EXPLORE YOUR NEXT CHAPTER
Thesis: Lernen von aufgabenrelevanten latenten Räumen für den Sim-to-Real-Transfer
SICK
Source: Headcount Labs · original listing ↗
Job data: Headcount Labs, ODbL 1.0. Job descriptions belong to their employers.
Posted Oct 28
About this role
Sommersemester 2027 – befristet auf 3–6 Monate Möchten Sie eine grundlegende Fragestellung an der Schnittstelle von Repräsentationslernen, synthetischen Daten und industrieller Bildverarbeitung untersuchen? Im Rahmen dieser Abschlussarbeit erforschen Sie, wie sich feststellen lässt, ob ein synthetischer Datensatz die relevanten Informationen enthält, um ein Modell für den Einsatz in einer realen Anwendungsumgebung zu trainieren. Gängige Metriken zum Vergleich von Datensätzen messen vor allem visuelle oder statistische Ähnlichkeiten. Sie erfassen jedoch nicht unbedingt, ob die gemeinsamen Informationen für eine konkrete Aufgabe wie die Objekterkennung relevant sind. Bestehende Methoden zur Bewertung der Übertragbarkeit setzen zudem häufig voraus, dass bereits eine geeignete vortrainierte Repräsentation verfügbar ist. Gerade bei spezialisierten industriellen Anwendungen ist dies nicht immer der Fall. Ziel dieser Arbeit ist es, latente Repräsentationen zu erlernen und zu evaluieren, mit denen sich synthetische und reale Datensätze anhand ihrer aufgabenspezifisch relevanten Informationen vergleichen lassen. IHRE AUFGABEN: • Sie untersuchen überwachte und selbstüberwachte Verfahren, um aufgabenorientierte Repräsentationen aus gelabelten synthetischen Daten sowie ungelabelten oder teilweise gelabelten realen Daten zu lernen. • Sie entwickeln Distanzmetriken im latenten Raum, um Datensätze zu vergleichen, und untersuchen, inwieweit diese die spätere Modellleistung in realen Anwendungen vorhersagen können. • Sie vergleichen Ihren Ansatz mit etablierten Methoden, analysieren dessen Grenzen und implementieren einen Prototyp zur Bewertung synthetischer Datensätze. • Sie validieren Ihre Ergebnisse experimentell und untersuchen die zugrunde liegenden Annahmen sowie mögliche Fehlerfälle. • Sie dokumentieren Ihre Ergebnisse und leiten Empfehlungen für den Einsatz und die gezielte Verbesserung synthetischer Datensätze in der industriellen KI-Entwicklung ab. Das Ergebnis Ihrer Arbeit ist eine validierte Methodik mit einem funktionsfähigen Prototyp zur aufgabenorientierten Bewertung synthetischer Daten sowie eine kritische Analyse der Annahmen, Grenzen und möglichen Fehlerfälle. Die Ergebnisse können dazu beitragen, synthetische Datensätze gezielter auszuwählen, wiederzuverwenden und zu verbessern. IHR PROFIL: • Fortgeschrittenes Masterstudium der Informatik, Künstlichen Intelligenz, Data Science, Mathematik, Robotik, Physik, Ingenieurwissenschaften oder einer vergleichbaren Fachrichtung • Gute Kenntnisse im maschinellen Lernen und Deep Learning sowie praktische Erfahrung mit Computer Vision und neuronalen Netzen • Kenntnisse im Repräsentationslernen, selbstüberwachten Lernen oder im Bereich synthetischer Daten von Vorteil • Gute Programmierkenntnisse in Python sowie praktische Erfahrung mit PyTorch oder einem vergleichbaren Deep-Learning-Framework • Fähigkeit, wissenschaftliche Literatur zu verstehen, Hypothesen zu formulieren, kontrollierte Experimente zu konzipieren und Ergebnisse kritisch zu bewerten • Schnelle Auffassungsgabe für komplexe technische Fragestellungen sowie eine selbstständige und systematische Arbeitsweise • Fähigkeit, Ergebnisse klar zu kommunizieren und im interdisziplinären Team zusammenzuarbeiten • Starkes Interesse an Repräsentationslernen, synthetischen Daten, Sim-to-Real-Transfer und angewandter industrieller KI-Forschung • Gute Englischkenntnisse in Wort und Schrift Sie erfüllen noch nicht alle Anforderungen? Wir freuen uns trotzdem auf Ihre Bewerbung. Uns sind Neugier, Lernbereitschaft und die Fähigkeit wichtig, komplexe Fragestellungen systematisch anzugehen. Fehlende Kenntnisse können Sie im Rahmen der Abschlussarbeit weiterentwickeln.