Beschreibung:

Die rasante Entwicklung im Bereich des Natural Language Processing (NLP) hat mit der Einführung von Chat-GPT dem breiten Publikum die faszinierenden Potenziale dieser Technologie aufgezeigt. Die Fähigkeit, auf menschenähnliche Weise mit Computern zu interagieren, hat Anwendungsfelder eröffnet, die von Kundenbetreuung über Content-Generierung bis hin zur medizinischen Diagnose reichen.

In diesem Zusammenhang gewinnt die Idee an Bedeutung, Chat-GPT bzw. Large Language Models (LLM) als Schnittstelle im Maschinenbau für die Mensch-Maschine-Interaktion (engl. Human Maschine Interface HMI) einzusetzen. Die Möglichkeit, ein LLM durch Feintuning domänenspezifisch anzupassen, könnte die Kommunikation zwischen Anlagenbedienern und Maschinen revolutionieren. Die Vision besteht darin, dass Anlagenbediener mithilfe dieser Technologie komplexe und domänenspezifische Fragen an die Maschinen stellen können, um Diagnosen, Wartungsanleitungen und andere relevante Informationen zu erhalten.

Besonders im produzierenden Gewerbe, in dem oft ein Mangel an qualifizierten Arbeitern herrscht, kann der Einsatz von NLP einen entscheidenden Beitrag leisten. Dabei können Modelle sowohl auf allgemeingültigen Maschinendaten, wie Datenblättern, als auch auf domänenspezifischem Prozesswissen, etwa Normen und Richtlinien, oder sogar auf impliziten Wissensstrukturen feingetuned werden.

Ziel der Arbeit:

Ziel der Arbeit ist die Erforschung, Implementierung und Evaluierung verschiedener Feintuning-Ansätze von LLM-Modellen als Mensch-Maschinen Schnittstelle, um die effiziente und präzise Kommunikation zwischen Anlagenbedienern und Maschinen zu ermöglichen.

Schwerpunkt und Arbeitsinhalte:

• Systematische Literaturrecherche zum Einsatz von LLMs im Kontext des NLP für die Mensch-Maschine-Schnittstelle
• Recherche verfügbarer Open-Scource LLM, Gegenüberstellung und Evaluation
• Strukturierung und Vorbereitung der vorhandenen Datenbasis
  • Maschinendaten (z.B. spezifische Datenblätter von Crimpautomaten)
  • Domänenspezifisches Wissen (z.B. Normen oder Schulungsunterlagen)
  • Implizites Prozesswissen (durch Interviews)
• Einbindung eines Open-Scource LLM und Feintuning auf spezifischer Datenbasis
• Evaluation und kritische Betrachtung der Ergebnisse
• Dokumentation der Arbeit

Was Du mitbringen solltest:

• Interesse an den Themen Künstliche Intelligenz und Large Language Models
• Selbstständige und strukturierte Arbeitsweise, Eigeninitiative, Proaktivität
• Programmierkenntnisse in Python von Vorteil, aber nicht zwingend erforderlich
• Vorkenntnisse in Machine Learning von Vorteil, aber nicht zwingend erforderlich

Hinweise und Bewerbung:

• Der Arbeitsumfang und Schwerpunkt der Arbeit kann individuell vereinbart werden
• Spezifische Themen können im Anschluss an die Arbeit auch im Rahmen einer Hiwi-Tätigkeit weiterverfolgt werden
• Enge Zusammenarbeit und Austausch mit anderen Studierenden im Bereich KI anhand Gruppenterminen und MS Teams-Kanal
• Teilweise Zusammenarbeit mit Industriepartnern aus der Bordnetzbranche möglich

Schicke mir bei Interesse bitte eine E-Mail mit Lebenslauf und aktuellem Notenspiegel an bernd.hofmann@faps.fau.de

Kategorien:

Kontakt: