Machine Learning Wissenschaftler*in für das KPA IMfESS
Prof. Dr. Aleksandar Bojchevski
Informatik
Motivation
Die wissenschaftlichen Ziele von KPA-IMfESS konzentrieren sich auf die Weiterentwicklung und Integration modernster Methoden des Computational Learning und Machine Learning (ML) in die Erdsystemwissenschaften (ESS). Obwohl viele Forscher innerhalb der KPA bereits mit ML-Ansätzen arbeiten, gibt es derzeit keine spezielle*n ML-Koordinator*in oder Mitarbeitende*n in der Forschung, die die nachhaltige Modellentwicklung, den gruppenübergreifenden Wissenstransfer und die Umsetzung von Innovationen im Bereich KI in ESS-Workflows unterstützen. Die Position der ML-Wissenschaftler*in wird eine zentrale Unterstützung für die KPA leisten und den Fortschritt bei der Entwicklung der nächsten Generation von KI-gestützten ESS-Methoden beschleunigen. Das übergeordnete Ziel dieser Position ist es
- die interdisziplinäre Zusammenarbeit zwischen den Erdsystemwissenschaften, der Informatik und der KI zu fördern und zu unterstützen
- die Wettbewerbsfähigkeit der KPA bei groß angelegten Förderanträgen (SFB/TRR, EXC, …) zu verbessern
- Unterstützung bei der Ausbildung und Förderung von Nachwuchswissenschaftlern und verbesserte Innovationen in der Lehre
Potentiale Aufgaben
1. ML/KI-Expertenunterstützung und -beratung für ESS-Gruppen
- Beratung zu ML-Modelldesign, -Verbesserung, -Fehlerbehebung und -Bereitstellung
- Unterstützung von FAIR, offenen und reproduzierbaren Forschungspraktiken sowie Best Practices für ML auf HPC
- Unterstützung bei der Bereitstellung skalierbarer ML-Pipelines (HPC, Cloud, hybride Workflows)
2. Gemeinsame Forschungssoftware und Ressourcenmanagement
- Aufbau und Pflege eines gemeinsamen KPA-Software-Repositorys (Modelle, Datenpipelines, Benchmarks)
- Standardisierung von ML-Workflows und Dokumentation, Pflege von ESS-relevanten gemeinsamen Codebasen
3. KI-gestützte Forschungsprozesse
- Integration modernster KI-Tools (z.B. LLM-Unterstützung, synthetische Daten) in die ESS-Forschung
- Schulungen zum verantwortungsvollen und effizienten Einsatz von KI
4. Kapazitätsaufbau und Innovationen in der Lehre
- Unterstützung des Einsatzes von ML in Kursen und Mithilfe bei der Organisation von summer schools und Hackathons
- Beitrag zu interdisziplinären Lehrformaten, die eine Brücke zwischen KI und ESS schlagen
5. Strategische Vorbereitung für Fördermittel und wissenschaftliches Networking
- Unterstützung bei der Ausarbeitung und Koordinierung groß angelegter Anträge (SFB/TRR, EXC)
- Förderung gemeinsamer Projekte mit regionalen und internationalen Partnern, darunter ELLIS und Helmholtz
Zu erwartende Ergebnisse. Zu den erwarteten Ergebnissen zählen unter anderem:
- Erhöhte Qualität, Robustheit und Auswirkung der ML-gestützten ESS-Forschung
- Gemeinsame ML-Infrastruktur und wiederverwendbare Forschungssoftware-Artefakte
- Erhöhte Attraktivität von KPA-IMfESS für Fördermittelgeber