Fakultät IV - Elektrotechnik und Informatik, Berlin Institute for the Foundations of Learning and Data (BIFOLD)
10 Stellen - Wiss. Mitarbeiter*in (d/m/w) - 1. Qualifizierungsphase (zur Promotion)
Teilzeitbeschäftigung ist ggf. möglich
Über uns
BIFOLD betreibt skalierbare, agile Grundlagenforschung auf dem Gebiet Künstliche Intelligenz (KI) in der deutschen KI-Metropole Berlin. Das Institut ist Teil des Netzwerks der sechs nationalen Kompetenzzentren für Forschung zu KI in Deutschland. Deren gemeinsame Aufgabe ist es, Deutschlands Position als internationalen Spitzenstandort für die Forschung an KI-Technologien weiter auszubauen.
Promovierende der BIFOLD Graduiertenschule profitieren von einer umfassenden Betreuung durch führende internationale Wissenschaftler*innen, interdisziplinärem Austausch und beruflichen Entwicklungsmöglichkeiten in einem der weltweit führenden KI-Forschungsstandorte. Neben spannenden Forschungsprojekten bieten wir Zugang zu internationalen Konferenzen, Sommerschulen, Workshops und einer Vielzahl von beruflichen Entwicklungsmöglichkeiten, einschließlich umfassender Betreuung, Finanzierung von Konferenzbesuchen und Gastwissenschaftlerprogrammen. BIFOLD steht für ein internationales, kollegiales und familienfreundliches Arbeitsumfeld.
Ihre Aufgaben
Basierend auf den übergreifenden Forschungsschwerpunkten von BIFOLD bietet die Graduiertenschule Promotionsprojekte in den Bereichen aktueller Herausforderungen in KI, Data Science (DS) und der verteilten Analyse großer Datenmengen an. Schwerpunkte liegen auf Datenmanagement, maschinellem Lernen und deren Überschneidungsbereichen; einschließlich der Entwicklung neuer Theorien, Algorithmen und Technologien sowie prototypischer Systeme und Werkzeuge.
Unsere Forschungsgruppen auf dem Gebiet des Datenmanagements
1. Datenbanksysteme und Informationsmanagement (Prof. Dr. Volker Markl),
2. Informationsintegration und Datenaufbereitung (Prof. Dr. Ziawasch Abedjan),
3. Data Management for Machine Learning (Prof. Dr. Sebastian Schelter),
4. Big Data Engineering (Prof. Dr. Matthias Böhm),
5. Big Data Analytics for Earth Observation (Prof. Dr. Begüm Demir),
6. Distributed Data Stream Processing in Heterogeneous Environments (Dr. Steffen Zeuch)
und in den Bereichen des Maschinellen Lernens
7. Maschinelles Lernen (Prof. Dr. Klaus-Robert Müller),
8. Maschinelles Lernen und IT-Sicherheit (Prof. Dr. Konrad Rieck),
9. Probabilistic Modeling and Inference (Dr. Shinichi Nakajima),
10. Intelligent Biomedical Sensing (Dr. Alexander von Lühmann),
Ihr Profil
11. Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) in Informatik (z. B. theoretische, methodisch-praktische oder technische Informatik) oder eng verwandten Studienfächern mit Schwerpunkt auf mindestens einem BIFOLD-Kernbereich, mit sehr guten Leistungen. Eine Bewerbung vor Abschluss des Studiums ist möglich, der Abschluss muss jedoch spätestens bei Vertragsabschluss nachgewiesen werden.
12. Gute Programmierkenntnisse (z.B. Python, Java, Scala, C/C++, Rust),
13. Für Stellen im Bereich Datenmanagement: praktische Erfahrung in der Nutzung und (optional) Implementierung von Big-Data-Systemen (z. B. Apache Flink, Apache Spark, Dask) oder Datenbanksystemen (z. B. PostgreSQL)
14. Für Stellen im Bereich Maschinelles Lernen: sehr gute Kenntnisse in Theorien und Methoden des maschinellen Lernens (z.B. Kernmethoden, tiefe Neuronale Netze), praktische Erfahrung in der Entwicklung und Anwendung von ML-Algorithmen, Erfahrungen mit Linear Algebra / Neural Network Frameworks (z.B. NumPy, PyTorch, TensorFlow, JAX),
15. Für Stellen an der Schnittstelle von Datenmanagement/Maschinelles Lernen: praktische Erfahrung in angewandtem ML (Auswahl von Merkmalen und Modellen, ML-Frameworks, Modellevaluierung und Debugging), Datenintegration, Data-Science-Pipelines, Datenqualität, sowie (fakultativ, aber von Vorteil) Erfahrung in multimodalen Datendarstellungen, Alignment, datenzentrierten ML-Pipelines und ML für Anwendungen wie Gesundheitswesen oder Fernerkundung,
16. Sehr gute Englischkenntnisse,
17. Grundkenntnisse in Deutsch bzw. die Bereitschaft Deutsch zu lernen,
18. Erste Erfahrungen in der Forschung und dem Verfassen von Publikationen sind von Vorteil,
19. Erfahrung in der Lehre und didaktische Kompetenz sind von Vorteil.
Wir suchen hoch motivierte, neugierige, begeisterungsfähige und ergebnisorientierte Forscher*innen mit ausgezeichneten akademischen Leistungen und starkem Interesse an wissenschaftlicher Arbeit in den Bereichen Datenmanagement, Maschinelles Lernen und deren Überschneidungen.