Abschlussarbeit zum Thema: „Dezentrales Edge AI in IoT-Netzwerken durch Federated Learning"

Fraunhofer-Gesellschaft; Duisburg; Vor Ort; EUR 40.000 - 80.000; Vollzeit

Zusammenfassung

Eine innovative Institution sucht talentierte Studierende, die an zukunftsweisenden Technologien im Bereich des föderalen Lernens arbeiten möchten. In dieser spannenden Rolle werden Sie an der Entwicklung effizienter Algorithmen und Prototypen mitwirken, um datenschutzfreundliche Machine-Learning-Methoden zu fördern. Sie werden die Möglichkeit haben, Ihre Kenntnisse in Machine Learning und Embedded Systems anzuwenden und zu vertiefen. Diese Position bietet Ihnen die Chance, Teil eines dynamischen Teams zu werden, das an der Schnittstelle von Wissenschaft und Industrie arbeitet, um die Zukunft der Technologie mitzugestalten.

Qualifikationen

• Gute bis sehr gute Studienleistungen sind erforderlich.
• Kenntnisse im Bereich Machine Learning sind notwendig.

Aufgaben

• Literaturrecherche und Analyse existierender Methoden.
• Entwicklung eines neuartigen Konzeptes für das föderale Lernen.

Kenntnisse

Machine Learning

Keras

PyTorch

Embedded Systems

C

C++

Kommunikationsfähigkeit

Teamfähigkeit

Ausbildung

Studium in Elektrotechnik

Studium in Informatik

Studium in Mathematik

Jobbeschreibung

Beim föderalen Lernen (Federated Learning, FL) handelt es sich um einen dezentralen und damit datenschutzfreundlichen Ansatz des Maschinellen Lernens (ML). Anders als bei klassischen Machine-Learning (ML) Verfahren wird das Training beim föderalen Lernen (Federated Learning, FL) nicht zentral auf einem Gerät, sondern auf mehreren Geräten verteilt durchgeführt. Hierbei findet das Training auf den Geräten statt, auf denen die Daten erfasst wurden. Nach Abschluss des Trainings werden ausschließlich die ML-Modelle aller Geräte an ein zentrales Gerät gesendet und zu einem globalen ML-Modell zusammengefasst (aggregiert), wodurch alle Eigenschaften der einzelnen Geräte übernommen werden. Anschließend wird das globale ML-Modell an alle Geräte versendet, die am Training teilgenommen haben. Hierdurch lernen alle Geräte von den anderen, ohne deren Daten verwendet zu haben.

Mögliche Themengebiete:

1. Optimierung eines effizienten Aggregationsalgorithmus bzgl. Speicherplatz, Rechenzeit und Kommunikation
2. Entwicklung eines Demonstrators für das föderale Lernen unter Verwendung mehrerer Bohrmaschinen
3. Entwicklung eines speichereffizienten Trainingsalgorithmus für das föderale Lernen
4. Optimierung von Modellaustauschmethoden zur Minimierung der Datenübertragung
5. Entwicklung von datenschutzorientierten föderalen Lernmethoden

Was Sie bei uns tun

1. Literaturrecherche und Einordnung des aktuellen Stands der Technik
2. Analyse von existierenden Methoden
3. Entwicklung eines neuartigen Konzeptes für das föderale Lernen
4. Entwicklung und Bau von Prototypen

Was Sie mitbringen

1. Studium in den Bereichen Elektrotechnik, Informatik, Mathematik oder vergleichbaren Disziplinen
2. Gute bis sehr gute Studienleistungen
3. Kenntnisse im Bereich Machine Learning (Keras oder PyTorch)
4. Erfahrungen im Umgang mit Embedded Systems (C oder C++) sind wünschenswert
5. Eigenständige und zuverlässige Arbeitsweise sowie ein hohes Maß an Kommunikations- und Teamfähigkeit

Was Sie erwarten können

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.

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.

Die wöchentliche Arbeitszeit beträgt 39 Stunden.

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 (Motivationsschreiben, chronologischer Lebenslauf, aktueller Notenspiegel im Studium, Arbeitszeugnisse bisheriger beruflicher Erfahrungen/ Praktika).

Fragen zu dieser Position beantwortet gerne Frau Irini Tsiftsi,
Telefon [phone], E-Mail: [e-mail]

Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS

www.ims.fraunhofer.de

Kennziffer: 77688 Bewerbungsfrist: