PhD - Skalierbare und effiziente Reinforcement-Learning-Methoden fur Physical AI (f/m/div.) (w/m/div.)
Unternehmensbeschreibung
Stellenbeschreibung
Bei Bosch Research treiben wir die nachste Generation von Physical AI voran - intelligente Systeme, die die reale Welt wahrnehmen, schlussfolgern und robust handeln konnen. Von automatisiertem Fahren bis hin zur Robotik ist es unser Ziel, KI-Technologien zu entwickeln, die nicht nur leistungsfahig, sondern auch sicher, effizient und skalierbar sind. Trotz bemerkenswerter Fortschritte bei Foundation Models und End-to-End-Lernen haben heutige autonome Systeme weiterhin Schwierigkeiten, zuverlassig auf neue Situationen zu generalisieren, und benotigen haufig enorme Datenmengen sowie erhebliche Rechenressourcen. Fur Bosch Produkte mussen KI-Losungen jedoch auch unter realen Rahmenbedingungen eine starke Leistung erbringen - etwa bei begrenzter Rechenleistung, hoher Energieeffizienz, Sicherheit und Zuverlassigkeit.
In diesem Promotionsprojekt erforschen Sie neue Ansatze zur Entwicklung der nachsten Generation effizienter autonomer Entscheidungsfindungssysteme. Ihre Forschung verbindet Ideen aus Imitation Learning, Reinforcement Learning, groskaliger Simulation, World Models und Modellkompression, um KI-Agenten (uber mehrere Auspragungen hinweg) zu entwickeln, die sich kontinuierlich verbessern, sich an neuartige Situationen anpassen und den Transfer von der Simulation in die Realitat effektiv meistern. Ein zentraler Schwerpunkt des Projekts ist die Ermoglichung ressourceneffizienter Physical AI: Sie erreichen die Zuverlassigkeit und Generalisierungsfahigkeit heutiger fuhrender KI-Systeme und reduzieren zugleich die fur den Einsatz auf realen Geraten erforderlichen Rechenanforderungen deutlich.
Wenn Sie Teil von Bosch Research werden, haben Sie die Moglichkeit, an der Schnittstelle von modernster KI-Forschung und industrieller Praxis zu arbeiten. Sie kooperieren mit fuhrenden Expertinnen und Experten aus Wissenschaft und Industrie, um zukunftige intelligente Produkte und Services mitzugestalten.
Qualifikationen
- Ausbildung: Hervorragender Masterabschluss in Informatik, Robotik, Mathematik, Physik oder einem vergleichbaren Studiengang
- Erfahrung und Kenntnisse: Umfangreiche praktische Erfahrung und fundiertes theoretisches Verstandnis im Bereich Reinforcement Learning (RL), idealerweise mit Expertise in emergentem Verhalten, Safe RL, Offline RL und/oder MultiAgent RL, kombiniert mit exzellenten PythonKenntnissen sowie tiefem Know-how in branchenublichen MLFrameworks (z.B. PyTorch, Hugging Face, JAX, TensorFlow)
- Erfahrung und Kenntnisse: Erfahrung in der Softwareentwicklung in groeren Teams sowie in der Bereitstellung MLbasierter Systeme fur reale Anwendungen; Kenntnisse in MLOps sowie CI/CD sind von Vorteil
- Erfahrung und Kenntnisse: Gute Kenntnisse in C und zugehorigen Frameworks (z.B. ROS 2)
- Erfahrung und Kenntnisse: Veroffentlichungen auf fuhrenden Konferenzen in Machine Learning, Robotik oder Computer Vision (z.B. NeurIPS, ICML, ICLR, CVPR, IROS, ICRA) sind von Vorteil
- Personlichkeit und Arbeitsweise: Sie arbeiten methodisch und strukturiert, mit starkem Fokus auf Losungen, Qualitat und Verantwortungsubernahme; mit einer proaktiven Herangehensweise ergreifen Sie Initiative und meistern komplexe Herausforderungen als teamorientierte Fachkraft, die sich in stark kollaborativen, dynamischen Forschungs und Entwicklungsumgebungen wohlfuhlt und aktiv zum gemeinsamen Erfolg beitragt; ein ausgepragtes Verstandnis von KIGeschaftsmodellen motiviert Sie, uber Prototypen hinauszugehen und in enger Zusammenarbeit mit BusinessStakeholdern vollstandig ausrollbare Losungen zu entwickeln
- Begeisterung: Ausgepragte Begeisterung fur die Losung komplexer technischer Herausforderungen und die Entwicklung neuartiger, wirkungsvoller Losungen in interdisziplinaren Teams; Leidenschaft fur das synergetische Potenzial zwischen Reinforcement Learning und Generativer KI
- Sprachen: Verhandlungssicheres Englisch, Deutsch ist von Vorteil
