11 Treffer für "deep learning" Jobs

Als AI Experte für Künstliche Intelligenz (m/w/d) treiben Sie die digitale Transformation innerhalb des MVV-Konzerns voran. Sie fungieren als Ansprechpartner*in für alle Fragen und Anforderungen bzgl. KI-gestützter Anwendungen und Services Sie leiten komplexe Transformationsprojekte unter Einbindung von Stakeholdern unterschiedlichster Hierarchie- und Fachebene Sie sind mitverantwortlich für die Strategie-Entwicklung zum Thema Künstliche Intelligenz, einschließlich der Erstellung von Zielbildern, Konzepten und Roadmaps Sie entwickeln, implementieren und betreiben KI-Systemlösungen und definieren IT-Architekturprinzipien für verschiedene KI-Anwendungsfälle Sie steuern die zur Leistungserbringung benötigten Dienstleister und etablieren IT-Standards und Prozesse zu KI-Werkzeugen und -Technologien Sie beraten die Fachbereiche strategisch bei der Entwicklung digitaler Geschäftsmodelle und fördern den Kompetenzausbau zu Themen der Digitalisierung, wie Cloud-Computing, Big Data Prozessautomatisierung, digitale Kundeninteraktion, maschinelles Lernen, neuronale Netze und Deep Learning

Analyse umfangreicher Produktions- und Maschinendaten zur Identifikation von Mustern, Trends und Anomalien Entwicklung, Implementierung und Monitoring von Machine-Learning- und Deep-Learning-Modellen zur Optimierung der Fertigungsprozesse Aufbau und Integration von Maschinenschnittstellen, Datenbanken, Dashboards und datenbasierten Anwendungen zur Entscheidungsunterstützung - insbesondere im Bereich Spritzguss und Großserienfertigung Proaktive Erkennung von Optimierungspotenzialen und Umsetzung innovativer Datenlösungen zur Effizienzsteigerung Zusammenarbeit mit interdisziplinären Teams aus Produktion, IT und Engineering

Mitwirken bei der Software-Entwicklung von zivilen und militärischen Luftfahrtsystemen Entwicklung von neuen Navigationsalgorithmen und Mechanisierungsansätzen Software-Entwicklung und Software-Verifikation unter Einhaltung von Luftfahrt-Standards Erstellung von Entwicklungsdokumentationen

The project involves analyzing large-scale histopathology datasets from breast cancer tissue and developing machine learning models for image-based biomarker discovery. This position offers a unique opportunity to work at the intersection of computational pathology, artificial intelligence (AI), and oncology, contributing to clinical cancer research through advanced computer vision applied to exclusive image datasets. We aim to use cancer cell morphology and nuclear features in tissue slides to predict breast cancer (molecular) subtypes, prognosis and treatment response. This work is carried out in close collaboration with our outstanding national and international biomedical partners.

Identifikation von KI-Anwendungsfällen im Unternehmen und Durchführung von Anforderungsanalysen Zusammenarbeit in interdisziplinären Teams und Einarbeitung in fachfremde Inhalte Entwicklung eigenständiger KI-Lösungen für verschiedene Unternehmensbereiche und domänenspezifische Anforderungen (u. a. Aufbau, Training, Fine-Tuning von KI-Modellen) Aufbereitung bestehender Daten und Unterstützung bei der Sammlung nötiger Daten für das Training von KI-Modellen Optimierung von KI-Anwendungen zur Erhöhung der Genauigkeit und Performance Überprüfung neuer Technologien auf ihre Eignung und Umsetzbarkeit im Unternehmen Unterstützung der Betreuung von End-Usern (m/w/d) bei der Verwendung von KI-Lösungen sowie Kommunikation und Steuerung externer Partnerunternehmen

Identifikation von KI-Anwendungsfällen im Unternehmen und Durchführung von Anforderungsanalysen Aufbau einer sicheren und skalierbaren KI-Infrastruktur im Unternehmen (insbesondere Verwaltung, Auswahl und Bewertung Cloud-basierter Lösungen) Nahtlose Integration von KI-Anwendungen in die bestehende IT-Infrastruktur Erfassung der Rechenanforderungen von KI-Lösungen und Umsetzung in präzise Infrastrukturvorgaben Entwicklung eigenständiger KI-Lösungen für verschiedene Unternehmensbereiche und domänenspezifische Anforderungen (u. a. Aufbau, Training, Fine-Tuning von KI-Modellen) Optimierung von KI-Anwendungen zu Erhöhung der Genauigkeit und Performance Überprüfung neuer Technologien auf ihre Eignung und Umsetzbarkeit im Unternehmen Unterstützung der Betreuung von End-Usern (m/w/d) bei der Verwendung von KI-Lösungen sowie Kommunikation und Steuerung externer Partnerunternehmen

