About this role
Summary: This part-time thesis role involves researching and developing efficient, adaptive, and decentralized AI solutions for embedded systems and edge computing. Candidates will work on topics such as optimizing machine learning frameworks, federated learning in IoT networks, and anomaly detection in self-learning sensors.
Unser interdisziplinäres Team arbeitet an der Schnittstelle von Künstlicher Intelligenz, Embedded Systems und Edge Computing. Unser Ziel ist es, zukunftsweisende KI-Lösungen für ressourcenbeschränkte, dezentrale Systeme zu entwickeln – von autonomen Sensoren über vernetzte Geräte bis hin zu industriellen Anwendungen. Im Zentrum stehen Fragestellungen wie:
- Wie lassen sich KI-Modelle effizient auf Mikrocontrollern betreiben?
- Welche Methoden der Domänenadaption sind für eingebettete Devices geeignet?
- Welche Methoden der Domänenadaption sind für eingebettete Devices geeignet?
- Wie kann dezentrale KI auf mehreren Edge-Geräten effizient in Bezug auf Speicher, Kommunikation und Robustheit zusammenarbeiten? (z. B. über Federated Learning oder Swarm Intelligence)?
Die Bearbeitungsdauer der Abschlussarbeit richtet sich nach den Vorgaben der jeweiligen Prüfungsordnung.
Was Sie bei uns tun
Mögliche Themengebiete:
⦁ Optimierung des Machine-Learning-Frameworks AI for Embedded Systems (AIfES)
⦁ Entwicklung und Optimierung von dezentralem Edge AI in IoT-Netzwerken durch Federated Learning
⦁ Entwicklung und Optimierung von Verfahren für Anomaliedetektion bei selbstlernenden Sensorsystemen
⦁ Optimierung von KI-Modellen für Embedded-Plattformen (z. B. Quantisierung, Pruning, TinyML)
⦁ Entwicklung adaptiver Lernmechanismen für sich verändernde Umgebungsbedingungen
⦁ Entwicklung von Tool-Chains zur Portierung von KI-Modellen auf verschiedene, eingebettete Systeme
Bitte geben Sie bei Ihrer Bewerbung an, für welches Thema Sie sich interessieren.
Was Sie mitbringen
- Studium im Bereich der Informatik, Elektrotechnik oder eines vergleichbaren Studiengangs
- Sehr gute bis gute Studienleistungen
- Grundlegende Kenntnisse im Bereich Machine Learning und neuronaler Netze
- Gute Programmierkenntnisse in C und/oder C++
- Erfahrungen mit eingebetteten Systemen und Mikrocontrollern und Kenntnisse in Python sind von Vorteil
- Erfahrungen im Umgang mit bekannten Machine Learning Frameworks (z. B. Keras oder PyTorch) und das Administrieren von unixoiden Betriebssystemen sind von Vorteil
- Selbstständige und strukturierte Arbeitsweise sowie Teamfähigkeit
Was Sie erwarten können
⦁ Vielfältige Einblicke in die Arbeit von wissenschaftlichen Mitarbeitenden an einem Forschungsinstitut
⦁ Möglichkeit, das Wissen aus dem Studium direkt anzuwenden
⦁ Vergütung der Abschlussarbeit, flexible Arbeitszeiten (Gleitzeitmodell) und ein fester Urlaubsanspruch
⦁ Möglichkeit, erste Erfahrungen im Umgang mit SAP zu sammeln
⦁ Zentrale Lage direkt neben dem Campus Duisburg (Linie 933: Haltestelle Universität)
Die Vergütung richtet sich nach der Gesamtbetriebsvereinbarung zur Beschäftigung der Hilfskräfte
Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber\*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Haben wir Ihr Interesse geweckt? Dann bewerben Sie sich jetzt online mit Ihren aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Sie kennenzulernen! Bewerbungen per E-Mail oder Post können wir leider nicht berücksichtigen.
Bitte übermitteln Sie Ihre vollständigen Bewerbungsunterlagen (Anschreiben mit Ihren Forschungsinteressen, Ihren tabellarischen Lebenslauf, einen aktuellen Notenspiegel im Studium sowie die Arbeitszeugnisse/Beurteilungen Ihrer früheren beruflichen Tätigkeiten/Praktika/Nebenbeschäftigungen)
Fragen zu dieser Position beantwortet Ihnen gerne:
Frau Irini Tsiftsi
personal@ims.fraunhofer.de
Tel.: 0203-3783-268
Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS
<a href="http://www.ims.fraunhofer.de<input id="tor\_\_fcustInstituteLinkRMK" type='hidden' value='27274' >" target="\_blank" rel="noopener">www.ims.fraunhofer.de
Kennziffer: 81630 Bewerbungsfrist:
[In der ausgewählten Sprache nicht übersetzt]