Masterarbeit zum Was-wäre-wenn-Reasoning in LLM-Agenten zur Bewertung der Auswirkungen von HEMS-Parametern unter Nutzung von Time-Series-Foundation-Modellen über MCP (w/m/div.)

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 Ihrer Abschlussarbeit untersuchen Sie, wie diese Technologien für präzise Prognosen und Closed-Loop-What-if-Reasoning zusammenwirken können – bringen Sie Ihre Ideen in das intelligente Energiemanagement ein und bewerben Sie sich jetzt!
Während Ihrer Tätigkeit binden Sie ein spezialisiertes Time-Series Foundation Model als unabhängigen Service an ein bestehendes LLM-Agenten-Ökosystem an – unter Verwendung des standardisierten Model Context Protocol (MCP).
Sie untersuchen, 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 konzipieren Sie 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 evaluieren Sie 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 Noten
Erfahrungen 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 Workflows
Persönlichkeit und Arbeitsweise: Sie sind hoch motiviert und nutzen Ihre ausgeprägten analytischen Fähigkeiten, um eigenständig wissenschaftliche Forschung voranzutreiben
Arbeitsroutine: Wir bieten Ihnen die Möglichkeit, in einem hybriden Setup zu arbeiten
Sprachen: Sehr gute Englischkenntnisse

Employment type
Full-time

Work arrangement
Hybrid