Pratij Jadhav

1. Entwicklung multikriterieller Optimierungsalgorithmen mithilfe von Reinforcement Learning und neuronalen Netzen. 2. Reduzierung der Design-Iterationszeit um 30% durch einen geeigneten Optimierungs- Workflow.

1. Trainiertes CNN-Modell in PyTorch anhand von Videobildern mit 98% Genauigkeit, wodurch die Analysezeit um 87% reduziert wurde. 2. Abgleich von Testbench-Signalen mit Modellvorhersagen zur Validierung ML-basierter Diagnosen in eingebetteten Systemen. 3. Reduzierte Objekterkennungszeit um 10% durch den SAM-Objektdetektor. 4. Anwendung erklärbarer KI-Techniken zur Verbesserung der Modellinterpretierbarkeitfür Stakeholder.

1. Simulation von Brennstoffzellensystemen in AMESim und Generierung synthetischer Daten für Modelltraining und -validierung. 2. Einsatz von aktivem Lernen mit ASCMO zur Entwicklung von DoE, wodurch die Abdeckung verbessert und der Testaufwand um 25% reduziert wurde. 3. 150€ monatliche Kosten pro Mitarbeiter eingespart durch Python GUI des Modells

1. Durchführung von Fahrzeuginstrumentierung und Systemtests für ADAS- und Bremssysteme. 2. Datenanalyse mit Power BI zur Validierung von Systemen wie ABS und ESP durchgeführt. 3. Testzeiten durch I4.0-Automatisierung und Konzeptvorschläge um 30 % reduziert.

Spezialisierung auf autonome Systeme, maschinelles Lernen und Brennstoffzellentechnologie. Deutschlandstipendium 2022 Note: 1.7

Abschlussnote: 1,58