Konzeption, Entwicklung, Implementierung sowie fortlaufende Evaluierung und Optimierung von quantitativen Investmentlösungen für unsere Portfolios und Anlagestrategien Kontinuierliche Weiterbildung und Übertragung modernster Data Science- und KI-Methoden aus der aktuellen Forschung auf praktische Herausforderungen der Kapitalanlage Teamarbeit in einem kreativen, motivierten und interdisziplinären Team aus Data Scientists (w/m/d), Machine Learning Engineers (w/m/d) und Portfoliomanagern (w/m/d) zur Integration von Machine Learning- und Deep Learning-Ansätzen in unsere Anlageprozesse Einbindung und Beratung des Portfolio- / Risikomanagements sowie weiterer Stakeholder bzgl. des Einsatzes und der Potenziale von quantitativen Investmentansätzen Mentoring und Anleitung von Junior Scientists (w/m/d) und Praktikant:innen

Digital prevention, diagnostics and therapy guidance A 20-member team from the fields of medicine, molecular biology and informatics/data science is at the forefront of machine learning for cancer prevention and diagnosis. We are currently working on bringing an AI-powered medical device to market that assists dermatologists in diagnosing melanoma - one of the most dangerous forms of skin cancer while also innovating novel approaches of personalized skin cancer prevention. Help shape the future of personalized skin cancer prevention and diagnostics by developing AI-driven methods that integrate diverse biomedical datasets. We seek real world impact, meaning the PhD project is in collaboration with two large German companies (Beiersdorf and HEINE Optotechnik), to help patients benefit from the developed solutions as fast as possible. As part of this PhD position, you will not only contribute to cutting-edge AI research in dermatology but also lead a key bioinformatics project aimed at integrating multiple data sources for personalized skin cancer prevention. Your work will be instrumental in building a scalable bioinformatic infrastructure that connects epigenetic data, microbiome analyses, and AI-enhanced dermatoscopic imaging. Development of AI-driven models for skin cancer diagnostics and early detection, with a focus on robustness, explainability, and clinical applicability. Building a bioinformatic pipeline that integrates epigenetic profiling (TapeLift), microbiome data, and AI-based image analysis to create predictive models for personalized prevention strategies. Designing and validating a digital dashboard for real-time risk stratification and clinical decision-making, ensuring accessibility for both clinicians and patients. Collaborating with interdisciplinary experts , including dermatologists, AI researchers, statisticians, and computational biologists, to optimize data-driven prevention strategies. Validating the developed models and infrastructure through pilot studies with data from 100 study participants, ensuring real-world applicability. Publishing in top-tier scientific journals and contributing to clinical studies to validate the effectiveness of AI-assisted diagnostics.

Aufbereitung und Analyse von Daten und Weiterentwicklung der dafür notwendigen Tools Einsatz bestehender KI-Anwendungen auf neue Daten Entwicklung neuer Deep-Learning-Methoden zur Auswertung von Bildern Mitarbeit im gesamten Prozess von der Problemanalyse bis zur Umsetzung der Lösung Entwicklung von Prototypen und Durchführung von Experimenten Programmierung in Python

We are looking for a motivated student to conduct their master thesis in the area of Li-ion batterie modelling using state-of-the-art machine learning modelling techniques. This master thesis focuses on developing advanced techniques to estimate the health estimation of battery health and performance in the automotive industry. By leveraging deep neural network architectures for learning the trajectory of the degradation with existing amount of test data, the aim is to estimate the state-of-health without having the entire history of the battery's operation (zero-shot learning). The thesis will contribute to the overcome practical issues for SOH estimation in-field and will offer valuable insights into understanding the influencing aging factors. Literature research: Identify the state-of-art for the specific applications and rank most relevant architectures/techniques Data preparation and pre-processing: Utilize time series analysis and aggregation techniques to create a pipeline for feature engineering during charge cycles. Selection of the target variables Data segmentation: Prepare sample of data from existing experimental datasets for training the models Comparison and ablation study: Establish a set of baseline methods (i.e., MLP, RNN, LSTM) that will be used for comparison purposes Final model evaluation: Utilize the trained models for final evaluation in both experimental and real-world data Sensitivity analysis: Utilize Explainable-AI methods to pinpoint influencing factors and explain model's outputs

Im Team "Image Analysis" der HENSOLDT Optronics GmbH am Standort in Aalen suchen wir engagierte Studierende für das Annotieren von Trainings- und Testdatensätzen für Deep Learning Anwendungen. Wir entwickeln eine innovative Echtzeit-Bildverarbeitungsapplikation zur Verbesserung und Auswertung von Videodaten und der Fusion von Sensordaten, mit deren Hilfe wir Unsichtbares sichtbar machen, Bedrohungen erkennen und manuelle Auswertungsprozesse automatisieren. Im Rahmen Ihrer Tätigkeit bei uns arbeiten Sie mit Videodaten, von modernsten Kamerasensoren und Kameraprototypen, aufgenommen in realen militärischen Einsatzszenarien. In enger Zusammenarbeit mit dem Entwicklungsteam helfen Sie die automatische Datenanalyse für militärische Anwendungen voranzutreiben. Mitarbeit bei der Annotation von Videos aus visuell optischen Kameras und von Wärmebildkameras Eigenständige Durchführung von Data Reviews zur Bewertung und Verbesserung der Annotationsqualität Bewertung der Datensätze hinsichtlich Eignung für das Training und Testen Neuronaler Netze Eigenständige Aufnahme neuer Daten und somit Erweiterung des Datenfundus