Ausgangssituation:
In den letzten Jahren hat sich Maschinelles Lernen (ML) von einem Bereich der akademischen Forschung zu einem Bereich entwickelt, der in der Lage ist vereinzelte reale Geschäftsprobleme zu lösen. Da der Nutzen erst durch die Anwendung der Verfahren des Maschinellen Lernens auf reale Fertigungsprozesse entsteht, liegt das Endziel aller industriellen Projekte nicht nur in der Entwicklung, sondern auch der schnellen Einführung der ML-Modelle in die Produktion. Trotz regelmäßiger Erfolge neuronaler Netze stellt die Automatisierung und Operationalisierung von ML-Modellen nach wie vor eine große Herausforderung dar, sodass viele ML-Projekte die in sie gesetzten Erwartungen nicht erfüllen können. Das Paradigma der Machine Learning Operations (MLOps) geht dieses Problem an und umfasst verschiedene Aspekte wie bewährte Verfahren, Konzepte und Entwicklungskultur unter Berücksichtigung der Anforderungen von ML-Modellen. Insbesondere sehr erfolgreiche ML-Modelle werden auf hochspezialisierter IT-Infrastruktur trainiert und bereitgestellt. Eine Zusammenfassung der nötigen Komponenten und Abstraktion hin zu einem modularen und generischen Aufbau zum Management des gesamten Lifecycles eines ML-Modells ist nach wie vor nicht vorhanden.
Mögliche Aufgabenstellungen:
Im Rahmen des Forschungsanliegens ergeben sich viele mögliche Aufgabenstellungen, welche mittels etablierten Open-Source-Technologien umgesetzt werden sollen. Abgesehen von der Automatisierung des gesamten Lifecycles neuronaler Netze mittels Continuous Integration, Delivery, Deployment und Training (CI/CD/CT) Pipelines, kann der Handlungsschwerpunkt auch auf die cloud-native Implementierung hardwarenaher Fertigungskomponenten mittels Virtualisierungs- und Orchestrierungstechnologien gelegt werden. Relevante Handlungsschwerpunkte umfassen u.a.:
- IT-Sicherheit im Kontext der automatisierten Fertigung
- IT-Infrastruktur zur Datenvorverarbeitung
- Monitoring der Fertigung
- Verteilte Hyperparameter-Optimierung
Vorkenntnisse in Linux, bash, Docker oder Kubernetes können abhängig vom konkreten Schwerpunkt hilfreich sein. Nähere Informationen sowie Beginn und Umfang der Arbeit können im Rahmen eines persönlichen Gesprächs besprochen werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen.
Hinweise zur Bewerbung:
- Interesse an DevOps, MLOps und GitOps
- Möglichkeit der Einarbeitung gegeben; hierfür werden nach Absprache über den vorhandenen Wissensstand praxisnahe Online-Kurse und Bücher bereitgestellt
- Hohe Motivation, Neugierde sowie strukturierte Arbeitsweise
- IT-Affinität sowie Erfahrung in mindestens einer Programmiersprache wünschenswert
- Deutsch oder Englisch in Wort und Schrift von elementarer Bedeutung
- Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an benedikt.scheffler@faps.fau.de und tim.raffin@faps.fau.de
Ansprechpartner: