Ausgangssituation:

Die anhaltende Miniaturisierung von Bauteilen in der Elektronikproduktion stellt eine Herausforderung für etablierte Produktionsprozesse dar. Die Anwendung von Künstlicher Intelligenz bietet sich als aussichtsreiche Möglichkeit an, um die Qualitätsüberwachung und die Optimierung der Prozessparameter zu automatisieren. Dabei hängt die Qualität der finalen KI-Anwendung essentiell von der Menge an zu Verfügung stehenden Daten ab, zumal vorhandene Daten meist relativ wenig Informationsgehalt bieten, da diese sehr unausgeglichen sind. Federated Learning hat in den letzten Jahren als vielversprechender Ansatz zur Verbesserung der Performance von Machine Learning Modellen Aufmerksamkeit erlangt. Bei diesem Verfahren können Modelle auf Daten mehrerer Unternehmen trainiert werden, ohne dass die dafür verwendeten Daten untereinander ausgetauscht oder zentral gesammelt werden müssen. Stattdessen werden lediglich Modellupdates kommuniziert, welche kaum Rückschlüsse auf die zugrundeliegenden Trainingsdaten zulassen.

Aufgabenstellung:

Diese studentische Arbeit zielt darauf ab, anhand einer Literaturrecherche des Thema Federated Learning umfassend zu beleuchten und insbesondere aktuelle Forschungsansätze in diesem Themenbereich zu analysieren. Die Arbeit kann folgende Schwerpunkte enthalten:

• Funktionsprinzip von Federated Learning
• Arten von Federated Learning
• Analyse aktueller Forschungsentwicklungen
• Strukturierung von Pipelines
• Theoretische Umsetzung der Informationsflüsse
• Analyse sicherheitskritischer Aspekte
• Anwendbarkeit von Federated Learning in der Elektronikproduktion
• Praktische Implementierung ausgewählter Bausteine

Benefits:

• Theoretisch 100%-Remote-Work möglich
• Umfassender Einblick in eine innovative Methode, um die Kooperation von Unternehmen bei ML-Ansätzen unter Einhaltung von Datenschutzaspekten zu fördern
• Nach Wunsch praktische Implementierung identifizierter Methoden

Vorkenntnisse / Voraussetzungen:

• Sehr gute Kenntnisse der deutschen oder englischen Sprache
• Strukturierte und selbstständige Arbeitsweise

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: