• 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