Metehan Oruc

Mit meiner Masterarbeit bei Carl Zeiss SMT vertiefte ich meinen Weg vom Engineering hin zu datengetriebenen Methoden in der High-Tech-Fertigung. Ich entwickelte und evaluierte Machine-Learning-Verfahren zur Anomalie- und Artefakterkennung in AFM/WLI-Messdaten – von der Datenaufbereitung und Modellierung bis zur systematischen Bewertung. Die untersuchten Ansätze finden Anwendung im Fertigungs- und Messtechnikumfeld. Abschlussnote: 1,5

Als Werkstudent bei Carl Zeiss SMT wirkte ich an der Einführung und Algorithmenentwicklung einer automatisierten, KI-basierten Defekterkennung für Optiken in der Halbleiterfertigung mit. Neben Defekt-Labeling und Qualitätsreviews in der internen Software DeepVision automatisierte ich Arbeitsabläufe mit Python und MATLAB. Die Tätigkeit vertiefte meine Verbindung von Engineering, Datenanalyse und Machine Learning und legte zugleich die Grundlage für meine anschließende Masterarbeit bei ZEISS.

Bei BSH arbeitete ich an der Schnittstelle von Produktion, Daten und Digitalisierung. Innerhalb eines sechswöchigen Praktikums setzte ich die Datenerfassung, Analyse und Visualisierung von Fertigungs- und Maschinendaten um und entwickelte interaktive Dashboards in Power BI und Grafana. Ein Schwerpunkt war die End-to-End-Integration einer neuen Produktionslinie – von CoDaBix/MSSQL bis zu Condition Monitoring und Data Analytics. Die entwickelten Dashboards werden im Produktionsumfeld eingesetzt.

Mit meiner Bachelorarbeit bei ZEISS Industrial Metrology begann ich, meinen Mechatronik- und Engineering-Hintergrund gezielt mit Machine Learning zu verbinden. Im Kontext der additiven Fertigung entwickelte und untersuchte ich datengetriebene Ansätze zur Klassifizierung von Pulverpartikeln. Damit entstand für mich die Grundlage, technische Fragestellungen zunehmend mit Machine Learning und datenbasierten Methoden zu lösen. Abschlussnote: 1,3

Meine erste berufliche Station während des Mechatronikstudiums führte mich in die Vorentwicklung und damit direkt in die praktische Ingenieursarbeit. Hier erhielt ich Einblicke in frühe Entwicklungsphasen technischer Produkte und konnte mein mechatronisches Verständnis sowie Kenntnisse in Sensorik und technischer Problemlösung erstmals im industriellen Umfeld anwenden. Diese Erfahrung legte das technische Fundament für meinen weiteren Weg vom Engineering hin zu datengetriebenen Methoden und Machine Learning

LGFG-Promotionsstipendiat der Universität Ulm. Aufbauend auf meinem Hintergrund in Mechatronik und industriellen Machine-Learning-Anwendungen forsche ich an der Schnittstelle von datengetriebenen Methoden und mathematischer Optimierung. Im Fokus steht die Frage, wie komplexe Entscheidungsprobleme mit mehreren, teils konkurrierenden Zielen effizient gelöst werden können. Schwerpunkte: Evolutionary Algorithms, Multi-Objective & Combinatorial Optimization sowie Causal Inference.

Schwerpunkt: mechatronische Systeme im Fahrzeug