Als Doktorand*in bei uns tauchen Sie tief in die Welt agentischer KI-Systeme ein und leisten einen wesentlichen Beitrag zur Entwicklung intelligenter Lösungen für reale Herausforderungen – durch die Verbindung von Spitzenforschung mit direkter industrieller Wirkung. Sie arbeiten an der Entwicklung der nächsten Generation von KI-Systemen für industrielle Anwendungen und bringen Ihre Expertise in praxisnahen Projekten ein. Die effiziente Anpassung von Foundation Models sowie die Orchestrierung von Multi-Agenten-Systemen stehen im Mittelpunkt Ihrer Tätigkeit. Sie integrieren Wissensgraphen und Retrieval-Augmented Generation (RAG) in innovative KI-Architekturen. Ein zentraler Bestandteil Ihrer Rolle ist die Erforschung und Anwendung von trainingsbasierten Ansätzen für intelligente Agenten auf Basis von Reinforcement Learning. Nicht zuletzt validieren Sie Ihre Forschungsergebnisse kontinuierlich anhand realer Engineering-Anwendungsfälle bei Bosch und tragen damit direkt zur Weiterentwicklung moderner Unternehmensprozesse bei.

• Ausbildung: Sehr guter Masterabschluss in Informatik, Künstlicher Intelligenz, Mathematik oder einem vergleichbaren Fachgebiet
• Erfahrung und Kenntnisse:
• Fundierte Kenntnisse zu Large Language Models (LLMs), Foundation Models und Deep Learning, kombiniert mit praktischer Erfahrung im Fine-Tuning (z. B. SFT, RLHF, RLAIF) oder in parameter-effizienten Adaptionsmethoden wie LoRA oder Adaptern
• Erfahrung mit Retrieval-Augmented Generation (RAG), einschließlich Dense Retrieval, Reranking und fortgeschrittenen Architekturen, sowie der Integration von Wissensgraphen, Ontologien oder anderen Knowledge-Engineering-Ansätzen (idealerweise mit SPARQL, Cypher oder KG-Embeddings)
• Vertrautheit mit Multi-Agenten-Systemen oder agentischen Frameworks (z. B. LangGraph, AutoGen, CrewAI), einschließlich Aspekten der Agentensicherheit, Steuerbarkeit und Human-in-the-Loop-Ansätzen
• Sehr gute Programmierkenntnisse in Python sowie Erfahrung mit Machine-Learning-Frameworks, idealerweise ergänzt durch Kenntnisse im Reinforcement Learning (z. B. RL, RLHF, Policy Optimization)
• Erfahrung in der Evaluation agentischer Systeme anhand relevanter Frameworks oder Benchmarks, idealerweise ergänzt durch Beiträge zu wissenschaftlichen Publikationen
• Persönlichkeit und Arbeitsweise: Sie verbinden analytisches Denken mit einer eigenverantwortlichen, strukturierten Arbeitsweise, liefern Ergebnisse und übernehmen Verantwortung für Ihre Aufgaben; in internationalen, kollaborativen Umgebungen überzeugen Sie durch ausgeprägte Kommunikations- und Präsentationsfähigkeiten
• Sprachen: Verhandlungssicheres Englisch