Du führst Literaturrecherchen durch, analysierst Methoden und entwickelst Konzepte sowie Prototypen für föderales Lernen im Bereich Edge AI.
Anforderungen
- •Studium in Elektrotechnik oder Informatik
- •Gute bis sehr gute Studienleistungen
- •Kenntnisse in Machine Learning (Keras oder PyTorch)
- •Erfahrungen mit Embedded Systems (C oder C++) wünschenswert
- •Eigenständige und zuverlässige Arbeitsweise
- •Hohes Maß an Kommunikations- und Teamfähigkeit
Deine Aufgaben
- •Literaturrecherche durchführen
- •Aktuellen Stand der Technik einordnen
- •Existierende Methoden analysieren
- •Neuartiges Konzept für föderales Lernen entwickeln
- •Prototypen entwickeln und bauen
Deine Vorteile
Fokussierung auf Schlüsseltechnologien
Verwertung der Ergebnisse in Wirtschaft
Gestaltung der Gesellschaft und Zukunft
Original Beschreibung
Ort:
Duisburg
Datum:
17.03.2025
# Abschlussarbeit zum Thema: „Dezentrales Edge AI in IoT-Netzwerken durch Federated Learning"
Beim föderalen Lernen (Federated Learning, FL) handelt es sich um ein dezentralen und damit datenschutzfreundlichen Ansatz des Maschinellen Lernens (ML). Anders als bei klassischen Machine-Learning (ML) Verfahren wird das Training beim föderalen Lernen (Federated Learning, FL) nicht zentral auf einem Gerät, sondern auf mehreren Geräten verteilt durchgeführt. Hierbei findet das Training auf den Geräten statt, auf denen die Daten erfasst wurden. Nach Abschluss des Trainings werden ausschließlich die ML-Modelle aller Geräte an ein zentrales Gerät gesendet und zu einem globalen ML-Modell zusammengefasst (aggregiert), wodurch alle Eigenschaften der einzelnen Geräte übernommen werden. Anschließend wird das globale ML-Modell an alle Geräte versendet, die am Training teilgenommen haben. Hierdurch lernen alle Geräte von den anderen, ohne deren Daten verwendet zu haben.
Mögliche Themengebiete:
⦁ Optimierung eines effizienten Aggregationsalgorithmus bzgl. Speicherplatz, Rechenzeit und Kommunikation
⦁ Entwicklung eines Demonstrators für das föderale Lernen unter Verwendung mehrerer Bohrmaschinen
⦁ Entwicklung eines speichereffizienten Trainingsalgorithmus für das föderale Lernen
⦁ Optimierung von Modellaustauschmethoden zur Minimierung der Datenübertragung
⦁ Entwicklung von datenschutzorientierten föderalen Lernmethoden
**Was Sie bei uns tun**
⦁ Literaturrecherche und Einordung des aktuellen Stands der Technik
⦁ Analyse von existierenden Methoden und
⦁ Entwicklung eines neuartigen Konzeptes für das föderale Lernen
⦁ Entwicklung und Bau von Prototypen
**Was Sie mitbringen**
⦁ Studium in den Bereichen Elektrotechnik, Informatik, Mathematik oder vergleichbaren Disziplinen
⦁ Gute bis sehr gute Studienleistungen
⦁ Kenntnisse im Bereich Machine Learning (Keras oder PyTorch)
⦁ Erfahrungen im Umgang mit Embedded Systems (C oder C++) ist wünschenswert
⦁ Eigenständige und zuverlässige Arbeitsweise sowie ein hohes Maß an Kommunikations- und Teamfähigkeit
**Was Sie erwarten können**
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität.
Die wöchentliche Arbeitszeit beträgt 39 Stunden.
**Stellensegment:**
Training, Learning, Education, Human Resources