system-administration

Bosch Group

<div><section><div><p></p><h2>Unternehmensbeschreibung</h2></div><div><p><strong>Bei Bosch gestalten wir Zukunft mit hochwertigen Technologien und Dienstleistungen, die Begeisterung wecken und das Leben der Menschen verbessern. Unser Versprechen an unsere Mitarbeiterinnen und Mitarbeiter steht dabei felsenfest: Wir wachsen gemeinsam, haben Freude an unserer Arbeit und inspirieren uns gegenseitig. Willkommen bei Bosch.</strong></p><p>Die Robert Bosch GmbH freut sich auf Ihre Bewerbung!</p></div></section><section><div><p></p><h2>Stellenbeschreibung</h2></div><div><p>Wissensgraphen (KGs) haben sich als ein Schlüsselfaktor erwiesen, um den Erfolg von Smart Manufacturing zu fördern. Die in diesen Kontexten generierten Daten müssen semantisch harmonisiert und für eine Vielzahl von Anwendungen verfügbar gemacht werden.<br> Aufgrund der enormen Heterogenität sowie der zugrundeliegenden Datenqualität besteht jedoch die Anforderung, diese KGs kontinuierlich durch Methoden der Wissensgraphvervollständigung (KGC) wie Link Prediction oder Node Classification zu aktualisieren und zu verbessern. Aktuelle KGC-Ansätze berücksichtigen jedoch nicht die Qualitätsanforderungen bei der Generierung ihrer Vorhersagen, was zur Vervollständigung der KGs mit fehlerhaften Beziehungen führt.</p><ul><li>Für eine erfolgreiche Übernahme von KGs und deren Verbesserungen durch KGC-Methoden ist ein neuro-symbolischer Ansatz erforderlich. Dieser Ansatz wird es Fertigungsexperten ermöglichen, die durch die Methoden erhaltenen Ergebnisse zu verstehen und anzuwenden und ordnungsgemäß zu beurteilen, ob die Ergebnisse gemäß ihrem Wissen sinnvoll sind.</li><li>Diese Dissertation soll innovative neuro-symbolische Methoden erforschen, um die KGC-Methoden in Szenarien der intelligenten Fertigung zu verbessern. Der Schwerpunkt liegt auf der Darstellung von heterogenem und beziehungsbasiertem Wissen und der Kombination mit lernbasierten Ansätzen, um die Erklärbarkeit und Transparenz der Vorhersagen zu ermöglichen.</li><li>Die Methoden werden in einem oder mehreren realen Anwendungsfällen bei Bosch validiert. Die Bewertungen werden anhand öffentlicher Benchmark-Herausforderungen im Bereich Smart Manufacturing, die von der Gemeinschaft anerkannt werden, und interner Bosch-Datensätze durchgeführt.</li></ul></div></section><section><div><p></p><h2>Qualifikationen</h2></div><div><ul><li><strong>Ausbildung: </strong>ausgezeichneter Masterabschluss im Bereich Informatik, Mathematik, Ingenieurwissenschaften oder vergleichbar (bitte geben Sie Ihre Abschlussnoten an)</li><li><strong>Erfahrungen und Know-how:</strong> im Bereich des maschinellen Lernens, vorzugsweise in den Bereichen Grapheneinbettung und neuronale Netze, Kenntnisse in Deep-Learning-Frameworks (PyTorch); gute Programmierkenntnisse in Python und Präsentationsfähigkeiten sowie Grundkenntnisse in semantischen Methoden und Ontologien</li><li><strong>Persönlichkeit und Arbeitsweise: </strong>Sie können offen auf andere zugehen, Ihre Ideen klar vermitteln und suchen aktiv nach neuen Herausforderungen</li><li><strong>Sprachen: </strong>fließend in Englisch, Deutschkenntnisse von Vorteil</li></ul></div></section><section><div><p></p><h2>Zusätzliche Informationen</h2></div><div><p><a href="https://www.bosch-ai.com">https://www.bosch-ai.com<br> www.bosch.com/research</a></p><p>Die finale Vergabe des Promotionsthemas obliegt Ihrer Hochschule als zentrale Anlaufstelle für Ihre Promotion.</p><p><strong>Beginn: </strong>nach Absprache</p><p>Bitte reichen Sie alle relevanten Unterlagen (inkl. Lebenslauf und Hochschulzeugnisse) ein.</p><p>Vielfalt und Inklusion sind für uns keine Trends, sondern fest verankert in unserer Unternehmenskultur. Daher freuen wir uns über alle Bewerbungen: unabhängig von Geschlecht, Alter, Behinderung, Religion, ethnischer Herkunft oder sexueller Identität.</p><p><strong>Sie haben Fragen zum Bewerbungsprozess?</strong><br> Sarah Schneck (Personalabteilung)<br> +49 9352 18 8527</p><p><strong>Sie haben fachliche Fragen zum Job?</strong><br> Irlan Grangel Gonzalez (Fachabteilung)<br> +49 711 811 92686</p></div></section></div>

Promotion - Erklärbare Wissensgraphvervollständigung für intelligente Fertigungssysteme

Es werden keine Bewerbungen mehr angenommen.