Antonia Körner erhält den Grace Hopper Preis des Instituts für Informatik an der Universität Bonn für ihre Masterarbeit zur KI-gestützten Rekonstruktion fehlender Zeitreihendaten. Zusätzlich wurde sie für ihre herausragenden Leistungen mit dem Preis der Bonner Informatik-Gesellschaft e.V. (BIG) ausgezeichnet, der jährlich exzellente Abschlussarbeiten prämiert. Die Arbeit entstand in enger Zusammenarbeit mit dem Lamarr-Institut und ist Teil einer internationalen Fachpublikation.
Fehlende Werte in kritischen Systemen – und eine überzeugende Lösung
Zeitreihendaten – etwa aus der Medizin, dem Umweltschutz oder der Industrie – bilden die Grundlage vieler datenbasierter Entscheidungen. Doch sie sind häufig unvollständig: Messfehler, technische Ausfälle oder Lücken in der Aufzeichnung erschweren die Analyse. Antonia Körner hat sich diesem Problem in ihrer Masterarbeit gewidmet – und ein Modell entwickelt, das fehlende Werte automatisch ergänzt, ohne je mit realen Daten trainiert worden zu sein.
KI-Modell zur Zeitreihenimputation – Zero-Shot statt Nachtraining
Der Kern des Ansatzes: ein sogenanntes Foundation Model, das ausschließlich auf synthetisch erzeugte Zeitreihen trainiert wird – also auf künstlich generierten Daten, die echten Messwerten möglichst nahekommen. Diese Strategie folgt dem Zero-Shot-Prinzip: Das Modell wird ein einziges Mal trainiert und danach direkt auf reale Anwendungsfälle übertragen, ohne das Modell auf die jeweilige Anwendung anzupassen.
„Mich hat fasziniert, wie vielseitig und robust ein Modell sein kann – selbst wenn es nie reale Daten gesehen hat“, beschreibt sie ihren Antrieb.
Damit erschließt Körner ein bisher kaum adressiertes Feld in der Zeitreihenforschung. Ihr Modell bewältigt verschiedenste Eingaben zuverlässig – egal ob regelmäßig oder unregelmäßig verteilt, mit wenigen oder vielen Datenpunkten, skalierbar über beliebig viele Dimensionen. Zusätzlich integriert sie ein Maß, das die Unsicherheit der Vorhersagen einschätzt – ein zentraler Baustein für vertrauenswürdige KI-Anwendungen. Die Ergebnisse der Arbeit zeigen: Der Zero-Shot-Ansatz kann mit Methoden mithalten, die für jeden Datensatz erneut trainiert werden müssen – bei deutlich geringerem Rechenaufwand. Der von Körner entwickelte Code gilt heute als offizielle Referenzimplementierung des Projekts und ist Teil der wissenschaftlichen Publikation „Zero-shot Imputation with Foundation Inference Models for Dynamical Systems”, deren Mitautorin sie ist.
Zusammenarbeit mit dem Lamarr-Institut
Die Arbeit entstand in enger Zusammenarbeit mit dem Lamarr-Institut für Maschinelles Lernen und Künstliche Intelligenz, betreut durch unsere Wissenschaftler Dr. Ramsés J. Sánchez, Patrick Seifner und Dr. Kostadin Cvejoski.
„Antonia Körner kombiniert tiefes mathematisches Verständnis mit exzellenten technischen Fähigkeiten. Sie arbeitet zuverlässig, kommuniziert klar und hat sich schnell in das Autorenteam integriert“, so ihre Betreuer. „Ihre Ergebnisse sind ein signifikanter Teil der Publikation – und ein echter Beitrag zur Forschung.“
Persönliche Entwicklung und wissenschaftlicher Beitrag
Körner selbst blickt dankbar auf die intensive Zeit zurück. Besonders schätzt sie die Balance aus Eigenverantwortung und Teamarbeit: „Ich hatte viele Freiheiten, Dinge selbst auszuprobieren, konnte aber gleichzeitig regelmäßig Rücksprache halten. Das hat mir sowohl fachlich als auch persönlich viel gegeben.“
Auch ihre persönliche Entwicklung spiegelt sich in der Auszeichnung mit dem Grace Hopper Preiswider. Nach anfänglichen Zweifeln während des Mathematikstudiums fand sie über die Arbeit an realen Projekten zu neuem Selbstvertrauen. „Seitdem sehe ich jedes Projekt als eine Art Spiegel: Es zeigt mir, was ich gelernt habe – und wo ich gerade stehe.“
Der Grace Hopper Preis würdigt Exzellenz und Mut
Der Grace Hopper Preis erinnert an die gleichnamige US-amerikanische Informatikpionierin, die für ihren Mut bekannt war, unkonventionelle Wege zu gehen – ganz nach ihrem Motto: „If in doubt – do it.“
Ein Leitsatz, dem sich auch Antonia Körner anschließt.: „Ich freue mich sehr, dass mein Engagement gesehen wird. Vielleicht motiviert es andere Studierende, sich ebenfalls voll und ganz in ein Thema zu vertiefen. Man muss nicht alles allein wissen – aber man muss bereit sein, loszugehen.“
Mit ihrer Arbeit beweist sie, dass wissenschaftliche Exzellenz nicht laut sein muss, um Großes zu bewegen. Sie zeigt, was möglich ist, wenn Neugier auf Tiefe trifft – und Zweifel auf den Mut, es trotzdem zu versuchen.