Masterarbeit zum Closed-Loop-Reasoning in LLM-Agenten zur Bewertung der Auswirkungen von HEMS-Parametern mittels Time-Series-Foundation-Modellen via MCP

About the Role

Wie können moderne Home Energy Management Systems (HEMS) komplexe Nutzeranfragen in konkrete und verlässliche Aktionen übersetzen? Large Language Models (LLMs) bieten leistungsstarke Fähigkeiten für Dialog und qualitatives Schlussfolgern, während spezialisierte Time-Series Foundation Models (TSFMs) komplementäre Stärken beim Erfassen und Vorhersagen komplexer numerischer Dynamiken einbringen. In deiner Masterarbeit untersuchst du, wie diese Technologien für präzise Prognosen und Closed-Loop-Reasoning zusammenwirken können – bringe deine Ideen in das intelligente Energiemanagement ein und bewerbe dich jetzt!Während deiner Tätigkeit bindest du ein spezialisiertes Time-Series Foundation Model als unabhängigen Service an ein bestehendes LLM-Agenten-Ökosystem an – unter Verwendung des standardisierten Model Context Protocol (MCP).Du untersuchst, wie numerische Zeitreihenprognosen, die vom TSFM erzeugt werden, auf Serverebene mathematisch abstrahiert und in prägnante semantische Repräsentationen (z. B. Lastspitzen oder Überschüsse bei der Solarstromerzeugung) überführt werden können, die für das Reasoning des LLM geeignet sind.Zusätzlich konzipierst du eine interaktive Evaluationsschleife, in der der Agent Systemparameter (z. B. Ladepläne und Sollwerte) exploriert, das Modell die daraus resultierenden Kurvenverschiebungen prognostiziert und das LLM bewertet, ob die Ziele der Nutzer:innen optimal erreicht werden.Abschließend evaluierst du systematisch Szenarien und Datenrepräsentationen, um zu bestimmen, in welchen Fällen spezialisierte TSFMs gegenüber reinem LLM-Reasoning messbare Vorteile hinsichtlich Recheneffizienz, Tokenverbrauch, Latenz und Prognosegenauigkeit liefern.Ausbildung: Masterstudium im Bereich Informatik, Data Science, Software Engineering, Elektrotechnik, Mathematik oder vergleichbar mit guten NotenErfahrungen und Kenntnisse: sehr gute Kenntnisse in Python, insbesondere Vertrautheit mit Bibliotheken zur Daten- und Zeitreihenverarbeitung wie Pandas und NumPy sowie modernen asynchronen Frameworks wie asyncio; gutes Verständnis von KI und Machine Learning mit fundierter theoretischer und praktischer Basis im Machine Learning, idealerweise Zeitreihenmodelle und Foundation Models; Vertrautheit mit agentischen WorkflowsPersönlichkeit und Arbeitsweise: du bist hoch motiviert und nutzt deine ausgeprägten analytischen Fähigkeiten, um eigenständig wissenschaftliche Forschung voranzutreibenArbeitsalltag: wir bieten Ihnen die Möglichkeit, in einem hybriden Setup zu arbeitenSprachen: sehr gute EnglischkenntnisseBeginn: nach Absprache Dauer: 6 MonateVoraussetzung für die Abschlussarbeit ist die Immatrikulation an einer Hochschule. Bitte füge deiner Bewerbung deinen Lebenslauf, deinen aktuellen Notenspiegel, deinen Notenspiegel aus dem Bachelorstudium, die Prüfungsordnung sowie ggf. eine gültige Arbeits- und Aufenthaltserlaubnis bei. Vielfalt und Inklusion sind für uns keine Trends, sondern fest verankert in unserer Unternehmenskultur. Daher freuen wir uns über alle Bewerbungen: unabhängig von Geschlecht, Alter, Behinderung, Religion, ethnischer Herkunft oder sexueller Identität.Du hast fachliche Fragen zum Job? Johannes Goth (Fachbereich) +49 1520 8949541 WorkWork #LikeABosch beginnt hier: Jetzt bewerben!