Ausgangssituation:

Deep Learning (DL) Systeme spielen eine entscheidende Rolle bei der Verarbeitung und Analyse von großen Datenmengen. In der industriellen Bildverarbeitung (IBV) betrifft das die Verarbeitung von Bauteil-Aufnahmen mittels Convolutional Neural Networks (CNN), um gegebenfalls Fehlstellen zu detektieren. Ein zentrales Problem stellt bei der Verarbeitung das Load Balancing, also die gleichmäßige Verteilung der Arbeitslast auf die vorhandenen Ressourcen dar. 
Das Load Balancing ist in DL-Auswertungen aufgrund der dynamischen Natur der Arbeitslasten in der Produktion und der Komplexität der DL-Modelle eine Herausforderung. Die Entwicklung innovativer Ansätze, die eine effiziente, dynamische Lastverteilung ermöglichen, ist daher von großer Bedeutung, um die Leistungsfähigkeit und Effizienz von DL Systemen weiter zu steigern.

Aufgabenstellung:

• Literaturrecherche: Recherche zu bestehenden Methoden und Technologien des Load Balancings speziell im Kontext von Deep Learning Auswertungen.
• Analyse: Auflistung der aktuellen Herausforderungen und Limitationen bestehender Load Balancing Ansätze in DL-Auswertungen.
• Konzeptentwicklung: Erstellung eines Konzeptes für Load Balancing, das speziell auf die Anforderungen und Besonderheiten von DL-Auswertungen zugeschnitten ist.
• Implementierung: Implementierung eines Prototyps des entwickelten Load Balancing Konzeptes. Die Implementierung sollte in einer gängigen Programmiersprache oder Framework für DL Auswertungen erfolgen (vorzugsweise PyTorch).
• Evaluierung: Durchführung einer Evaluierung des Prototyps. Dies beinhaltet die Messung der Leistungsverbesserungen in Bezug auf Effizienz in verschiedenen Produktions-Szenarien.

Dein Profil:

• Laufende Ausbildung in einer HTL
• Motivation & Verlässlichkeit

Unser Angebot:

• Übernahme der Druckkosten bei sehr gutem oder gutem Erfolg
• Unterstützung durch einen Betreuer aus der jeweiligen Fachabteilung
• Lerne Fill als potenziellen Arbeitgeber kennen und bringe deine eigenen Ideen und dein Wissen ein
• Spannende Möglichkeit, dein theoretisches Wissen um praktische Erfahrungen zu ergänzen
• Sehr gutes Arbeitsklima in einem vielfach ausgezeichneten Familienunternehmen

Zeitraum:

Start ab sofort

Wir freuen uns über deine Bewerbung!