Prompting statt Programmieren: LLM-gestützte Signalauswertung für Sicherheitsbremsen

Themenbeschreibung:

Large Language Models wie Claude verändern gerade grundlegend wie Software entsteht. Aber können sie auch das leisten, was bisher Programmier-Spezialisten vorbehalten war – nämlich das implizite Erfahrungswissen von Domänenexperten in robusten, wissenschaftlich validierten Code zu übersetzen? Genau hier setzt diese Arbeit an: Unsere Bremsenexperten wissen genau, wie ein aussagekräftiges Bremsmoment-Plateau in einem Messsignal aussieht, können es aber nicht selbst programmieren. Deine Aufgabe ist es, aus ihrer abstrakten, natürlichsprachlichen Beschreibung mithilfe von LLMs (z. B. Claude Code) einen funktionierenden Erkennungsalgorithmus entstehen zu lassen und wissenschaftlich zu untersuchen, wie gut, wie zuverlässig und wie übertragbar dieser neue Entwicklungsprozess ist. 
Du wirst dabei zur Brücke zwischen menschlichem Domänenwissen und künstlicher Intelligenz.

Aufgabe:

• Erhebung und Strukturierung des Expertenwissens in eine präzise, testbare Beschreibung 
  des Bremsmomentplateaus
• LLM-gestützte Entwicklung von Algorithmen zur automatisierten Plateauerkennung 
  (z. B. mit Claude Code)
• Validierung der Ergebnisse gegen Experten-Annotationen und einen bestehenden Referenzalgorithmus (Genauigkeit, Robustheit, Rechenzeit)
• Systematische Untersuchung des LLM-gestützten Entwicklungsprozesses hinsichtlich Effizienz, Reproduzierbarkeit und typischer Fehlerquellen
• Optional: Übertragung des Ansatzes auf einen weiteren Datensatz zur Bewertung 
  der Generalisierbarkeit
  Ableitung und Zusammenfassung relevanter Einflussfaktoren und Randbedingungen

Profil:

• Studium in Maschinenbau, Mechatronik, Informatik, Wirtschaftsinformatik, Data Science, Wirtschaftsingenieurwesen o. ä.
• Begeisterung für LLMs und KI-gestützte Entwicklung – du willst ausloten, was mit diesen Werkzeugen wirklich möglich ist
• Selbstständige, strukturierte und analytische Arbeitsweise
• Vorwissen zu Bremsen oder Tribologie ist nicht erforderlich – das liefern unsere Experten

Die genannten Vorkenntnisse sind hilfreich, aber Neugier, Lernbereitschaft und Engagement zählen für uns mehr.. Sie sind jedoch hilfreich für eine schnelle und reibungslose Einarbeitung.

Hat diese Ausschreibung Ihr Interesse geweckt? Dann senden Sie bitte eine aussagekräftige Bewerbung mit Lebenslauf und aktuellem Notenauszug an: stefan.altstetter∂partner.kit.edu