Das Unternehmen bietet eine spannende Möglichkeit für Masteranden, die sich im Bereich Data Science weiterentwickeln möchten. In dieser Rolle werden Sie Teil eines dynamischen Teams, das sich täglich mit der Analyse und Strukturierung großer realer Telematik-Datensätze aus Fahrzeugflotten beschäftigt. Ihre Hauptaufgaben umfassen die Entwicklung und Bewertung geeigneter Features zur Beschreibung des Batteriezustands und der Degradation sowie die Anwendung und den Vergleich von Machine-Learning- und Zeitreihenmodellen zur Schätzung des State of Health (SOH). Darüber hinaus werden Sie die Übertragbarkeit von Labor- auf reale Flottendaten untersuchen und Validierungsstrategien konzipieren und umsetzen. Die Visualisierung und Interpretation von Degradationsverläufen innerhalb der Fahrzeugflotte sowie die wissenschaftliche Dokumentation und Bewertung der Ergebnisse gehören ebenfalls zu Ihrem Verantwortungsbereich. Das Arbeitsumfeld ist geprägt von einem hohen Maß an Eigenverantwortung und Teamarbeit, wobei die Unternehmenskultur auf Offenheit und Innovation ausgerichtet ist. Sie haben die Möglichkeit, Ihre Ideen einzubringen und aktiv zur Entwicklung zukunftsweisender IT-Lösungen beizutragen.

Der ideale Kandidat befindet sich in einer fortgeschrittenen Studienphase in Informatik, Statistik, Maschinenbau, Physik oder einem verwandten Fachgebiet. Sie sollten Kenntnisse in Machine Learning, statistischer Modellierung oder Zeitreihenanalyse mitbringen und Erfahrung in der Programmiersprache Python, insbesondere mit den Bibliotheken NumPy, pandas und scikit-learn, haben. Optional sind Kenntnisse in PyTorch oder TensorFlow von Vorteil. Eine strukturierte Analyse komplexer, realer Datensätze ist für diese Position unerlässlich. Zudem erwarten wir eine selbstständige, methodisch saubere und lösungsorientierte Arbeitsweise. Ein besonderes Interesse an datengetriebenen Fragestellungen im Kontext Elektromobilität und Fahrzeugtechnik wird ebenfalls geschätzt. Grundkenntnisse in Batterietechnologie oder Telematikdatenanalyse sind von Vorteil, aber nicht zwingend erforderlich.