Wissenschaftlicher Mitarbeiter für den Forschungsbereich "Dezentrales Maschinelles Lernen" bei Universität Bayreuth

An der Universität Bayreuth ist an der Fakultät für Mathematik, Physik und Informatik am Lehrstuhl für Data Systems (Herr Prof. Dr. Ruben Mayer) zum 01. Juni 2024 eine befristete Stelle als

mit dem Ziel der Promotion in Vollzeit zu besetzen.

Über uns:

Der Lehrstuhl für Data Systems an der Universität Bayreuth wird von Prof. Ruben Mayer geleitet. Wir widmen uns der Forschung an hochskalierbaren Verteilten Systemen für das Datenmanagement, insbesondere im Bereich des Maschinellen Lernens (ML). Dabei zielen wir darauf ab, Probleme mit großen Datenmengen aus der echten Welt zu lösen.

Voraussetzungen:

• Masterabschluss in Informatik (oder ähnliches) mit sehr guten Ergebnissen
• Interesse an Themen im Bereich Verteilte Systeme und Datenmanagement
• Grundlegendes Wissen über Verteilte Systeme und Maschinelles Lernen
• Erfahrung mit der Entwicklung von Softwaresystemen, sehr gute Programmierkenntnisse in Programmiersprachen wie C++, Python oder Java
• Erfahrung in der Anwendung grundlegender Software-Engineering-Konzepte wie Versionskontrolle, Testen und Debuggen, CI/CD-Pipelines usw.
• Praktische Erfahrungen mit aktuellen ML-Frameworks (z.B. PyTorch) sind ein Pluspunkt
• Sehr gute Englischkenntnisse
• Sehr gute Schreibfähigkeiten
• Hoher Einsatz, hohe Motivation, proaktive Kommunikation, soziale Kompetenz

Ihre Aufgaben:

Maschinelles Lernen (ML) hat in den vergangenen Jahren einen großen Durchbruch in der Entwicklung Künstlicher Intelligenz ermöglicht. Zentralisierte ML-Systemen sammeln dabei große Datenmengen, z.B. aus dem Internet, ein und trainieren damit ihre Modelle (siehe z.B. ChatGPT, LLAMA, usw.). Auf diese Weise können aber nur Daten in die Modelle einfließen, die öffentlich zugänglich sind. In vielen Bereichen verhindert der Datenschutz einen solchen Zugang, z.B. bei medizinischen und anderen personenbezogenen Daten. Um solche privaten Daten für das Modelltraining nutzbar zu machen, setzt Dezentrales Maschinelles Lernen (auch als „Federated Learning“ bekannt) darauf, die Daten bei den Datenquellen (den „Clients“) zu belassen. Statt die Daten zu teilen, wird auf jedem Client ein lokales Modell auf den lokalen Daten trainiert und dann rundenbasiert zusammengerechnet, um ein globales Modell zu erhalten.

Dabei gibt es eine Menge Herausforderungen zu beachten. Dezentrales Training skaliert schlechter, da die Modellparameter von vielen Clients über langsame (Internet-)Verbindungen kommuniziert werden müssen. Die verteilte Architektur ermöglicht neue Angriffsvektoren. Zudem ist es unklar, wie sich Dezentrales Maschinelles Lernen mit KI-Regulierungen (insbesondere GDPR und EU AI Act) verträgt.

Das Ziel unserer Forschung ist es, Dezentrales Maschinelles Lernen in diesem Bereich voranzubringen und als eine leistungsfähige Alternative zu zentralisiertem Maschinellem Lernen zu etablieren. Hierzu forschen wir gemeinsam mit unseren Partnern (u.a. IBM Research und University of Cambridge).

Wir suchen:

Haben Sie Interesse daran, in diesem spannenden Bereich mitzuarbeiten und zum Fortschritt der Forschung beizutragen?

Zur Durchführung dieser spannenden Forschungsarbeit suchen wir einen hochmotivierten Doktoranden bzw. eine Doktorandin, der oder die vor kurzem den Master-Abschluss in Informatik (oder in einem ähnlichen Studienfach) gemacht hat bzw. den Abschluss bald machen wird. Die Stelle ist nach dem Wissenschaftszeitvertragsgesetz befristet und dient der eigenen wissenschaftlichen Qualifizierung (Promotion) mit Vergütung nach Entgeltgruppe 13 TV-L. Im Übrigen gelten die Einstellungsvoraussetzungen nach dem Bayerischen Hochschulinnovationsgesetz (BayHIG).

Wir bieten:

• Arbeit in einem hochinnovativen Umfeld
• Betreuung in einer der führenden Universitäten in Deutschland
• Finanzierung von Konferenzreisen und wiss. Hilfskräften ist möglich
• Wir werden alle eingehenden Bewerbungen berücksichtigen, bis die Stelle besetzt ist
• sowie weitere Vorzüge des öffentlichen Dienstes, beispielsweise JobRad, attraktive zusätzliche Altersversorgung bei der Versorgungsanstalt des Bundes und der Länder, vielfältige Angebote der Gesundheitsförderung, z. B. Gesundheitstage, Workshops, Aktiv-Pause sowie Möglichkeit der Teilnahme an einer sehr großen Anzahl unterschiedlichster Sportangebote im Rahmen des allgemeinen Hochschulsports
• neben dem Erholungsurlaub und der Möglichkeit der gleitenden Arbeitszeit dienstfrei am 24.12. und