Praktikant (m/w/d) Masterarbeit Manufacturing

Als deutsche Tochter der Ford Motor Company gestaltet die Ford-Werke GmbH die Zukunft der Mobilität. Im Bereich Global Operations arbeiten Teams weltweit daran, Produktionsprozesse leistungsfähig, effizient und zukunftsorientiert zu gestalten.

Die Organisation ATP (Advanced Industrial Technology and Platforms) beschäftigt sich mit Innovationen im Bereich Manufacturing.

Dein Profil

• Studium des Maschinenbaus, Wirtschaftsingenieurwesens, der Physik, Informatik, Computational Engineering Science oder eines vergleichbaren Studiengangs
• Gute Kenntnisse in Python sowie vorherige Arbeiten und Erfahrung im Bereich Data Science und Machine Learning
• Kenntnisse in Datenverarbeitung und -visualisierung; Erfahrung mit industriellen oder Produktionsdaten ist von Vorteil
• Analytische, strukturierte und eigenständige Arbeitsweise
• Teamfähigkeit und Freude an der Zusammenarbeit mit Ford und dem Fraunhofer ILT
• Sehr gute Deutsch- und/oder Englischkenntnisse in Wort und Schrift

Das erwartet Dich

• Eine anspruchsvolle Abschlussarbeit an der Schnittstelle von KI, Manufacturing und realer industrieller Produktion
• Zusammenarbeit mit Global Operations innerhalb der Organisation ATP sowie dem Fraunhofer-Institut für Lasertechnik ILT
• Zugang zu realen Produktionsdaten und Einblicke in innovative Fertigungstechnologien

Masterarbeit: Generalisierbarkeit und Transfer Learning von KI-Modellen für Laserfügeprozesse in der Fahrzeugproduktion

Deine Aufgaben

• Aufbereitung, Prüfung und Analyse realer Produktionsdaten einschließlich Datenbereinigung, Merkmalsextraktion und Visualisierung
• Abgleich und Korrelation realer Produktionsdaten mit bestehenden Prozess- und Simulationsmodellen sowie relevanten Qualitätsmerkmalen
• Aufbau und Anpassung eines datenbasierten Modells, das reale Produktionsbedingungen und Prozessschwankungen abbildet
• Analyse der Generalisierbarkeit des Modells über unterschiedliche Produktionsbedingungen, Anlagen oder Materialien hinweg und Identifikation begrenzender Einflussfaktoren
• Untersuchung und Bewertung geeigneter Transfer-Learning-Ansätze, um bestehende Modelle effizient an neue Produktionsdomänen anzupassen und den erforderlichen Trainingsaufwand zu reduzieren
• Validierung der Modellgüte anhand realer Produktionsdaten sowie Bewertung des Potenzials für eine skalierbare industrielle Anwendung