Abschlussarbeit Data Science: Untersuchung von Foundation Model Embeddings für die Eignung im Automotive Kontext.

Kontext

Im Automotive Kontext gewinnen datengetriebene Ansätze zunehmend an Bedeutung, insbesondere für Aufgaben wie Szenenverständnis, Anomalieerkennung, Fahrzustandsklassifikation oder datenbasierte Validierung. Eine zentrale Rolle spielen dabei geeignete Repräsentationen (Embeddings), die Rohdaten wie Kamera-, Radar-, Lidar- oder Fahrzeugsignale in kompakte, informative Merkmalsräume überführen. In den letzten Jahren haben sich sogenannte Foundation Models etabliert, deren Embedding-Modelle auf sehr großen und heterogenen Datensätzen vortrainiert werden. Diese Daten umfassen typischerweise ein sehr breites Spektrum realer Weltzustände und gehen damit weit über die Operational Design Domain (ODD) eines konkreten Fahrzeugs hinaus. Die zentrale Frage ist daher, wie gut solche Foundation Embeddings für Automotive-spezifische Aufgaben geeignet sind, welche Vorteile (z. B. bessere Generalisierung) und Risiken (z. B. Domain Gap, Bias) entstehen und ob bzw. wie sie in Fahrzeuganwendungen sinnvoll eingesetzt werden können.

Aufgaben

• Recherche und Auswahl geeigneter vortrainierter Embedding-Modelle

• Vergleich des Stands der Technik und Wissenschaft bzgl. Foundation Modelle in Automotive Tasks

• Definition geeigneter Automotive-Aufgaben zur Bewertung

• Erstellung eines Evaluations-Setups inkl. geeigneter Metriken

Voraussetzungen

• Du arbeitest selbständig und strukturiert, bist motiviert und engagiert.

• Python Kenntnisse

• Vorkenntnisse in Automotive-Daten und praktischen ML-Use-Cases

• Verständnis von Embeddings, Feature Spaces und Evaluationsmethoden

• Du besitzt sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift.

• Kenntnisse in Machine Learning / Statistik