Forschungsvorhaben LLM-SE
Im Rahmen des Forschungsprojektes LLM-SE (Large Language Model unterstütztes Systems Engineering) entwickeln wir gemeinsam mit unseren Industriepartnern ein an der MBSE-Philosophie und -Struktur orientiertes Assistenzsystem unter Verwendung von Large Language Models zur Teilautomatisierung des Engineeringprozesses Lagertechnologie und -konzepte von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme. Dieses soll Benutzereingaben wie Anforderungen und Anpassungen interpretieren, durch die Verfügbarkeit von unternehmensspezifischen Produktkatalogen, historischen Projektdaten und Best Practices in individuelle, modellbasierte Lösungen transformieren und diese durch geeignete Validierungs- und Verifikationsmechanismen absichern.
Ihre Aufgabenbereiche im Projekt
- Literaturrecherche zur Modellierungssprache SysML v2
- Recherche, Evaluation und Auswahl geeigneter KI-Methoden und -Modelle
- Optimierung des bestehenden Frameworks durch die Weiterentwicklung eines neuen Mikroservices, der mit den aktuellen Service integriert werden kann und skalierbare LLM-fine-tuning bietet.
- Datensammeln von Projektpartnern aus der Industrie und Erstellen von Vorverarbeitungspipelines, die Rohdaten in das ALPACA-Format für das Modelltraining konvertieren.
- Schaffung intuitiver Benuteroberflächen, die es Benutzern ohne technischen Hintergrund ermöglichen, verschiedene Basismodelle – für Lagertechnologien und -konzepte zu testen, zu bewerten und zu verfeinern, indem sie verschiedene Eingabeaufforderungen verwenden.
- Automatische Generierung von SysML-Modellen für Lagertechnologien und -konzepte durch den Einsatz von LLMs im entwickelten Framework und die Verbesserung dieser Modelle durch ein interatives Verhalten der Process Engine
- Das Endergebnis Ihrer Arbeit: Mithilfe des Frameworks sollen die Layouts für verschiedene Lagerkonzepte inkl. der zugehörigen, durch LLMs automatisch vorgeschlagenen Lagertechnologien für die entsprechende Materialflusstechnik in der Fabrik automatisch generiert werden können.
Anforderungen
- Sehr gute Programmierungskenntnisse in Python sind zwingend erforderlich
- Sehr gute Kenntnisse und praktische Erfahrungen in RESTful APIs sind zwingend erforderlich
- Sehr gute Kenntnisse in der Verarbeitung von Datenformaten wie CSV, JSON, XML und Markdown sind zwingend erforderlich
- Sicheres Umgehen mit Containerisierungstechnologien wie Docker, Podman
- Praktische Erfahrungen mit LLM-Fine-tuning-Frameworks, z. B. Unsloth, LlamaFactory sind zwingend erforderlich
- Praktische Erfahrungen mit LLM-Inferenz-Optimierungsmaschinen, z. B. Ollama, Llama.cpp oder vLLM ist zwingend erforderlich
- Praktische Erfahrungen mit Datenbanktechnologien für SQL-, NoSQL-, Vektor– und Objektdatenbanken sind zwingend erforderlich
- Grundlegende Kenntnisse in Prompt-Engineering-Techniken, einschließlich One-Shot, Few-Shot und Chain-of-Thought-Prompting sind von Vorteil
- Grundlegende Kenntnisse in Versionskontrollsystemen z. B. Git sind von Vorteil
- Grundlegende Kenntnisse in der Front-End-Entwicklung z. B. React, Next.js sind von Vorteil
Hinweise zur Bewerbung
- Beginn zum nächstmöglichen Zeitpunkt
- Bewerbungen bitte per E-Mail mit aktuellem Notenspiegel und Lebenslauf sowie einem kurzen Motivationsschreiben
- Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden können.
- Weitere Informationen auf Anfrage per E-Mail oder gerne auch in einem persönlichen Gespräch.
Kategorien:
Forschungsbereich:
Engineering-SystemeArt der Arbeit:
Masterarbeit, ProjektarbeitStudiengang:
Informatik, Maschinenbau, MechatronikTechnologiefeld:
Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und DeploymentKontakt:
Atakan Calis, M.Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +491735906051
- E-Mail: atakan.calis@faps.fau.de