Handlungsfeld

Die Entwicklung mechatronischer Systeme ist aufgrund der steigenden Anzahl von Teilsystemen und Disziplinen eine Herausforderung. Model-Based Systems Engineering (MBSE) begegnet dieser Herausforderung durch eine disziplinübergreifende Systembeschreibung mit einem einheitlichen Systemmodell, ist aber in der Praxis noch wenig verbreitet. Dies liegt insbesondere an den hohen Einstiegshürden im Mittelstand, die u.a. durch den notwendigen Einsatz kostenintensiver Software, das erforderliche Fachwissen sowie das durchzuführende Change Management begründet sind. Large Language Models (LLM) bieten das Potenzial, die Entwicklung und Verarbeitung dieser Systemmodelle mittels generativer künstlicher Intelligenz zu automatisieren und damit die Einstiegshürden zu senken und gleichzeitig die Entwicklungseffizienz und -qualität in der MBSE signifikant zu steigern.

Die Bewertung der Qualität von KI-generierten SysML-Diagrammen stellt dabei eine große Herausforderung dar. Es gibt keine allgemein anerkannten Richtlinien für die Bewertung der Qualität konzeptioneller Modelle, und es herrscht wenig Einigkeit unter den Experten darüber, was ein “gutes” Modell ausmacht. Daher ist es unerlässlich, ein validiertes Rahmenwerk zur Bewertung der Qualität von SysML-Diagrammen zu entwickeln.

Ihre Arbeitspunkte

  • Literaturrecherche zur Modellierungssprache bspw. SysML v2
  • Recherche, Bewertung bestehender Methoden zur Bewertung der Qualität von SysML-Modellen
  • Entwicklung und Bewertung des Rahmenwerks hinsichtlich der technischen Machbarkeit
  • Prototypische Adaption des Rahmenwerkes an einem geeigneten Use-Cases z.B. Bewertung der Qualität von Funktionsdiagrammen nach Kohäsion, Kohärenz und Vollständigkeit

Ihre Benefits

  • Praktische Erfahrung in der Entwicklung von Algorithmen der künstlichen Intelligenz und Deep Learning Techniken
  • Möglichkeit zur aktiven Mitarbeit am Forschungsprojekt LLM-SE
  • Austausch mit anderen Studierenden am FAPS
  • Zukunfts- und anwendungsorientierte Arbeit für den weiteren Karriereweg
  • Flexible Arbeitsweise

Anforderungen

  • Gute Programmierkenntnisse insbesondere in Java und/oder  in C/C++ und/oder Python wünschenswert
  • Grundkenntnisse und Erfahrung in REST-API und Apache Kafka wünschenswert
  • Interesse und Vorkenntnisse in MBSE, SysML wünschenswert
  • Grundkenntnisse in Machine Learning (ML) und Natürliche Sprachverarbeitung (NLP) wünschenswert
  • Eigenständige, strukturierte Arbeitsweise sowie hohe Lernbereitschaft

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-Systeme

Art der Arbeit:

Masterarbeit, Projektarbeit

Studiengang:

Informatik, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und Deployment

Kontakt:

Atakan Calis, M.Sc.

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