{"id":23787,"date":"2025-07-24T13:29:54","date_gmt":"2025-07-24T13:29:54","guid":{"rendered":"https:\/\/lamarr-institute.org\/?p=23787"},"modified":"2025-07-24T14:02:36","modified_gmt":"2025-07-24T14:02:36","slug":"koerner-grace-hopper-preis-2025","status":"publish","type":"post","link":"https:\/\/lamarr-institute.org\/de\/news\/koerner-grace-hopper-preis-2025\/","title":{"rendered":"Grace Hopper Preis f\u00fcr KI-gest\u00fctzte Zeitreihenaufbereitung: Antonia K\u00f6rner f\u00fcr Masterarbeit ausgezeichnet"},"content":{"rendered":"\n

Antonia K\u00f6rner erh\u00e4lt den Grace Hopper Preis<\/a> des Instituts f\u00fcr Informatik<\/a> an der Universit\u00e4t Bonn<\/a> f\u00fcr ihre Masterarbeit zur KI-gest\u00fctzten Rekonstruktion fehlender Zeitreihendaten. Zus\u00e4tzlich wurde sie f\u00fcr ihre herausragenden Leistungen mit dem Preis der Bonner Informatik-Gesellschaft e.V. (BIG)<\/a> ausgezeichnet, der j\u00e4hrlich exzellente Abschlussarbeiten pr\u00e4miert. Die Arbeit entstand in enger Zusammenarbeit mit dem Lamarr-Institut und ist Teil einer internationalen Fachpublikation.<\/p>\n\n\n\n

Fehlende Werte in kritischen Systemen \u2013 und eine \u00fcberzeugende L\u00f6sung<\/h2>\n\n\n\n

Zeitreihendaten \u2013 etwa aus der Medizin, dem Umweltschutz oder der Industrie \u2013 bilden die Grundlage vieler datenbasierter Entscheidungen. Doch sie sind h\u00e4ufig unvollst\u00e4ndig: Messfehler, technische Ausf\u00e4lle oder L\u00fccken in der Aufzeichnung erschweren die Analyse. Antonia K\u00f6rner hat sich diesem Problem in ihrer Masterarbeit gewidmet \u2013 und ein Modell entwickelt, das fehlende Werte automatisch erg\u00e4nzt, ohne je mit realen Daten trainiert worden zu sein.<\/p>\n\n\n\n

KI-Modell zur Zeitreihenimputation \u2013 Zero-Shot statt Nachtraining<\/h2>\n\n\n\n

Der Kern des Ansatzes: ein sogenanntes Foundation Model, das ausschlie\u00dflich auf synthetisch erzeugte Zeitreihen trainiert wird \u2013 also auf k\u00fcnstlich generierten Daten, die echten Messwerten m\u00f6glichst nahekommen. Diese Strategie folgt dem Zero-Shot-Prinzip: Das Modell wird ein einziges Mal trainiert und danach direkt auf reale Anwendungsf\u00e4lle \u00fcbertragen, ohne das Modell auf die jeweilige Anwendung anzupassen.<\/p>\n\n\n\n

\u201eMich hat fasziniert, wie vielseitig und robust ein Modell sein kann \u2013 selbst wenn es nie reale Daten gesehen hat\u201c, beschreibt sie ihren Antrieb.<\/p>\n\n\n\n

Damit erschlie\u00dft K\u00f6rner ein bisher kaum adressiertes Feld in der Zeitreihenforschung. Ihr Modell bew\u00e4ltigt verschiedenste Eingaben zuverl\u00e4ssig \u2013 egal ob regelm\u00e4\u00dfig oder unregelm\u00e4\u00dfig verteilt, mit wenigen oder vielen Datenpunkten, skalierbar \u00fcber beliebig viele Dimensionen. Zus\u00e4tzlich integriert sie ein Ma\u00df, das die Unsicherheit der Vorhersagen einsch\u00e4tzt \u2013 ein zentraler Baustein f\u00fcr vertrauensw\u00fcrdige KI-Anwendungen. Die Ergebnisse der Arbeit zeigen: Der Zero-Shot-Ansatz kann mit Methoden mithalten, die f\u00fcr jeden Datensatz erneut trainiert werden m\u00fcssen \u2013 bei deutlich geringerem Rechenaufwand. Der von K\u00f6rner entwickelte Code gilt heute als offizielle Referenzimplementierung des Projekts und ist Teil der wissenschaftlichen Publikation \u201eZero-shot Imputation with Foundation Inference Models for Dynamical Systems<\/a>\u201d, deren Mitautorin sie ist.<\/p>\n\n\n\n

