Alexander Timaschow ist ein ML-Ingenieur mit über einem Jahrzehnt Erfahrung in KI und maschinellem Lernen. Er hat einen Abschluss in Mathematik von der Indiana University und ein Abschlusszertifikat in künstlicher Intelligenz von der Stanford University. Aleksandrs Karriere erstreckt sich über mehrere Branchen, darunter E-Commerce, Öl und Gas sowie Fintech. In diesem Interview teilt Aleksandr seine einzigartigen Erfahrungen bei der Leitung bahnbrechender Projekte in Computer Vision und Data Science beim globalen Energiekonzern Petronas (Malaysia).
Hallo Aleksandr. Erzählen Sie unseren Lesern bitte von Ihrem Hintergrund und wie Sie zu Data Science und maschinellem Lernen gekommen sind.
Meine Leidenschaft für Mathematik begann schon in der Highschool, als ich an nationalen Olympiaden teilnahm. Diese Liebe zu Zahlen und Problemlösungen setzte sich an der Universität fort, wo ich mich zu Fächern wie linearer Algebra und Wahrscheinlichkeitstheorie hingezogen fühlte. Der Übergang zum maschinellen Lernen war angesichts meines mathematischen Hintergrunds ganz natürlich. Es ist ein spannendes Feld, das es mir ermöglicht, abstrakte Konzepte anzuwenden, um reale Probleme zu lösen.
Als mir eine Stelle im Bereich Machine Learning bei Petronas, einem großen malaysischen Konzern, angeboten wurde, sah ich darin eine unglaubliche Chance. Die Größe des Unternehmens und das Potenzial, einen bedeutenden Einfluss auszuüben, waren wichtige Faktoren für meine Entscheidung. Durch meine Arbeit bei Petronas konnte ich nicht nur die Unternehmensprozesse verbessern, sondern auch das Leben von Millionen Malaysiern positiv beeinflussen. Es ist eine Rolle, die meine technischen Fähigkeiten mit bedeutsamer, groß angelegter Wirkung verbindet.
Können Sie uns etwas über Petronas erzählen? Was für eine Art Unternehmen ist das? Und was hat Sie zu Petronas geführt? Was waren Ihre Ziele, als Sie dort angefangen haben?
Petronas ist ein riesiges staatliches Unternehmen in Malaysia, und obwohl es hauptsächlich in der Öl- und Gasindustrie tätig ist, hat es noch viel mehr zu bieten. Die Petronas-Unternehmensgruppe umfasst eine Reihe anderer Unternehmen, die mit Kuala Lumpur und Malaysia verbunden sind. Nehmen wir zum Beispiel an, dass KLCC Property Holding direkt mit Petronas verbunden ist. Das Unternehmen ist für die Sicherheit und Verwaltung der Kuala Lumpur City Center Twin Towers verantwortlich – der wunderschönen Zwillingstürme in der Hauptstadt Malaysias. Und der Einfluss des Unternehmens ist nicht auf Malaysia beschränkt – es ist in mehr als 100 Ländern auf der ganzen Welt vertreten.
Petronas ist in verschiedenen Branchen tätig – von der Petrochemie über die Logistik bis hin zu Ingenieurdienstleistungen. Das Unternehmen ist auch dafür bekannt, in mehreren Bereichen der digitalen Technologie Pionierarbeit zu leisten, darunter Cybersicherheit, IoT und – was mich besonders beschäftigt – künstliche Intelligenz.
Als ich als Experte für maschinelles Lernen und Datenwissenschaft zu Petronas kam, bestand mein wichtigstes Ziel darin, Erfahrungen in einem Unternehmen mit enormen Verbesserungsmöglichkeiten zu sammeln und mein Wissen mit so vielen jungen Talenten wie möglich zu teilen.
Und haben Sie diese Ziele erreicht?
