Pratij Jadhav

1. Entwicklung eines Tools zur Substitution von 80% der Simulationen durch Ergebnisse aus trainierten ML-Modellen. 2. Entwicklung eines Frontends in Python Dash und Skalierung der Anwendung für den Einsatz auf einem OpenShift-Cluster für containerisierte Workloads. 3. Entwicklung eines Agenten mit LangChain zur automatisierten Ausführung und Auswertung von Simulink-Simulationen.

1. Entwicklung von ML-Methoden für die Designoptimierung (Regression, Klassifikation und Reinforcement Learning). 2. Validierung von Ersatzmodellen durch Vergleich mit physikalischen Simulationen. 3. Vergleich verschiedener Algorithmen zur Designoptimierung und Integration trainierter ML-Modelle in interne und externe Bosch-Software. 4. Untersuchung unterschiedlicher Ansätze zum Einsatz von Ersatzmodellen in der Designoptimierung.

1. Analyse von Videodaten und Sensorsignalen zur Ableitung sicherheitsrelevanter Systemzustände. 2. Entwicklung eines CNN-Modell in PyTorch mit 98% Genauigkeit, wodurch die Analysezeit um 87% reduziert wurde. 3. Einsatz von Explainable AI zur Modellinterpretation und Nachvollziehbarkeit von Entscheidungslogiken. 4. Integration von YOLO und SAM für Echtzeit-Objekterkennung. 5. Abgleich von Sensordaten mit Modellvorhersagen zur Validierung sensorbasierter Modelle.

1. Simulation von Brennstoffzellensystemen in AMESim zur Generierung und Validierung von Simulationsmodellen. 2. Erstellung eines Design of Experiments (DoE) in ASCMO mittels aktivem Lernen für modellbasierte Funktionsentwicklung. 3. Entwicklung einer Python-basierten GUI als modellbasierten Ersatz für Echtzeitanalyse und Integration.

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