Im Rahmen dieser Masterarbeit soll ein multimodales Large Language Model (LLM) entwickelt und evaluiert werden, das in der Lage ist, aus Systems Engineering Artefakten – insbesondere natürlichsprachlichen Anforderungen und grafischen Systemmodellen – automatisiert Softwarecode zu generieren. Ziel ist es, das Potenzial aktueller KI-Modelle zur End-to-End-Übersetzung technischer Spezifikationen in funktionalen Code zu untersuchen und für die Anwendung in der Ladeenwicklung im Automotive-Bereich nutzbar zu machen.
Aufgaben
- 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)
Anforderungen
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
Unternehmensprofil
„Am Anfang schaute ich mich um, konnte aber den Wagen, von dem ich träumte, nicht finden. Also beschloss ich, ihn mir selbst zu bauen.“
Dieser Satz von Ferry Porsche bringt alles auf den Punkt, was Porsche ausmacht. Als Marke, als Unternehmen, als Automobilhersteller, als Arbeitgeber. Die „Idee Porsche“ hat so einzigartige Sportwagen wie den Porsche 356 oder den 911 hervorgebracht. Durch die Kombination von Tradition und Innovation mit den Porsche typischen, manchmal etwas unkonventionellen Denkweisen unserer Mitarbeiter, lassen wir automobile Träume wahr werden und haben so immer das „Etwas-mehr“ im Blick. Porsche ist allerdings viel mehr als "nur" ein exklusiver Sportwagenhersteller. Denn auch als Arbeitgeber hat Porsche viel zu bieten: vielfältige Einstiegs- und Karrieremöglichkeiten, Maßnahmen zur Vereinbarkeit von Beruf und Familie sowie flexible Arbeitszeitmodelle.
Exklusive Einblicke hinter die Kulissen
Unabhängig von dem, was andere tun, sind wir stets bestrebt, unsere Grenzen ständig neu zu definieren und Maßstäbe zu setzen. Das können wir heute und in Zukunft aber nur mit Mitarbeitern und Führungskräften erreichen, die immer das „Etwas-mehr“ im Blick haben.