Das war sicherlich ein fruchtbarer Boden für meine Ambitionen! Als ich in das Unternehmen eintrat, wurde gerade eine große Abteilung für Data Science/Maschinelles Lernen gegründet – damals waren diese Technologien im Unternehmen noch nicht getrennt. Als ich kam, waren bereits mehrere Dutzend Leute in der Abteilung, und sie arbeiteten noch an der strategischen Roadmap für die Abteilung. Gleichzeitig bestand der große Vorteil dieser Situation darin, dass es viele Verbesserungsmöglichkeiten und viele Richtungen gab, in die man gehen konnte. Ich wählte Computer Vision als eines meiner Lieblingsfelder der KI. Um über diese Zeit zu sprechen, gebe ich Ihnen ein Beispiel: Ein Computer Vision-Modell, das das Unternehmen verwendete, als ich anfing, konnte ein Gigabyte „wiegen“. Schon am ersten Tag, dem Tag, an dem ich dort anfing, erstellte ich spontan ein Modell, das 20-mal kleiner und viel genauer war.
Der Leiter der Abteilung, die mit diesem Modell arbeitete, war überrascht, wie schnell und genau mein Modell funktionierte. Sie waren sehr interessiert und fragten mich, ob ich die Arbeit anderer Modelle optimieren könne. Ich stimmte zu, unter der Bedingung, dass ich, wenn ich etwas tue, dafür verantwortlich bin und die erforderlichen Ressourcen zur Verfügung gestellt bekomme. Und so bekam ich freie Hand, das Computer Vision-Team aufzubauen, um es zu einer effizienten Einheit zu machen, die Petronas dabei helfen würde, seine Ziele zu erreichen. Die Leute, die ich geschult habe, sind immer noch ein zentraler Teil des Computer Vision-Teams bei Petronas.
Wie also sind Sie mit der Herausforderung umgegangen, von Grund auf ein schlagkräftiges Computer-Vision-Team aufzubauen?
Das war eigentlich nicht nur eine, sondern gleich mehrere Herausforderungen. Im Gegensatz zu kleineren Unternehmen und Startups sind große Unternehmen mit etablierten Strukturen und Geschäftsprozessen oft änderungsscheu. Als ich dazukam, hatte Petronas bereits funktionierende Prozesse und es war nicht immer offensichtlich, wie Computer Vision helfen könnte, diese Prozesse noch effizienter zu gestalten. Wir mussten also einerseits verschiedene Abteilungen im Unternehmen davon überzeugen, eine neue Technologie anzunehmen, und andererseits dafür sorgen, dass die Technologie für sie funktioniert.
Und das führt uns zur zweiten Herausforderung – dem Aufbau eines Teams, das all diese Änderungen umsetzen würde. Die Abteilung war bereits in Betrieb, als ich dazukam, und ich konnte nicht gleich mit einer Aufstockung des Personals beginnen – ich musste Leute auswählen und schulen, die bereits da waren. Und ich war begeistert, wie talentiert Leute sein konnten, selbst wenn sie noch nie mit Computer Vision gearbeitet hatten! Ich konnte Leute im Unternehmen und in der Abteilung finden, die daran interessiert waren, die Art und Weise zu ändern, wie Dinge erledigt wurden, Leute, die kritisch denken und gerne komplexe mathematische Probleme lösen – und das ist nicht immer eine leichte Aufgabe! Es kostete also viel Zeit und all meine Kommunikationsfähigkeiten, aber ich schaffte es, Leute im Unternehmen dazu zu bewegen, sich mit Computer Vision vertraut zu machen.
Können Sie uns etwas über Ihre Arbeit mit Computer Vision bei Petronas erzählen?
Ich habe mehrere Projekte geleitet, die die technologischen Fähigkeiten des Unternehmens dramatisch verbessert haben:
Echtzeit-Videoanalyse für Sicherheit:
Wir haben ein fortschrittliches System entwickelt, das Deep-Learning-Algorithmen in die vorhandene CCTV-Infrastruktur integriert. Dieses Projekt hat die Herausforderungen bei der Verarbeitung riesiger Mengen visueller Daten in Echtzeit und der Anpassung an verschiedene Umgebungsbedingungen gemeistert. Das resultierende System erkennt Sicherheitsbedrohungen präzise, optimiert Sicherheitsabläufe und positioniert Petronas als führenden Anbieter von KI-gesteuerter Sicherheit im malaysischen Energiesektor.
Automatisierte Inspektionen industrieller Anlagen:
Wir haben Drohnentechnologie mit fortschrittlichen Bilderkennungsalgorithmen kombiniert, um Anlageninspektionen zu automatisieren. Für dieses beispiellose Projekt in Malaysia mussten robuste Modelle erstellt werden, um Defekte in verschiedenen Industrieanlagen unter unterschiedlichen Bedingungen zu identifizieren. Wir haben eine benutzerdefinierte Datenpipeline entwickelt, um die immense Menge an visuellen Daten zu verarbeiten, was zu erheblichen Kosteneinsparungen und einer geringeren Belastung der Menschen durch gefährliche Umgebungen führte.
Digitalisierung von technischen Zeichnungen:
Wir haben die Digitalisierung der umfangreichen technischen Zeichnungssammlung von Petronas mithilfe einer Kombination aus OCR und Zeichnungserkennungsalgorithmen in Angriff genommen. Eine zentrale Herausforderung bestand darin, die Erkennungen der Drohneninspektionen auf reale Karten abzubilden. Dieses Projekt hat die Zugänglichkeit und Nutzung wichtiger technischer Informationen erheblich verbessert und so die Betriebseffizienz und die Entscheidungsprozesse verbessert.
Bei diesen Projekten habe ich zahlreiche ML-Ingenieure betreut und so eine Innovationskultur bei Petronas gefördert. Meine Arbeit zeugte von umfassender Expertise in Computer Vision, Deep Learning und industriellem IoT und zeigte die Fähigkeit, Spitzentechnologien an die spezifischen Bedürfnisse der Öl- und Gasindustrie anzupassen und beispiellose Herausforderungen im malaysischen Kontext zu bewältigen.
Sie haben uns erzählt, dass Sie diese Projekte in den Jahren 2020–2022 umsetzen würden, also begann alles in der Covid-19-Zeit. Haben die Pandemie und die Isolation Ihre Arbeit erschwert?
Natürlich hat die Pandemie unseren Betrieb beeinflusst, genau wie überall auf der Welt. Im Wesentlichen wurden die Prioritäten, die mein Team gesetzt hatte, geändert und wir begannen, uns auf Aufgaben wie Menschenmengenmanagement, Gesichtsmaskenerkennung usw. zu konzentrieren. Sehen Sie, als riesiger Staatskonzern ist Petronas für viele öffentliche Orte verantwortlich, darunter auch den KLCC-Park, und es ist wirklich cool, dass unsere Arbeit damals dazu beigetragen hat, während COVID viele Leben zu retten.
Übrigens war es nicht nur COVID, das unsere Arbeit komplizierter und anspruchsvoller und interessanter machte. Malaysia ist ein überwiegend muslimisches Land, und das bedeutet, dass sich die Menschen dort möglicherweise anders verhalten und sogar anders kleiden als die Menschen in den Ländern, in denen die meisten ML- und Computer Vision-Modelle normalerweise trainiert werden. Es gab eine gewisse Voreingenommenheit, die wir überwinden mussten, damit dieselben Modelle in einer deutlich anderen Umgebung funktionieren.
Das klingt wirklich faszinierend! Können Sie uns mehr darüber erzählen?
Beispielsweise stammen vorab trainierte Modelle meist aus westlichen Ländern, in denen es nicht viele Frauen gibt, die ihren Kopf in unterschiedlichem Ausmaß bedecken. Es war ziemlich problematisch, Frauen mit Kopfbedeckungen zu erkennen! Wir mussten den Datensatz neu zusammenstellen, die Modelle neu trainieren usw. Dieses Problem gibt es nur in Malaysia.
Und zweitens, wie ich bereits sagte, ist da die Kultur selbst. In Malaysia ist es weniger wahrscheinlich, dass die Menschen ihre Meinung offen äußern. In dieser Hinsicht musste ich meinen Teamkollegen – absichtlich – zeigen, dass auch ich falsch liegen könnte. Und als sie mich nach und nach auf meine Fehler hinwiesen, ermutigte sie das. Auf diese etwas umständliche Art und Weise baute ich nach und nach ein kollaborativeres Umfeld auf, das westlichen Unternehmen so vertraut ist, für Malaysia jedoch völlig neu ist.
