About this role
Sommersemester 2027 – befristet auf 3–6 Monate Wie können intelligente Systeme räumliche Zusammenhänge erkennen und Schlussfolgerungen ziehen, wenn relevante Teile ihrer Umgebung nicht direkt beobachtbar sind? In dieser Arbeit untersuchen Sie Methoden für das räumliche Schlussfolgern in der industriellen Bildverarbeitung. Mögliche Anwendungsfälle sind Szenen, in denen Objekte verdeckt sind, nur aus bestimmten Blickwinkeln erfasst werden können, Beobachtungen fehlen oder Sensoren nicht alle relevanten Bereiche abdecken. Ziel ist es, zu untersuchen, wie lernbasierte Systeme Objekte, räumliche Beziehungen und Rahmenbedingungen abbilden und daraus Schlussfolgerungen ziehen können, wenn die verfügbaren visuellen Informationen unvollständig sind.
Die methodische Herangehensweise ist offen. Abhängig von der gewählten Fragestellung und dem Umfang der Arbeit kommen beispielsweise generative Modelle, Vision-Language-Modelle, objektzentrierte oder strukturierte Repräsentationen, probabilistische Methoden, Weltmodelle, neuro-symbolische Ansätze oder Kombinationen dieser Methoden infrage.
IHRE AUFGABEN
- Sie untersuchen Ansätze, mit denen sich aus unvollständigen räumlichen Beobachtungen Schlussfolgerungen ziehen lassen.
- Sie vergleichen ausgewählte Repräsentationsformen und Inferenzstrategien.
- Dazu können strukturierte, rekursive oder schrittweise Verfahren sowie Ansätze gehören, die Unsicherheiten gezielt berücksichtigen.
- Sie wählen einen geeigneten Ansatz aus, passen ihn an die Fragestellung an oder entwickeln ihn weiter und setzen ihn als Proof-of-Concept-Prototyp um.
- Sie evaluieren den Prototyp anhand einer ausgewählten Aufgabe.
- Ziel der Arbeit ist eine fundierte Einschätzung, inwieweit sich der gewählte Ansatz für reale industrielle Anwendungen eignet.
- Dazu identifizieren Sie eine geeignete Repräsentationsform und Inferenzstrategie für das ausgewählte Szenario, analysieren deren Voraussetzungen und Grenzen und bewerten das Potenzial anhand eines Proof-of-Concept-Prototyps.
- Auch fundierte negative Ergebnisse sind ausdrücklich erwünscht.
IHR PROFIL
- Sie absolvieren ein Masterstudium in Informatik, Künstlicher Intelligenz, Data Science, Mathematik, Robotik, Physik, Ingenieurwissenschaften oder einem verwandten Fachgebiet.
- Sie verfügen über gute Grundlagen im maschinellen Lernen, in Diffusionsmodellen, Python und Computer Vision.
- Kenntnisse in PyTorch, generativen Modellen, räumlichem Schlussfolgern, Objekterkennung oder Unsicherheitsschätzung sind von Vorteil.
- Sie haben Interesse daran, wissenschaftliche Literatur auszuwerten, Hypothesen zu entwickeln, kontrollierte Experimente durchzuführen und kritisch zu beurteilen, ob sich neue Methoden für industrielle Fragestellungen eignen.
- Sie können sich schnell in komplexe technische Themen einarbeiten, arbeiten selbstständig und systematisch und kommunizieren Ihre Ergebnisse verständlich in einem interdisziplinären Team.
- Sie interessieren sich für generative KI, visuelles Schlussfolgern, unsicherheitsbewusste Inferenz und explorative Forschung im industriellen Umfeld.
- Sie verfügen über gute Englischkenntnisse in Wort und Schrift.
Sie erfüllen noch nicht alle Anforderungen? Wir freuen uns trotzdem auf Ihre Bewerbung. Uns sind Neugier, Lernbereitschaft und eine systematische Herangehensweise an komplexe Fragestellungen wichtig. Fehlende Kenntnisse können Sie im Rahmen Ihrer Abschlussarbeit weiterentwickeln. Kontakt: Sarah Disch