Methodik
Artabel misst vor dem Bauen und noch einmal vor der Auslieferung: eine Baseline aus dem bestehenden Verfahren, ein Benchmark, der die reale Aufgabe abbildet, eine nach Folgen gewichtete Fehleranalyse und eine Begutachtung durch Personen, die das Ergebnis beurteilen können.
Offenlegung
Dr. Ludovic Amruthalingam, Direktor von Artabel, ist zugleich als Senior Researcher und Dozent an der Hochschule Luzern (HSLU) angestellt. Diese Anstellung gehört ihm persönlich. Sie ist keine Ressource von Artabel: Das Unternehmen verkauft weder Personal noch Infrastruktur der Hochschule, stellt sie nicht in Rechnung und gibt Hochschulprojekte nicht als eigene Leistung aus.
Seine wissenschaftlichen Publikationen und Projekte sind auf seinem Hochschulprofil und auf ORCID verzeichnet. Wo Artabel und die Hochschule gemeinsam in einem Forschungskonsortium auftreten, ist jede eine eigene Rechtsperson mit eigenen Aufgaben, Aufwänden und Kostennachweisen.
Methodentransfer
Weder Personal noch Einrichtungen — Methode. Vier konkrete Linien führen von begutachteter Forschung über eine Technik, die unser Ingenieurteam anwendet, zu etwas, das eine Kundin bekommt.
Akademischer Hintergrund des Direktors
Der Direktor von Artabel forscht akademisch zu Evaluation und Datenqualität, kompetitiv gefördert vom Schweizerischen Nationalfonds und von Innosuisse. Diese Forschung findet an der Hochschule statt und gehört ihr; sie steht hier, weil sie der Ursprung der von Artabel angewandten Methoden ist, und nicht als Leistung des Unternehmens.
Evaluation und Mensch–Maschine-Vergleich
Arbeiten zu gelernten Repräsentationen, diagnostischem Verhalten und der Leistung von Klinikerinnen und Modellen im Vergleich, unter kompetitiver nationaler Förderung. Daher stammen die Evaluationsprotokolle von Artabel: Baselines, die das System schlagen können, Fehleranalyse nach Schweregrad und Begutachtung durch qualifizierte Fachpersonen.
Datenqualität und synthetische Daten
Arbeiten zu Datenqualitätsaudits sowie zu Metriken und Benchmarks für synthetische Daten. Dahinter steht die Praxis von Artabel, einen Datensatz zu prüfen, bevor er modelliert wird, und messbare Abnahmekriterien vor Projektbeginn festzulegen.
Professionelle Dokumentationsabläufe
Spracherkennung kombiniert mit generativen Methoden, um strukturierte fachliche Dokumentation zu erzeugen, die eine qualifizierte Person prüft und verantwortet. Dieses Governance-Muster verwendet Artabel überall dort wieder, wo eine Maschine etwas entwirft, wofür eine Fachperson geradesteht.
Kulturerbe und Vermittlung
Hochschulprojekte zur Vermittlung für Museumspublikum, darunter quellengestützter dialogischer Zugang zu einem historischen Gebäude in einem Freilichtmuseum, sowie frühere Arbeiten zu generativen Methoden für traditionelle Musik und für publikumsnahe Exponate. Sie zeigen, dass verständliche, quellengestützte KI dem Kontakt mit realen Besucherinnen und Besuchern standhält.
Dies sind Hochschulprojekte. Die vollständige und massgebliche Liste findet sich auf dem Hochschulprofil.
Publikationsbilanz
Neunzehn Publikationen, 165 Zitationen, h-Index 8, i10-Index 6. Unten eine Auswahl; die vollständige Liste steht auf ORCID und Google Scholar.
Gröger F., Lionetti S., Gottfrois P., Gonzalez-Jimenez A., Amruthalingam L., Groh M., et al. Advances in Neural Information Processing Systems 37, 92273–92316. Selbstüberwachte Repräsentationen, um jene Datenqualitätsprobleme zu finden, die die Modellleistung still begrenzen.
Der erste grossskalige Benchmark zur Datenbereinigung im Bildbereich, aufgebaut auf dem dermatologischen Datensatz Fitzpatrick17k, zur Erkennung themenfremder Beispiele, Beinahe-Duplikate und Labelfehler. Befund: Selbstüberwachte Repräsentationen sind bei Beinahe-Duplikaten stark, klassische Verfahren bleiben bei begrenztem Prüfbudget bei themenfremden Beispielen konkurrenzfähig, und die Erkennung von Labelfehlern in feingliedriger medizinischer Klassifikation bleibt offen.
Amruthalingam L., et al. Journal of the European Academy of Dermatology and Venereology. Die meisten Hauterkrankungen haben Prädilektionsstellen, weshalb die genaue Lokalisierung einer Läsion die Differenzialdiagnose stützt — ein Musterfall dafür, klinisches Denken in ein Vision-Modell hineinzubauen statt darum herum.
Meienberger N., Anzengruber F., Amruthalingam L., Christen R., Koller T., et al. Die meistzitierte Arbeit der Bilanz und der Ursprung unserer Haltung: Ein Modell soll Beobachtervarianz beseitigen, nicht eine neue Quelle davon hinzufügen.
Gottfrois P., Grüger F., et al., mit Amruthalingam L. International Conference on Medical Image Computing and Computer-Assisted Intervention. Daten- und Methodenarbeit zur Abdeckungslücke, die viele dermatologische Modelle ausserhalb ihrer Trainingspopulation unsicher macht.
Die praktische Referenz, nach der wir arbeiten, wenn eine Kundin das klinische Problem hat, aber nicht den Datensatz — und der Grund, weshalb unsere erste Antwort selten „mehr Daten erzeugen“ lautet.
Translational Vision Science & Technology. Multimodale Biomarkermodellierung ausserhalb der Bildgebung, mit Prof. David Goldblum.
Healthcare Informatics Research. Läsionen zählen und charakterisieren, in einer Granularität, die Klinikerinnen gegen die eigene Beurteilung prüfen können.
Universität Basel. Die These — glaubwürdige klinische KI bezieht entweder den Arbeitsablauf der Dermatologin ein oder liefert Vorhersagen, die eine Klinikerin leicht überprüfen kann — ist das Entwurfsprinzip hinter allem, was Artabel für Fachleute baut.
Open Science
In Forschungsprojekten steuern wir offene Protokolle und Spezifikationen, nicht sensible Belege, Publikationen und die Berichterstattung negativer Fälle bei. In kommerziellen Mandaten wahren wir Vertraulichkeit absolut — aber die Methoden bleiben publizierbar, und das ist Absicht.