Evaluierung der Performance verschiedener Technologien zur Inferenz von neuronalen Netzen in der Fertigung [AI/BA/PA/MA]

Ausgangssituation:

Die Fertigungsindustrie profitiert von der Integration fortschrittlicher Technologien wie Künstliche Intelligenz und maschinelles Lernen. Neuronale Netze ermöglichen die Analyse von komplexen Datenmengen und das Erkennen von Mustern in Fertigungskomponenten. Um die volle Leistungsfähigkeit von neuronalen Netzen auszuschöpfen, ist eine schnelle Inferenz von entscheidender Bedeutung. In dieser studentischen Arbeit soll die Performance verschiedener Technologien zur Inferenz von neuronalen Netzen in der Fertigung evaluiert werden, um herauszufinden, welche Technologie die schnellste Inferenz ermöglicht, ohne dabei die Genauigkeit der Ergebnisse zu beeinträchtigen. Die Ergebnisse dieser Arbeit werden dazu beitragen, die Fertigungsprozesse weiter zu optimieren und die Leistungsfähigkeit von neuronalen Netzen in der Fertigung zu verbessern.

Mögliche Aufgabenstellungen:

Im Rahmen der Arbeit gehen folgende Aufgabenpakete hervor:

Der Datensatz die Aufgabenstellung ist bereits vorhanden. Bei den Daten handelt es sich um RGB Bilder. Der Zugriff auf ausreichend große Grafikkarten ist gewährleistet. Nähere Informationen sowie Beginn und Umfang der Arbeit können im Rahmen eines persönlichen Gesprächs diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen. Grundsätzlich kann der Schwerpunkt auf jedes Thema gelegt werden, welches zur potenziellen Verringerung der Inferenzzeit beiträgt.

Hinweise zur Bewerbung:

  • Interesse an Machine Learning, Deep Learning etc.
  • Möglichkeit der Einarbeitung gegeben; hierfür werden nach Absprache über den vorhandenen Wissensstand praxisnahe Online-Kurse und Bücher bereitgestellt
  • Erfahrung mit Bibliotheken wie PyTorch, NumPy etc. von Vorteil; Einarbeitung im Rahmen der Arbeit möglich
  • Hohe Motivation, Neugierde sowie strukturierte Arbeitsweise
  • IT-Affinität sowie Erfahrung in mindestens einer Programmiersprache wünschenswert (z.B. Python)
  • 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

Weitere interessante Themenstellungen im Bereich Machine Learning Operations und Deep Learning sind hier gelistet. Literaturrecherchen sind zu all diesen Themen ebenfalls nach Absprache möglich.

Kategorien:

Forschungsbereich:

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und Deployment

Kontakt:

Benedikt Scheffler, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)