Auf einen Blick
- Aufgaben: Forschung und Implementierung von Erklärbarkeitsmethoden für Transformer-Modelle in der Autorschaftsverifikation.
- Unternehmen: Fraunhofer-Institut für Sichere Informationstechnologie SIT mit Fokus auf Innovation.
- Vorteile: Flexible Arbeitszeiten und Einblicke in Forschung und Industrie.
- Weitere Informationen: Vielfältige und anpassbare Aufgaben mit Raum für persönliche Entwicklung.
- Warum dieser Job: Gestalte die Zukunft der KI mit und mache einen echten Unterschied.
- Qualifikationen: Kenntnisse in Machine Learning, Python und Motivation für Explainability.
Das prognostizierte Gehalt liegt zwischen 500 - 1500 € pro Monat.
Hintergrund / Motivation
Autorschaftsverifikation (AV) wird in Bereichen wie Forensik, Plagiatserkennung und Fake-News-Detektion eingesetzt, um den wahren Urheber eines Textes zu identifizieren. Ziel der AV ist es, zu klassifizieren, ob zwei oder mehr Texte von demselben Autor verfasst worden sind (Y) oder nicht (N). Wie in den meisten KI-Feldern heutzutage, basieren die leistungsfähigsten Modelle meist auf Transformer-Architekturen. Während diese kontinuierlich neue Bestleistungen erzielen, beschränkt sich die Anwendung von Methoden zur Explainability (Erklärbarkeit) meist auf etwas ältere Modelle oder Architekturen. Das beschränkt die Anwendbarkeit neuester Methoden in der Praxis.
Ziel
Das Ziel dieser Arbeit ist es, existierende Explainability-Methoden auf neuere, leistungsfähigere Modelle anzuwenden und dafür gegebenenfalls anzupassen. Des Weiteren sollen die entsprechenden Methoden, falls notwendig, erweitert werden, um auch für fachfremde Personen verständlich zu sein. Dies kann z.B. durch Visualisierungen oder das automatisierte Herausarbeiten der wichtigsten Eingabedaten realisiert werden.
Ergebnisse
Die Arbeit soll illustrieren, welche Explainability-Ansätze für Transformer-Modelle geeignet sind oder dafür adaptiert werden können. Außerdem sollen die verschiedenen Explainability-Ansätze verglichen und ggf. kombiniert werden, um ein Explainability-Framework zu erstellen, das in der Praxis angewandt werden kann. Dadurch bieten die Ergebnisse sowohl einen wissenschaftlichen Beitrag zur Erklärbarkeit von modernen Transformer-Modellen, als auch einen direkten praktischen Nutzen in der Anwendung der Methoden.
Hier sorgst Du für Veränderung
- Implementierung von einer oder mehr aktuellen Modelle zur Autorschaftsverifikation.
- Forschung und Implementierung von einer neuartigen Erklärbarkeitsmethode für Transformer-Modelle im Kontext von AV.
- Ausführliche Evaluierung und Vergleich der Methode mit existierenden SOTA-Methoden, auf Standard-Datensätzen (z.B. PAN).
Hiermit bringst Du Dich ein
- Kenntnisse im Bereich Machine Learning, idealerweise im Bereich NLP und Transformer-Modelle.
- Sehr gute Python-Kenntnisse, vorzugsweise Erfahrung mit PyTorch oder HuggingFace.
- Motivation, sich mit aktuellen Explainability-Ansätzen auseinanderzusetzen.
- Wissenschaftliches Interesse an Evaluationsmetriken in modernen KI-Systemen.
Was wir für Dich bereithalten
- Selbstständige Arbeitszeiteinteilung.
- Einblicke in das Schnittfeld von akademischer Forschung und industrieller Anwendung.
Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Bereit für Veränderung?
Dann bewirb Dich jetzt, und mach einen Unterschied! Nach Eingang Deiner Online-Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht.
Fraunhofer-Institut für Sichere Informationstechnologie SIT
Kennziffer: 82684
Bewerbungsfrist:
Masterarbeit: Erklärbarkeit von Transformer-Modellen in der Autorschaftsverifikation Arbeitgeber: Fraunhofer Institute for Secure Information Technology SIT
Das Fraunhofer-Institut für Sichere Informationstechnologie SIT bietet eine inspirierende Arbeitsumgebung, in der innovative Forschung und praktische Anwendungen im Bereich der KI und Autorschaftsverifikation im Vordergrund stehen. Mit flexibler Arbeitszeiteinteilung und einem starken Fokus auf Vielfalt und Inklusion fördert das Institut die persönliche und berufliche Entwicklung seiner Mitarbeitenden und ermöglicht ihnen, an zukunftsweisenden Projekten mitzuarbeiten, die einen echten Unterschied in der Gesellschaft machen.
