Masterarbeit: Kausale Foundation-Modelle für Enterprise Intelligence (w/m/div.)
Bosch•5h ago
Renningen, BW, deHybridFull-timeIntern Level0-1 yrs exp
Top focus
Enterprise Architect
- Bei Bosch gestalten wir die Zukunft, indem wir hochwertige Technologien und Dienstleistungen entwickeln, die begeistern und das Leben von Menschen bereichern. Unser Versprechen an unsere Mitarbeitenden ist felsenfest: Wir wachsen gemeinsam, wir haben Freude an unserer Arbeit und wir inspirieren uns gegenseitig. Machen Sie mit und spüren Sie den Unterschied. Die Robert Bosch GmbH freut sich auf Ihre Bewerbung!
- Große Sprachmodelle (Large Language Models, LLMs) haben die Verarbeitung natürlicher Sprache revolutioniert, verfügen jedoch nicht über ein echtes Verständnis von Ursache und Wirkung. Diese Einschränkung stellt eine wesentliche Hürde für ihren Einsatz in sicherheits- und geschäftskritischen industriellen Anwendungsfeldern dar, in denen das Verständnis des „Warum“ hinter einem Ereignis entscheidend ist. Tabellarische Foundation Models, insbesondere Prior-Fitted Networks (PFNs), die auf synthetischen Daten trainiert werden, um den Bedarf an großen Mengen realer Daten zu reduzieren, haben in Klassifikations- und Regressionsaufgaben eine Leistung auf dem Stand der Technik gezeigt. Ihre Anwendung auf kausale Aufgaben wurde jedoch bislang kaum untersucht. Ziel Ihrer Abschlussarbeit ist es, die Leistungsfähigkeit von Foundation Models mit funktionalen kausalen Modellen zu kombinieren, um Aufgaben der kausalen Inferenz für Unternehmensanwendungen bei Bosch zu lösen. Sie führen eine umfassende Literaturrecherche zum aktuellen Stand der Forschung zu Foundation Models und deren Anwendung in der kausalen Inferenz durch. Darüber hinaus entwickeln Sie neue Methoden für foundation-model-basierte kausale Aufgaben mit Schwerpunkt auf Root-Cause-Analyse und testen diese anhand wissenschaftlicher Benchmarks sowie an praxisnahen Anwendungsfällen bei Bosch. Zusätzlich arbeiten und kooperieren Sie in einem globalen Forschungsteam. Idealerweise mündet Ihre Arbeit in einer wissenschaftlichen Publikation.
- Ausbildung: Masterstudium im Bereich Informatik oder vergleichbar
- Bachelorabschluss in Informatik Erfahrung und Kenntnisse: Sehr guter akademischer Hintergrund in Machine Learning und Natural Language Processing (NLP) Fundiertes Verständnis von Foundation Models und Transformer-Architekturen Praktische Erfahrung mit Deep-Learning-Frameworks (z. B. PyTorch, TensorFlow) Kenntnisse in Graph-Datenstrukturen, Graph Neural Networks und verwandten Konzepten sind von Vorteil Persönlichkeit und Arbeitsweise: Sie sind eine motivierte, forschungsorientierte Person und lösen Probleme proaktiv sowie eigenständig Arbeitsroutine: Eine teilweise Anwesenheit vor Ort ist erforderlich Begeisterung: Ausgeprägtes Interesse an der Lösung von Problemstellungen Sprachen: Verhandlungssicheres Englisch in Wort und Schrift
- Beginn: nach vorheriger Vereinbarung Dauer: 6 Monate Voraussetzung für diese Abschlussarbeit ist die Immatrikulation an einer Hochschule/Universität. Bitte fügen Sie Ihren Lebenslauf, Ihren Notenspiegel (Transcript of Records), die Prüfungsordnung sowie – falls erforderlich – eine gültige Arbeits- und Aufenthaltserlaubnis bei. Vielfalt und Inklusion sind für uns nicht nur Trends, sondern fest in unserer Unternehmenskultur verankert. Daher begrüßen wir alle Bewerbungen – unabhängig von Geschlecht, Alter, Behinderung, Religion oder Weltanschauung, ethnischer Herkunft oder sexueller Identität. Benötigen Sie weitere Informationen zur Stelle? Juergen Luettin (Fachbereich) +49 160 908 15759 Mirjam Steger (Fachbereich) +49 171 415250 Work #LikeABosch startet hier: Jetzt bewerben! #LI-DNI
Required skills
Machine LearningNatural Language ProcessingFoundation ModelsTransformer ArchitecturesDeep LearningPyTorchTensorFlowGraph Data StructuresGraph Neural Networks