Masterarbeit: Wissen statt Cloud? Unternehmenswissen und Routing für lokale Sprachmodelle in KI-Coding-Agenten (all gender)

Location: Nürnberg, de Department: Public sector & Government services Employment Type: {'id': 'permanent', 'label': 'Full-time'}

Unternehmensbeschreibung

Wir sind die Gestalter von heute für die Welt von morgen.

Als einer der weltweit führenden Entwicklungsdienstleister setzen wir uns bei ALTEN dafür ein, die Zukunft unserer Partnerunternehmen, die Karrieren unserer Mitarbeiter und Mitarbeiterinnen sowie die Herausforderungen für unsere Gesellschaft und Umwelt positiv zu gestalten.

Knapp 60.000 Angestellte in 30 Ländern arbeiten schon heute an innovativen Lösungen in verschiedenen Ingenieur- und IT-Branchen wie Luft- und Raumfahrt, erneuerbare Energien, Medizintechnik, Bahntechnik und Automobil.

Stellenbeschreibung

Für ein internes Forschungs- und Entwicklungsprojekt suchen wir Dich für eine Masterarbeit an der Schnittstelle von Large Language Models, Softwarearchitektur und empirischer Softwaretechnik.

Worum geht es?

KI-Coding-Agenten bearbeiten eine Aufgabe in vielen aufeinanderfolgenden Modellaufrufen mit Tool Calling. Lokal betriebene Open-Weight-Modelle sind günstig und datenschutzfreundlich, aber oft weniger leistungsfähig als Cloud-Modelle. Gleichzeitig kennen die Modelle das interne Wissen von ALTEN nicht, etwa Guidelines, Architekturentscheidungen und interne APIs. Agenten gleichen das mit zusätzlichen Suchschritten und Fehlversuchen aus, und beides kostet Tokens.

Praxisziel: Eine Lösung für ALTEN, die internes Wissen für beliebige Coding-Agenten nutzbar macht und den Token-Verbrauch in unserer täglichen Arbeit minimiert („Local first, Cloud when necessary“). Die Arbeit liefert die Entscheidungsgrundlage, ob eine gepflegte Wissensbasis oder mehr Cloud-Budget die Tokens besser spart.

Leitfrage der Arbeit: Um wie viele Prozentpunkte sinkt der Anteil der Aufgaben, die ein Gateway in die Cloud routen muss, damit Coding-Agenten bei testbasierten Aufgaben nicht schlechter als mit einem reinen Cloud-Modell abschneiden, wenn dem lokalen Modell zusätzlich Unternehmenswissen bereitgestellt wird? (Die Formulierung ist für die Ausschreibung vereinfacht; die präzise Fassung mit Non-Inferiority-Grenze steht im Exposé.)

Methode: prototypbasierte empirische Untersuchung (Design Science Research). Du entwickelst ein Gateway als Artefakt und evaluierst es in einem kontrollierten, vorab festgelegten Experiment mit testbasierten Coding-Aufgaben. Ein zweiter, andersartiger Coding-Agent prüft die Übertragbarkeit. Ein Nullergebnis ist ausdrücklich ein gültiges Ergebnis. Die genauen Forschungsfragen stimmst du mit deiner Hochschule ab. Ein ausgearbeiteter Vorschlag liegt vor.

DU…

arbeitest den Stand der Forschung zu LLM-Routing, Kaskaden, Retrieval-Augmented Generation und agentischen Coding-Systemen auf

entwirfst und implementierst prototypisch ein Inference-Gateway mit Chat-Completions-kompatibler Schnittstelle (z. B. in Python)

wählst die untersuchten Coding-Agenten anhand nachvollziehbarer Kriterien aus, zum Beispiel konfigurierbarer Endpunkt, Tool Calling, Skriptmodus und Erweiterbarkeit

implementierst eine transparente, regelbasierte Routing-Policy auf Basis beobachtbarer Signale und berücksichtigst Datenschutzvorgaben als harte Bedingung

machst ALTEN-internes Wissen für die Agenten zugänglich und untersuchst, wie es je Modellstufe (lokal und Cloud) wirkt

baust einen Aufgabenkatalog mit automatisierten Akzeptanztests und eine Evaluations-Harness auf

vergleichst mit Baselines (immer lokal, immer Cloud, zufällig, Oracle) hinsichtlich Lösungsrate, Tokens und Kosten pro gelöster Aufgabe sowie Latenz und wertest die Ergebnisse statistisch aus (Mixed-Effects-Modelle, Non-Inferiority, Poweranalyse, Pilot für das Token-Budget; ca. 3 450 automatisiert ausgeführte Läufe)

prüfst in einer Replikation, ob die Befunde für einen zweiten, andersartigen Coding-Agenten gelten

leitest Gestaltungsempfehlungen ab, zum Beispiel Schwellwerte, Hardware-Dimensionierung und Break-even-Betrachtung

Qualifikationen

studierst im Master Informatik, Software Engineering, Wirtschaftsinformatik, Data Science oder einen vergleichbaren Studiengang

hast sichere Programmiererfahrung, idealerweise in Python, und kennst REST APIs und HTTP. Erfahrung mit Streaming (SSE) ist von Vorteil

bringst Grundkenntnisse in Linux und Containern mit; Erfahrung mit GPU-Servern oder dem Betrieb von LLM-Inference-Servern ist ein Plus

hast Interesse an LLMs, Modell-Routing, Embeddings bzw. RAG und KI-gestützter Softwareentwicklung; idealerweise hast du schon mit Coding-Agenten gearbeitet

kennst Grundlagen der Versuchsplanung und Statistik oder möchtest sie gezielt vertiefen

arbeitest strukturiert, eigenständig und analytisch und dokumentierst nachvollziehbar

kommunizierst sicher auf Deutsch und Englisch

Wir wertschätzen Vielfalt und begrüßen daher alle Bewerbungen – unabhängig von Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion / Weltanschauung, Behinderung, Alter sowie sexueller Orientierung und Identität.

Schwerbehinderte werden bei gleicher Eignung bevorzugt berücksichtigt.

Bewirb dich jetzt über unser Online-Bewerbungsformular.

Zusätzliche Informationen

Talent Management – wir entwickeln deine Karriere

Praxisnahe Masterarbeit -– klar eingegrenztem Proof-of-Concept-Umfang

Fachliche Betreuung – regelmäßigen Austausch mit dem Projektteam

Work Life Balance – flexible Arbeitszeiten und mobiles Arbeiten möglich

Zukunft – Aussicht auf eine Festanstellung nach Beendigung deines Studiums

Green Mobility – mit uns bist du vergünstigt unterwegs

... zudem bieten wir dir einen Einblick in unsere Abläufe und Systeme sowie Corporate Benefits und Teamevents.