Sie haben aus dem Nichts ein Team zusammengestellt, das an der Spitze der modernsten Technologie arbeitet. Welchen Rat würden Sie angehenden Data-Science- und Machine-Learning-Spezialisten geben, die in ihrer Karriere etwas bewegen möchten?
Angehenden Data Science- und Machine Learning-Spezialisten habe ich drei wichtige Ratschläge:
Beurteilen Sie kritisch, ob dieses Feld wirklich Ihren Leidenschaften entspricht. DS und ML sind komplex und äußerst wettbewerbsintensiv. Um erfolgreich zu sein, sind nicht nur Fähigkeiten, sondern auch echte Begeisterung erforderlich.
Wenn Sie sicher sind, dass dies Ihr Weg ist, verpflichten Sie sich zu intensivem, kontinuierlichem Lernen. Wie Andrej Karpathy bemerkte, braucht es etwa 10.000 Stunden engagierter Arbeit, um ein echter Profi auf diesem Gebiet zu werden.
Konzentrieren Sie sich auf die Zusammenarbeit mit Top-Unternehmen oder Forschungslaboren, in denen Sie mit führenden Köpfen auf diesem Gebiet zusammenarbeiten können. Wenn Sie sich mit brillanten Kollegen umgeben, wird Ihr Wachstum exponentiell beschleunigt. Sie werden mit hochaktuellen Problemen, innovativen Lösungen und einem Maß an Fachwissen konfrontiert, das Sie täglich herausfordert und inspiriert.
Denken Sie daran: Wenn DS und ML wirklich Ihre Leidenschaft sind, werden diese Herausforderungen spannend sein. Diese Begeisterung, gepaart mit dem Kontakt zu Top-Talenten, wird der Schlüssel zu einem großen Erfolg Ihrer Karriere sein.
Welche aktuellen Trends und Fortschritte im Bereich Computer Vision finden Sie am spannendsten und vielversprechendsten?
Während die Verarbeitung natürlicher Sprache in letzter Zeit erhebliche Fortschritte gemacht hat, glaube ich, dass Computer Vision noch immer stark unterschätzt wird und ein enormes ungenutztes Potenzial birgt. Wir sind noch weit davon entfernt, die Fähigkeiten des Menschen in der visuellen Wahrnehmung und im Verständnis zu erreichen.
Einer der vielversprechendsten Trends im Bereich Computer Vision ist das selbstüberwachte Lernen. Dieser Ansatz, der mit der Art und Weise verglichen werden kann, wie Kinder durch Beobachten ihrer Umwelt lernen, hat großes Potenzial gezeigt, den Bedarf an großen, gekennzeichneten Datensätzen zu reduzieren. Ich glaube jedoch, dass noch immer ein entscheidendes Element fehlt, um menschliches visuelles Lernen und Verstehen vollständig nachzubilden.
Ich bin besonders begeistert von der Entwicklung der generativen KI im Bereich CV, insbesondere von Diffusions- und Konsistenzmodellen. Diese Technologien revolutionieren die Bilderzeugung, -bearbeitung und -interpretation. Diffusionsmodelle zeichnen sich durch die Erstellung vielfältiger, qualitativ hochwertiger Bilder aus, während Konsistenzmodelle unsere Fähigkeit verbessern, die Kohärenz über verschiedene visuelle Perspektiven hinweg aufrechtzuerhalten.
Trotz dieser Fortschritte stehen wir noch ganz am Anfang, was die volle Nutzung von CV angeht. Das Feld ist reif für Innovationen, insbesondere für die Entwicklung robusterer, verallgemeinerbarer Modelle, die in unterschiedlichen Kontexten ein visuelles Verständnis auf menschlichem Niveau erreichen können. Das macht es zu einer unglaublich spannenden Zeit, im Bereich Computer Vision zu arbeiten, mit reichlich Gelegenheiten für bahnbrechende Forschung und Anwendungen.“
Diese Kurzfassung enthält die wichtigsten Punkte zum aktuellen Stand des Lebenslaufs, Ihre Sicht auf dessen Potenzial und die spannenden Entwicklungen auf diesem Gebiet, ist dabei jedoch fokussierter und auf den Punkt gebracht.
Bildnachweis für vorgestelltes Bild: rawpixel.com/Freepik