Kontaktdaten:
Fraunhofer Institute for Secure Information Technology SIT Recruiting-Team
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so Masterarbeit: Erklärbarkeit von Transformer-Modellen in der Autorschaftsverifikation erhalten könnten
✨Tipp Nummer 1
Mach dir ein starkes Netzwerk! Nutze Plattformen wie LinkedIn, um Kontakte zu knüpfen und dich mit Leuten aus der Branche auszutauschen. Oft sind es persönliche Empfehlungen, die den Unterschied machen.
✨Tipp Nummer 2
Bereite dich auf Vorstellungsgespräche vor, indem du häufige Fragen übst und deine Antworten klar strukturierst. Zeig, dass du nicht nur die technischen Skills hast, sondern auch die Motivation, die Herausforderungen der Position anzugehen.
✨Tipp Nummer 3
Sei proaktiv! Wenn du eine interessante Stelle siehst, bewirb dich direkt über unsere Website. Warte nicht darauf, dass die perfekte Gelegenheit zu dir kommt – mach den ersten Schritt!
✨Tipp Nummer 4
Zeig deine Leidenschaft für das Thema! In deinem Gespräch kannst du Beispiele aus deiner bisherigen Arbeit oder Studienprojekten einbringen, die deine Begeisterung für Erklärbarkeit und Transformer-Modelle unterstreichen.
Wir glauben, dass du diese Fähigkeiten brauchst, um Masterarbeit: Erklärbarkeit von Transformer-Modellen in der Autorschaftsverifikation mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Sei authentisch!:Zeig uns, wer du wirklich bist! Deine Persönlichkeit und Motivation sind wichtig. Lass uns wissen, warum du dich für das Thema Autorschaftsverifikation interessierst und was dich antreibt.
Mach es klar und präzise:Halte deine Bewerbung übersichtlich und auf den Punkt. Verwende klare Sprache und vermeide Fachjargon, wenn es nicht nötig ist. Wir wollen schnell verstehen, was du kannst und was du willst!
Beziehe dich auf die Anforderungen:Schau dir die Stellenbeschreibung genau an und passe deine Bewerbung an. Zeige, wie deine Kenntnisse im Bereich Machine Learning und Python zu den Zielen der Masterarbeit passen. Das macht einen großen Unterschied!
Bewirb dich über unsere Website:Wir freuen uns, wenn du dich direkt über unsere Website bewirbst. So können wir deine Bewerbung schneller bearbeiten und du erhältst alle Infos direkt von uns. Mach den ersten Schritt und bewirb dich jetzt!
Wie man sich auf ein Vorstellungsgespräch bei Fraunhofer Institute for Secure Information Technology SIT vorbereitet
✨Verstehe die Grundlagen der Autorschaftsverifikation
Mach dich mit den Konzepten der Autorschaftsverifikation und den Herausforderungen, die damit verbunden sind, vertraut. Zeige im Interview, dass du die Bedeutung von Explainability in diesem Kontext verstehst und wie sie die Anwendung von Transformer-Modellen beeinflusst.
✨Bereite konkrete Beispiele vor
Überlege dir spezifische Projekte oder Erfahrungen, die deine Kenntnisse in Machine Learning und insbesondere in NLP und Transformer-Modellen demonstrieren. Sei bereit, diese im Interview zu erläutern und zu zeigen, wie du Probleme gelöst hast.
✨Zeige deine Programmierkenntnisse
Stelle sicher, dass du deine Python-Kenntnisse und Erfahrungen mit PyTorch oder HuggingFace hervorhebst. Bereite dich darauf vor, technische Fragen zu beantworten oder sogar kleine Coding-Aufgaben zu lösen, um deine Fähigkeiten zu demonstrieren.
✨Sei bereit für Fragen zur Explainability
Informiere dich über aktuelle Ansätze zur Erklärbarkeit von KI-Modellen. Sei bereit, darüber zu diskutieren, welche Methoden du für geeignet hältst und wie du diese auf Transformer-Modelle anwenden würdest. Das zeigt dein Engagement und dein wissenschaftliches Interesse.
