Das erwartet Dich bei uns

Die Entwicklung von Ansätzen basierend auf Künstlicher Intelligenz (KI) erfährt viel Aufmerksamkeit in Forschung und Praxis. Im Umfeld Letzterer wird jedoch selten auf die langfristig angelegte Einsatztauglichkeit solcher geachtet. Neben zahlreichen Problemen kann sich die omnipräsente dynamische Veränderung der Realität in Form des Phänomens Drift destruktiv niederschlagen [1]. So altern Sensoren oder werden ausgetauscht, beobachtetes Konsumverhalten ändert sich saisonal oder dauerhaft – als Folge können sich Verteilungen der Daten verändern. Dies kann wiederum die Performanz von produktiv eingesetzten KI-Modellen, die auf jenen Daten arbeiten, in Gefahr bringen. In der Forschung werden meist numerische Primitiva (Sinus-Signale, zufälliges Rauschen o.Ä.) eingesetzt, um Daten synthetisch mit Drift zu Testzwecken zu versehen. Sind Daten mit realen Drifts nicht verfügbar, können so dennoch Modelle, die zur Drift-Detektion eingesetzt werden, parametrisiert und getestet werden.

[1] Webb, G.I., Hyde, R., Cao, H. et al. Characterizing concept drift. Data Min Knowl Disc 30, 964–994 (2016). https://doi.org/10.1007/s10618-015-0448-4

• Du arbeitest Dich in das Thema ein und formulierst den Stand der Forschung zur Parametrisierung von Drift-Detektoren.
• Du arbeitest insbesondere heraus, wie synthetisch generierter Drift einen Mehrwert bei der Parametrisierung von Drift-Detektoren bieten kann (bspw. als „Detektions-Training“).
• Du implementierst eine Lösung, die gesammelte Ergebnisse beispielhaft anwendet.
• Du wirst dem Kontext vernetzter Produktion/Industriellen Internet der Dinge Anwendungsbeispiele entnehmen (neben solchen aus unseren Forschungsprojekten sind zahlreiche Datensätze frei verfügbar).
• Du konzipierst zudem einen Ansatz zur Quantifizierung/Evaluierung der Performanz deiner Lösung und setzt diesen in deiner Implementierung um.
• Du wirkst (sofern die Rahmenbedingungen passen) an einer Publikation der Ergebnisse mit.

Das bringst Du mit

• Du studierst (Wirtschafts-)Informatik, Mathematik, Maschinenbau, Wirtschaftsingenieurwesen oder einen verwandten Studiengang. (Für KIT-Studenten kann Prof. Ovtcharova (IMI) als Gutachterin auftreten.)
• Du hast bereits erste Programmiererfahrung (bspw. Python, Java) sammeln können.
• Du hast idealerweisen bereits erste Erfahrungen im Bereich Drift-Detektion oder Motivation, Dich einzuarbeiten.
• Du bringst bestenfalls grundlegende Kenntnisse im Bereich Maschinelles Lernen mit.
• Du besitzt ein überdurchschnittlich hohes Maß an Eigeninitiative sowie eine sorgfältige, gewissenhafte Arbeitsweise.
• Du besitzt sehr gute Englisch- und Deutschkenntnisse in Wort und Schrift.

Was wir Dir bieten

• Du hast die Möglichkeit, Dich bei diversen internen Formaten zu wissenschaftlichen Themen fachbereichsübergreifend auszutauschen.
• Du bekommst spannende Einblicke in unsere Forschung und kannst wertvolle Praxiserfahrung für den Einstieg ins Berufsleben sammeln.
• Wir nutzen die neueste Hard- und Software am FZI. Gemeinsam mit unseren wissenschaftlichen Mitarbeitenden arbeitest Du vor Ort in erstklassig ausgestatteten Forschungslaboren.
• Unser Miteinander ist geprägt von der Begeisterung für unsere Themen und gemeinsamen Werte. Wir sind alle per „Du“ und helfen uns gegenseitig. Bei uns kannst Du Dich einbringen und Themen vorantreiben.
• Eine motivierte und kompetente Betreuung ist uns wichtig. Dazu zählt für uns: sich ausreichend Zeit für Dich nehmen und Dich mit hilfreichem Feedback unterstützen.
• Mit unseren flexiblen Arbeitsformen hinsichtlich Arbeitszeit und Stundenumfang sowie unserer Regelung zum mobilen Arbeiten geben wir Dir die Freiheit, die Du benötigst, um Dein Privat- und Berufsleben zu vereinbaren.
• Bei der Vergütung von Hilfskräften und Praktikant*innen orientieren wir uns an den Vorgaben für Hochschulen des Landes. Die Höhe ist abhängig davon, ob Du bereits einen (Studien-)Abschluss und/oder erste Berufserfahrung
  hast. Abschlussarbeiten können entsprechend der Vorgaben leider nicht vergütet werden.
• Deine Arbeitszeit und Vertragsdauer legen wir in gemeinsamer Absprache mit Dir fest.