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

Fraunhofer-Gesellschaft; Deutschland; Vor Ort; EUR 40.000 - 60.000; Vollzeit

Zusammenfassung

Eine Forschungsorganisation in Deutschland sucht nach talentierten Studierenden für Projekte im Bereich föderales Lernen. Ideal sind Bewerber mit einem Studium in Elektrotechnik oder Informatik. Die Rolle umfasst Literaturrecherche, Konzeptentwicklung und Prototypenbau. Bewerbungen bitte online einreichen, E-Mail oder Postbewerbungen sind nicht möglich.

Qualifikationen

• Gute bis sehr gute Studienleistungen.
• Eigenständige und zuverlässige Arbeitsweise.
• Hohe Kommunikations- und Teamfähigkeit.

Aufgaben

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

Kenntnisse

Kenntnisse im Bereich Machine Learning (Keras oder PyTorch)

Erfahrungen im Umgang mit Embedded Systems (C oder C++)

Eigenständige und zuverlässige Arbeitsweise

Kommunikations- und Teamfähigkeit

Ausbildung

Studium in den Bereichen Elektrotechnik, Informatik, Mathematik oder vergleichbaren Disziplinen

Jobbeschreibung

Überblick

Beim föderalen Lernen (Federated Learning, FL) handelt es sich um einen dezentralen und datenschutzfreundlichen Ansatz des Maschinellen Lernens (ML). Anders als bei klassischen ML-Verfahren wird das Training 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. Dadurch lernen alle Geräte von den anderen, ohne deren Daten verwendet zu haben.

Beispielsweise Themengebiete:

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

Was Sie bei uns tun

• Literaturrecherche und Einordnung des aktuellen Stands der Technik
• Analyse von existierenden Methoden
• Entwicklung eines neuartigen Konzeptes für das föderale Lernen
• Entwicklung und Bau von Prototypen

Was Sie mitbringen

• Studium in den Bereichen Elektrotechnik, Informatik, Mathematik oder vergleichbaren Disziplinen
• Gute bis sehr gute Studienleistungen
• Kenntnisse im Bereich Machine Learning (Keras oder PyTorch)
• Erfahrungen im Umgang mit Embedded Systems (C oder C++) ist wünschenswert
• 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.

Hinweis zur Bewerbung

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