Prof. Dr. Stephan Matzka

„Durch verständliche Beispiele aus der Praxis wird ein vermeintlich schweres Thema plötzlich leicht. Mich motiviert es, wenn die Teilnehmer dadurch zukünftig selbstbewusst gute und fundierte Entscheidungen treffen können.“

Kurzprofil

Professor für Mechatronik im Studiengang Maschinenbau der HTW Berlin. Beratung und Mentoring bei Industrie 4.0 Projekten mit Fokus auf künstlicher Intelligenz, insbesondere auch Schaffung von Beurteilungskompetenz hierzu im Unternehmen.

Arbeitsschwerpunkte

Künstliche Intelligenz, maschinelles Lernen (insbesondere für Entscheider und Führungskräfte)

Berufserfahrung

  • Seit 2017 Professur für Mechatronik im Studiengang Maschinenbau, Schwerpunkt Künstliche Intelligenz im Maschinenbau
  • 2014-2017 Senior Manager Automatisierungstechnik Montage bei einem Automotive OEM
  • 2012-2013 Assistent des Leiters Vorseriencenter bei einem Automotive OEM
  • 2009-2012 Projektleiter Produkt-/Prozesstechnik Elektromobilität im Vorseriencenter bei einem Automotive OEM
  • 2005-2009 Wissenschaftlicher Mitarbeiter Vorentwicklung Fahrerassistenzsysteme

Qualifikation

  • Promotion Elektrotechnik, Heriot-Watt University, Edinburgh, UK.
  • Studium Elektro- und Informationstechnik, TH Ingolstadt und St. Cloud State University, MN, USA.
  • Duale Ausbildung Industrie-Elektroniker bei der AUDI AG, Ingolstadt.

Arbeitssprachen

  • Deutsch
  • Englisch

Publikationen

  • Matzka, S. und Franke, A. (2019) "Developing a Condition Monitoring System as an Artificial Intelligence Lab Experiment", In: Proceedings of the International Conference on Information and Education Innovations, ACM.
  • Matzka, S. (2018): Using Process Quality Prediction to increase Resource Efficiency in Manufacturing Processes. In: Proceedings of the 2018 IEEE International Conf. on Artificial Intelligence for Industries, IEEE.
  • Matzka, S., Schemmerer A., Blum, A., Rahman, P. (2017): Patent DE102015009395 "Verfahren zum Kontrollieren eines Verschraubungsprozesses".
  • Matzka, S., Wallace, A., Petillot, Y. (2012): Efficient Resource Allocation for Attentive Automotive Vision Systems. In: IEEE Transactions on Intelligent Transportation Systems.
  • Matzka, S., Altendorfer, R. (2009): A Comparison of Track-to-Track Fusion Algorithms for Automotive Sensor Fusion. In: IEEE, Multisensor Fusion and Integration for Intelligent Systems, Springer.

Branchenkenntnisse

  • Automotive Industrie
  • Automatisierungstechnik
  • Chemische Industrie
  • Start Ups

Aktuelle Veranstaltungen

Inhouse-Veranstaltungen

Besitzt Erfahrung in zahlreichen Inhouse-Trainings.