Ausgangssituation

In der heutigen digitalen Ära sind datengetriebene Optimierungsansätze und transformative Technologien entscheidend für den Erfolg von Produktionsunternehmen. Insbesondere im Bereich der Ultraschallfertigung generieren wir eine große Menge an Daten aus verschiedenen Quellen, die uns wertvolle Einblicke in den Produktionsprozess liefern. Durch die Nutzung von künstlicher Intelligenz (KI) und multimodalen Modellen haben wir die Möglichkeit, diese Daten effektiv zu nutzen, um unser Verständnis der Prozesse zu verbessern und die Qualität unserer Produkte zu steigern.

Keywords:

Elektronikproduktion, Data Science, Machine Learning Operations (MLOps), Artificial Intelligence, Machine Learning, Deep Learning

Aufgabenstellung

Im Rahmen dieser Abschlussarbeit liegt der Fokus auf der Konzeption und Implementierung einer MLOps-Pipeline, die es uns ermöglicht, ein multimodales KI-Modell effizient in unsere Ultraschallsensorfertigung zu integrieren. Dieses Modell sollte in der Lage sein, eine Vielzahl von Datenquellen zu verarbeiten und uns dabei helfen, Qualitätsprobleme frühzeitig zu erkennen und den Produktionsprozess zu optimieren.

Ein weiterer wichtiger Aspekt der Arbeit ist die Skalierbarkeit der MLOps-Pipeline. Sie sollte so konzipiert sein, dass sie mit wachsenden Datenmengen und einer steigenden Komplexität der Modelle umgehen kann. Darüber hinaus sollte die Pipeline robust und flexibel sein, um verschiedene Modellarchitekturen und Algorithmen unterstützen zu können.

Die Abschlussarbeit könnte potenziell die folgenden Arbeitspakete umfassen, die jedoch im Laufe der Bearbeitung und basierend auf den Zwischenergebnissen flexibel angepasst werden können:

• Einarbeitung in die Problemstellung und die zugrunde liegenden Datenstrukturen
• Einarbeitung in Python und gängige MLOps-Tools
• Konzeption und Implementierung der MLOps-Pipeline
• Integration des multimodalen KI-Modells in die Pipeline
• Dokumentation der Arbeit (in deutscher oder englischer Sprache)

Benefits

• Anwendungsorientierte Forschung im Rahmen eines spannenden Industrieprojekts im Automotiv-Bereich
• Möglichkeit, praktische Erfahrungen im Bereich MLOps und KI zu sammeln
• Vollstädnige Remote-Arbeit möglich
• Vergütung in Form einer Aufwandsentschädigung

Voraussetzungen

• Sehr gute Kenntnisse der deutschen oder englischen Sprache
• Hohe Eigenmotivation und eine gewisse IT-Affinität
• strukturierte und selbstständige Arbeitsweise
• Vorkenntnisse in Python sind wünschenswert, aber nicht notwendig

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Sven.Meier@faps.fau.de. Für weitere Informationen über Umfang und genaue Ausrichtung der Arbeit stehe ich gerne für ein persönliches Gespräch zur Verfügung.

Kontakt: