* Literaturrecherche zu multimodalen LLMs und Codegenerierung
* Datenaufbereitung (Text- und Modellartefakte aus der Fahrzeugentwicklung)
* Fine-Tuning bzw. Adapter-basiertes Training eines geeigneten LLMs (z. B. mit PEFT)
* Modellierung und Vorverarbeitung grafischer Modelle (z. B. SysML, Simulink) für multimodalen Input
* Evaluation der generierten Codeartefakte anhand syntaktischer und semantischer Metriken
* Vergleich mit bestehenden Codegenerierungsansätzen
Rechercheaufgaben:
* Analyse des aktuellen Forschungsstands zu multimodalen Large Language Models (LLMs) und deren Anwendung in der automatisierten Codegenerierung
* Untersuchung bestehender Methoden zur Verarbeitung und Integration unterschiedlicher Eingabemodalitäten (z. B. Text, Grafiken, Modelle)
* Analyse typischer Systems-Engineering-Artefakte (Requirements, Funktionsmodelle, z. B. SysML oder Simulink) im automobilen Entwicklungsprozess
* Identifikation geeigneter Trainingsmethoden (z. B. Fine-Tuning, PEFT, RAG) für LLMs mit Fokus auf technische Anwendungsdomänen
* Recherche zu Metriken und Verfahren zur Bewertung der Qualität generierten Codes (z. B. syntaktische Korrektheit, funktionale Übereinstimmung)
Studiengänge:
* Informatik
* Fahrzeugtechnik
* Maschinenbau
* Elektrotechnik
* Data Science oder vergleichbarer Studiengang
Studienschwerpunkte:
* Softwareentwicklung und Programmierung
* Künstliche Intelligenz und Machine Learining
* Systems Engineering
* Data Science
Fachkenntnisse:
* Grundlagen des Machine Learnings
* Verständnis der Prinzipien des Systems-Engineering
* Erfahrung in der Datenaufbereitung
* Erste Erfahrung in der Automobilindustrie (z.B. druch Praktika) wünschenswert
IT-Kenntnisse:
* Sicherer Umgang mit MS Office
* Idealerweise fundierte Kenntnisse in Python
* Machine Learning und KI-Frameworks (PyTorch, TensorFlow)
Soft Skills:
* Hohe Eigeninitiative
* ausgeprägte analytische Fähigkeiten
* strukturierte Arbeitsweise
* Teamfähigkeit
* Zielorientierung