Zusammenarbeit mit dem Lamarr-Institut<\/h2>\n\n\n\n

Die Arbeit entstand in enger Zusammenarbeit mit dem Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz, betreut durch unsere Wissenschaftler Dr. Rams\u00e9s J. S\u00e1nchez<\/a>, Patrick Seifner und Dr. Kostadin Cvejoski.<\/p>\n\n\n\n

\u201eAntonia K\u00f6rner kombiniert tiefes mathematisches Verst\u00e4ndnis mit exzellenten technischen F\u00e4higkeiten. Sie arbeitet zuverl\u00e4ssig, kommuniziert klar und hat sich schnell in das Autorenteam integriert\u201c, so ihre Betreuer. \u201eIhre Ergebnisse sind ein signifikanter Teil der Publikation \u2013 und ein echter Beitrag zur Forschung.\u201c<\/p>\n\n\n\n

Pers\u00f6nliche Entwicklung und wissenschaftlicher Beitrag<\/h2>\n\n\n\n

K\u00f6rner selbst blickt dankbar auf die intensive Zeit zur\u00fcck. Besonders sch\u00e4tzt sie die Balance aus Eigenverantwortung und Teamarbeit: \u201eIch hatte viele Freiheiten, Dinge selbst auszuprobieren, konnte aber gleichzeitig regelm\u00e4\u00dfig R\u00fccksprache halten. Das hat mir sowohl fachlich als auch pers\u00f6nlich viel gegeben.\u201c<\/p>\n\n\n\n

Auch ihre pers\u00f6nliche Entwicklung spiegelt sich in der Auszeichnung mit dem Grace Hopper Preiswider. Nach anf\u00e4nglichen Zweifeln w\u00e4hrend des Mathematikstudiums fand sie \u00fcber die Arbeit an realen Projekten zu neuem Selbstvertrauen. \u201eSeitdem sehe ich jedes Projekt als eine Art Spiegel: Es zeigt mir, was ich gelernt habe \u2013 und wo ich gerade stehe.\u201c<\/p>\n\n\n\n

Der Grace Hopper Preis w\u00fcrdigt Exzellenz und Mut<\/h2>\n\n\n\n

Der Grace Hopper Preis erinnert an die gleichnamige US-amerikanische Informatikpionierin, die f\u00fcr ihren Mut bekannt war, unkonventionelle Wege zu gehen \u2013 ganz nach ihrem Motto: \u201eIf in doubt \u2013 do it.\u201c<\/em><\/p>\n\n\n\n

Ein Leitsatz, dem sich auch Antonia K\u00f6rner anschlie\u00dft.: \u201eIch 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 \u2013 aber man muss bereit sein, loszugehen.\u201c<\/p>\n\n\n\n

Mit ihrer Arbeit beweist sie, dass wissenschaftliche Exzellenz nicht laut sein muss, um Gro\u00dfes zu bewegen. Sie zeigt, was m\u00f6glich ist, wenn Neugier auf Tiefe trifft \u2013 und Zweifel auf den Mut, es trotzdem zu versuchen.<\/p>\n","protected":false},"excerpt":{"rendered":"

Masterstudentin Antonia K\u00f6rner erh\u00e4lt den Grace Hopper Preis f\u00fcr ihre mit dem Lamarr-Institut entwickelte Thesis: ein Zero-Shot-Modell zur Erg\u00e4nzung fehlender Werte in Zeitreihendaten.<\/p>\n","protected":false},"author":16,"featured_media":23778,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[177,175],"tags":[736,738],"class_list":["post-23787","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-bildung","category-wissenschaft","tag-auszeichnung","tag-studium"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts\/23787","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/16"}],"replies":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/comments?post=23787"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts\/23787\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/23778"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=23787"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/categories?post=23787"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/tags?post=23787"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}