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

Bei Bosch gestalten wir Zukunft mit hochwertigen Technologien und Dienstleistungen, die Begeisterung wecken und das Leben der Menschen verbessern. Unser Versprechen an unsere Mitarbeiterinnen und Mitarbeiter steht dabei felsenfest: Wir wachsen gemeinsam, haben Freude an unserer Arbeit und inspirieren uns gegenseitig. Willkommen bei Bosch.

Die Robert Bosch GmbH freut sich auf deine Bewerbung!

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 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: du bist hoch motiviert und nutzt deine ausgeprägten analytischen Fähigkeiten, um eigenständig wissenschaftliche Forschung voranzutreiben
• Arbeitsalltag: wir bieten Ihnen die Möglichkeit, in einem hybriden Setup zu arbeiten
• Sprachen: sehr gute Englischkenntnisse

Beginn: nach Absprache
Dauer: 6 Monate

Voraussetzung 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 Work

Work #LikeABosch beginnt hier: Jetzt bewerben!