Blätter-Navigation

Angebot 2 von 203 vom 20.08.2026, 15:13

logo

Fraun­ho­fer Hein­rich-Hertz-Insti­tut

Das Fraun­ho­fer Hein­rich-Hertz-Insti­tut (HHI) ist eines der welt­weit füh­ren­den For­schungs­in­sti­tute für mobile und sta­tio­näre Kom­mu­ni­ka­ti­ons­netz­werke und für die Schlüs­sel-Tech­no­lo­gien der Zukunft. Unsere Kom­pe­tenz­be­rei­che haben wir kon­se­quent auf der­zei­tige und künf­tige Markt- und Ent­wick­lungs­an­for­de­run­gen aus­ge­rich­tet.

Werkstudent*in Erklärbare KI

Aufgabenbeschreibung:

  • Vorantreiben innovativer KI-Forschung durch die Entwicklung und Implementierung, praktische Anwendung, theoretische Analyse und Evaluation von KI- und Erklärbarkeits-Algorithmen
  • Implementierung von Deep Learning und Multi-Agenten-Systemen
  • Unterstützung bei der Verbesserung von Modellen z. B. in Bezug auf Effizienz, Trainingsleistung oder Inferenzverhalten
  • Nutzung von XAI-Werkzeugen zur Sicherung der Erklärbarkeit und Verlässlichkeit von maschinellen Lernmodellen

Erwartete Qualifikationen:

  • Immatrikulation im Vollzeitstudium (Bachelor/ Master) der Fachgebiete Informatik, Mathematik, Physik, Elektrotechnik oder einem verwandten Studiengang mit guten bis sehr guten Noten
  • Programmiererfahrung, insbesondere gute bis sehr gute Python-Kenntnisse
  • Erfahrung mit maschinellem Lernen, insbesondere mit neuronalen Netzen und ihrer Implementierung (PyTorch, TensorFlow o. Ä.)
  • Fundierte Kenntnisse zum aktuellen Stand der Forschung in KI und maschinellem Lernen
  • Motivation und Eigeninitiative
  • Wohnort Berlin und Umgebung, da die Stelle ausschließlich vor Ort ausgeführt wird, um eine enge Zusammenarbeit zu ermöglichen
  • Interesse an erklärbarer künstlicher Intelligenz (XAI), potentielle Themen sind unter anderem (gerne im Anschreiben Bezug nehmen):
    - XAI für Computer Vision (insbesondere Objekterkennung und Semantic Segmentation Models)
    - XAI für große Sprachmodelle
    - XAI für Multi-Agentensysteme
    - Physikinformierten neuronalen Netzwerken (PINNs) und Operator Learning
    - Anwendungen vertrauenswürdiger KI (z. B. robuste Modellierung von Halbleitern und HF-
    Leistungsbauelementen)
    - Datenattributionsmethoden (Data Attribution)
    - Methodenentwicklung in den Bereichen: Lokale Merkmalsattribution, Globale und
    mechanistische Interpretierbarkeit
    - Interpretierbarkeits-basierte Modellverbesserung (z. B. Bias-Erkennung und -Vermeidung)

Unser Angebot:

  • Extrem interessante Herausforderungen in einem wissenschaftlich und zugleich unternehmerisch geprägten Umfeld
  • Attraktives Gehalt
  • Moderner, exzellent ausgestatteter Arbeitsplatz in zentraler Lage
  • Offene und kooperative Arbeitsatmosphäre in einem internationalen Team
  • Flexible Arbeitszeiten
  • Unterstützung beim Anfertigen von Master- oder Bachelorarbeiten; oft werden die Arbeiten in enger • Zusammenarbeit mit industriellen Partnern durchgeführt