Ausgangssituation:

Die fortschreitende Miniaturisierung von Bauteilen in der Elektronikproduktion stellt etablierte Produktionsprozesse vor zunehmende Herausforderungen. Um die Qualitätsüberwachung und die Optimierung der Prozessparameter zu automatisieren, hat sich der Einsatz von Künstlicher Intelligenz als äußerst vielversprechende Möglichkeit erwiesen. Allerdings hängt die Qualität der endgültigen KI-Anwendung entscheidend von der Menge an verfügbaren Daten ab. In diesem Kontext hat Federated Learning in den letzten Jahren Aufmerksamkeit als aussichtsreicher Ansatz zur Verbesserung des maschinellen Lernens und des Datenschutzes erlangt. Dieses Verfahren ermöglicht es, Modelle auf Daten mehrerer Unternehmen zu trainieren, ohne dass diese Daten untereinander ausgetauscht oder zentral gesammelt werden müssen. Durch die dezentrale Verarbeitung der Daten werden die Privatsphäre und Souveränität gewährleistet, während dennoch die Vorteile des maschinellen Lernens unternehmensübergreifend genutzt werden können.

Aufgabenstellung:

Ziel dieser Arbeit ist die Implementierung einer Pipeline zum Federated Learning, durch welche Daten mehrerer Unternehmen genutzt werden können, um ein ML-Modell zur Prozessoptimierung oder zur verbesserten Inspektion in der Elektronikproduktion zu erhalten.

Mögliche Schwerpunkte der Arbeit können sein:

• Implementierung einer Federated Learning Pipeline anhand von beispielhaften oder realen Prozessdaten
• Automatisierte Datenaufbereitung unter Einhaltung von Datenschutz
• Realisierung der nötigen Informationsflüsse zwischen den Unternehmen und dem zentralen Server
• Vereinigung lokal trainierter Modelle zu einem globalen Modell
• Hyperparameteroptimierung unter Einhaltung von Datenschutzaspekten
• Benchmarking und Überwachung der Modellperformance in allen Interaktionsrunden zur möglichen Detektion von fehlerhaften oder manipulierten Trainingsdaten
• Implementierung eines User Interfaces zu Interaktion mit der implementierten Pipeline

Benefits:

• Theoretisch 100%-Remote-Work möglich
• Ideale Möglichkeit um Python und Machine Learning Fähigkeiten auszubauen
• Implementierung einer innovativen Methode, um die Kooperation von Unternehmen bei ML-Ansätzen unter Einhaltung von Datenschutzaspekten zu fördern

Vorkenntnisse / Voraussetzungen:

• Sehr gute Kenntnisse der deutschen oder englischen Sprache
• Strukturierte und selbstständige Arbeitsweise
• Vorkenntnisse in Python
• Idealerweise Kenntnisse im Bereich Federated Learning (nicht erforderlich)

Bewerbung:

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

Kategorien:

Kontakt: