管道非常适合应用于此问题。我们开发了用于汽车领域的算法，最初我们无意将其应用于医疗领域，但是效果很好。”

现在，他的管道还用于肌电图(EMG)数据中，以区分患有运动疾病的人和健康的人。

Koch将继续在宝马集团工作，在那里他将专注于面向客户的服务，预测性维护应用和车辆诊断的优化。