Masterarbeit: Adaption von MLOps zur Integration von KI/ML in die Instandhaltung

Das sind Deine Aufgaben:

• Literatur- und Marktrecherche zu aktuellen Trends und Technologien im Bereich MLOps und deren Anwendung in der Instandhaltung
• Analyse spezifischer Anforderungen der Instandhaltung an KI/ML-Modelle und deren Betrieb
• Entwicklung eines angepassten MLOps-Ansatzes, der die Integration von KI/ML in die Instandhaltung erleichtert
• Ableitung von Handlungsempfehlungen und Erstellung einer praxisorientierten Dokumentation

Das bringst Du mit:

• Du studierst Wirtschaftsingenieurwesen, Maschinenbau, Informatik oder ähnliches
• Du verfügst über sehr gute Deutsch- und
• Englischkenntnisse in Wort und Schrift
• Dich zeichnet eine selbstständige und engagierte wie sorgfältige und zielorientierte Arbeitsweise aus
• Du bist sicher im Umgang mit den gängigen MS-Office-Programmen

Das kannst Du erwarten:

• interessante und anspruchsvolle Aufgaben
• die Bearbeitung anwendungsnaher und in Praxis höchst aktueller Forschungsschwerpunkte
• eine strukturierte Betreuung mit regelmäßigem Austausch, digital oder vor Ort, sowie konstruktiven Feedbackschleifen
• Förderung der eigenständigen Arbeitsweise und flexiblen Zeiteinteilung
• ein motiviertes Team und einen modernen Arbeitsplatz am Cluster Smart Logistik

Die Abteilung Dienstleistungsmanagement optimiert Prozesse in Betrieb, Wartung und Instandhaltung technischer Systeme. Mit modernen Technologien und innovativen Konzepten schaffen wir nachhaltigen Mehrwert. MLOps spielen dabei eine entscheidende Rolle, um datengetriebene Ansätze im Zusammenhang von KI und ML effizient in den praktischen Einsatz zu bringen.

Ziel der Abschlussarbeit: Das Ziel Ihrer Abschlussarbeit ist es, MLOps-Ansätze gezielt an den Anwendungsfall der Instandhaltung anzupassen. Sie entwickeln einen Ansatz, der die effektive Nutzung von KI/ML in Instandhaltungsprozessen ermöglicht und durch MLOps unterstützt wird. Basierend auf Ihren Ergebnissen sollen Handlungsempfehlungen für die Implementierung maßgeschneiderter MLOps-Pipelines abgeleitet werden.

Originally posted on Himalayas