Prof. Dr. Beate Sick

Gruppenleitung

Im Jahr 2026 trat Prof. Dr. Beate Sick dem Thurgauer An-Institut für Digitale Transformation (TIDIT) in Kreuzlingen bei, wo sie die Gruppe für Probabilistische KI leitet. Ihre interdisziplinäre Forschung verbindet Statistik, künstliche Intelligenz und Kausalität, mit besonderem Fokus auf multimodale und transparente Modelle in der angewandten biomedizinischen Forschung.

Vor ihrem Wechsel zum TIDIT leitete sie die Bioinformatik-Gruppe der DNA Array Facility an der Universität Lausanne und war anschliessend mehr als 10 Jahre lang Professorin an der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW), wo sie den Lehrstuhl für Angewandte Statistik innehatte und ein Team aus Studierenden und Nachwuchsforschenden in enger Zusammenarbeit mit Partnern aus verschiedenen Universitäten, Kliniken und der Industrie leitete. Seit 2014 ist sie zudem an der Universität Zürich tätig, wo sie im Masterstudiengang Biostatistik und Epidemiologie lehrt und in enger Zusammenarbeit mit medizinischen Forschenden an der Schnittstelle von KI und Biostatistik forscht. Darüber hinaus lehrt sie an der ETH Zürich in den Bereichen Biostatistik, multivariate Statistik und Deep Learning.

Kompetenzen

  • Probabilistic AI
  • Causal Modeling
  • Biostatistics
  • Applied Research
Sick-Beate
Kontakt
Prof. Dr. Beate Sick
Gruppenleitung
Probabilistic AI Research Group
Sick-Beate
Contact
Prof. Dr. Beate Sick
Gruppenleitung
Probabilistic AI Research Group

Probabilistic AI Research Group

Trotz der bahnbrechenden Fortschritte im Bereich Deep Learning und KI haben diese Technologien häufig Schwierigkeiten, Unsicherheiten zu quantifizieren, und es mangelt ihnen an Interpretierbarkeit. Diese Einschränkung zeigt sich etwa bei Halluzinationen in Large Language Models, bei denen generierte Ausgaben plausibel, aber dennoch falsch sein können. Solche Herausforderungen sind in verschiedenen Kontexten kritisch, darunter Lastprognosen und medizinische Diagnostik.
Probabilistic AI

Probabilistic AI Research Group

Trotz der bahnbrechenden Fortschritte im Bereich Deep Learning und KI haben diese Technologien häufig Schwierigkeiten, Unsicherheiten zu quantifizieren, und es mangelt ihnen an Interpretierbarkeit. Diese Einschränkung zeigt sich etwa bei Halluzinationen in Large Language Models, bei denen generierte Ausgaben plausibel, aber dennoch falsch sein können. Solche Herausforderungen sind in verschiedenen Kontexten kritisch, darunter Lastprognosen und medizinische Diagnostik.
Probabilistic AI

Publikationen

Loading publications...

News

Mai 12, 2026

TIDIT-Preis 2026: Auszeichnung für herausragende Abschlussarbeiten

April 21, 2026

Save The Date: Präsentation der Ergebnisse des Digitalisierungs- & KI-Barometers 2026

Februar 19, 2026

Eröffnung des I+D Campus 2026: mit dem TIDIT als Teil des Campus

Januar 6, 2026

Agentic AI praktisch erleben – Jetzt anmelden!