Masterand Entwicklung neuartiger prädiktiver Qualitätsmethoden in München bei BMW

MAN KANN DIE ZUKUNFT NICHT VORHERSAGEN. ABER ENTWICKELN.

TEILE DEINE LEIDENSCHAFT.

Nur hochprofessionelle Abläufe in dynamischen Teams produzieren innovative Spitzentechnologie. Aber Fahrfreude wird bei uns von der Entwicklung bis zur Fertigung vor allem auch mit Spaß an der Arbeit und Begeisterung für das gemeinsame Projekt realisiert. Deshalb geben wir Studierenden bei uns nicht nur die Gelegenheit zum Zuhören, sondern vor allem auch zum Mitreden und Weiterdenken.

Wir, die BMW Group, bieten dir eine spannende und abwechslungsreiche Masterarbeit im Bereich Entwicklung neuartiger prädiktiver Qualitätsmethoden. Das Team von Data Analytics unterstützt Produktionsanlagen bei der Verbesserung ihrer Produktqualität im Bereich der Hochvoltspeichern der nächsten Generation. Wir sind gegliedert in verschiedene Teams zur Datenbereitstellung, IoT-Anbindung sowie Datenauswertung im Rahmen von Use Cases.

Gängige Ansätze zur prädiktiven Qualität (PQ) beruhen auf klassischen Methoden des maschinellen Lernens zur Vorhersage, Klassifizierung oder Erkennung von Anomalien. PQ für einzelne Fertigungsprozesse (DIN 8580) ist in der Literatur gut untersucht. In einem mehrstufigen Fertigungsprozess wird die Qualität des Produkts jedoch in der Regel von jedem Schritt beeinflusst, da sich die Fehler während der Produktion häufen. Neuartige Methoden wie Wissensgraphen können die Abhängigkeiten von mehreren Fertigungs- und Prozessbeobachtungen modellieren. In dieser Arbeit soll untersucht werden, wie Graphneuronale Netze zur Klassifizierung der Produktqualität eingesetzt werden können. Zunächst soll erforscht werden, welche Qualitätsmetriken für die Vorhersage von Produktfehlern von Bedeutung sind. Dann soll eine prädiktive Methode unter Verwendung von GNN implementiert und im Vergleich zu klassischen maschinellen Lernansätzen getestet werden.

Was erwartet dich?

• Erforschen und entwickeln von GNN-Architekturen (Graph Neural Network), die für die Vorhersage der Qualität von Fertigungsprozessen optimiert sind.
• Modellierung von den Abhängigkeiten im Herstellungsprozess von Hochvoltspeichern und Integration von Fachwissen, um die Vorhersagegenauigkeit zu verbessern.
• Beurteilung der Effektivität des GNN-Modells, indem es anhand eines Benchmarks und eines tatsächlichen Produktionsdatensatzes mit anderen ML-Modellen verglichen wird.

Bitte beachte, dass die Betreuung deiner Studienabschlussarbeit durch eine Hochschule/Universität deinerseits sichergestellt sein muss.

Was bringst du mit?

• Einschreibung in einen Masterstudiengang mit dem Schwerpunkt Informatik, Elektrotechnik, Data Science oder einem verwandten Bereich.
• Starke Grundkenntnisse der Prinzipien des maschinellen Lernens und der Architektur neuronaler Netze.
• Gute Programmierkenntnisse, insbesondere in Python, und Erfahrung mit Frameworks für maschinelles Lernen (vorzugsweise PyTorch).
• Vertrautheit mit Graphentheorie ist von Vorteil.
• Hervorragende analytische Fähigkeiten und Fähigkeiten zur Problemlösung.
• Verhandlungssichere Deutsch- und Englischkenntnisse.

Was bieten wir dir?

• Umfassendes Mentoring & Onboarding.
• Persönliche & fachliche Weiterentwicklung.
• Flexible Arbeitszeiten.
• Mobilarbeit.
• Attraktive Vergütung.
• Apartments für Studierende (nach Verfügbarkeit & nur am Standort München).
• Und vieles mehr siehe jobs/waswirbieten.

Du hast Spaß daran, Neues zu lernen und unsere Abteilung tatkräftig zu unterstützen? Bewirb dich jetzt!

Bei der BMW Group verstehen wir Diversität und Inklusion in all ihren Dimensionen als Stärke für unsere Teams. Chancengleichheit ist uns ein besonderes Anliegen, die Gleichbehandlung von Bewerber:innen sowie Mitarbeiter:innen ein grundlegendes Prinzip unserer Unternehmenspolitik. Daher basieren auch unsere Recruiting-Entscheidungen auf ihrer Persönlichkeit, ihren Erfahrungen und Fähigkeiten.

Mehr zu Diversity bei der BMW Group unter bmwgroup.jobs/vielfalt.

Startdatum: ab 15.04.2024

Dauer: 6 Monate

Arbeitszeit: Vollzeit

Kontakt:
BMW Group HR Team
+49 89 382-17001