Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len - Zur Qualifizierung

Fakultät IV - BIFOLD / Management of Data Science Processes (DEEM Lab) Group

Wiss. Mit­ar­bei­ter*in (d/m/w) - Ent­gelt­gruppe 13 TV-L Ber­li­ner Hoch­schu­len - Zur Qualifizierung

Teil­zeit­be­schäf­ti­gung ist ggf. mög­lich

Aufgabenbeschreibung

Das Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der TU Berlin (Prof. Sebastian Schelter, DEEM Lab, https://deem.berlin & Prof. Matthias Böhm, DAMS Lab, https://www.tu.berlin/dams ) sucht für ein Agility-Teilprojekt eine*n wissenschaftliche*n Mitarbeiter*in im Bereich Data Engineering und Recommender Systeme. Das Projekt wird in enger Kooperation mit der Forschungsgruppe „Information Retrieval Lab“ von Prof. Dr. Maarten de Rijke an der Universität Amsterdam in den Niederlanden durchgeführt, https://irlab.science.uva.nl .

Das Forschungsprojekt dreht sich um das „Recht-auf-Vergessen-Werden“ in Recommender Systemen, um Nutzer*innen die Möglichkeit zu geben eigene persönliche Daten effizient aus solchen Systemen zu löschen. Dies ist besonders wichtig in Recommender Systemen, da solche System häufig in kritischen Anwendungsfällen wie der Suche nach Lebensmitteln, Medikamenten oder Produkten für Kinder eingesetzt werden. Leider maximieren existierende Systeme nur die Vorhersagequalität und bieten meist keinerlei Möglichkeit eigene Daten zu löschen. Dies kann verheerende Folgen haben. Beispielsweise würde eine Person, die unter Alkoholsucht leidet und beschließt keinen Alkohol mehr zu konsumieren, trotzdem online noch mit Werbung für Alkoholprodukte konfrontiert, da existierende Recommender Systeme die Präferenz der Person dafür gelernt haben.

Auf technischer Ebene wird sich das Forschungsprojekt auf folgende Fragen konzentrieren: Wie können wir „Unlearning“-Methoden in Empfehlungssystemen im Hinblick auf Garantien und Antwortlatenz bewerten? Wie können wir bestehende hochmoderne Empfehlungsalgorithmen um „Unlearning“-Funktionen erweitern? Wie können wir die nötigen Berechnungen skalierbar und effizient ausführen?

Ziel des Forschungsprojekts ist die Entwicklung der algorithmischen Grundlagen und der entsprechenden effizienten Ausführungsstrategien für das Sub-Second-Unlearning in Empfehlungssystemen. Darüber hinaus streben wir die Implementierung einer Open-Source-Recommenderbibliothek mit „Unlearning“-Funktion an, um einen Beitrag zur öffentlichen Infrastruktur für ein verantwortungsvolles Datenmanagement zu leisten. Lehraufgaben.

Erwartete Qualifikationen

• Erfolgreich abgeschlossenes wissenschaftliches Hochschulstudium (Master, Diplom oder Äquivalent) in Informatik oder Artificial Intelligence
• Gute Programmierkenntnisse in Python und mindestens einer weiteren Sprache (Java/Scala/Rust/C++)
• Fortgeschrittene Kenntnisse in Machine Learning und Recommender Systemen
• Fortgeschrittene Kenntnisse im Umgang mit relationalen Datenbanken und/oder Datenverarbeitungssystemen wie Apache Spark
• Die Fähigkeit zum Unterrichten in deutscher und/oder in englischer Sprache wird vorausgesetzt; Bereitschaft, die jeweils fehlenden Sprachkenntnisse zu erwerben.
  
  

Nicht Erwartete, Aber Hilfreiche Qualifikationen

• Praktische Erfahrung mit echten ML Anwendungen und ML Ops
• Erfahrung mit Regulatorien wie GDPR oder dem EU AI Act
• Beiträge zu Open Source Projekten
• Kreativität, hohes Engagement und Selbstständigkeit bei der wissenschaftlichen Bearbeitung der Problemstellungen
  
  

Hinweise zur Bewerbung

Ihre schriftliche Bewerbung richten Sie bitte unter Angabe der Kennziffer mit den üblichen Bewerbungsunterlagen an die Technische Universität Berlin - Die Präsidentin - Fakultät IV, Institut für Softwaretechnik und Theoretische Informatik, Management of Data Science Processes (DEEM Lab) Group, Prof. Dr.-Ing. Schelter, EN-728, Einsteinufer 17, 10587 Berlin oder per E-Mail (eine PDF Datei, max. 5 MB) an: schelter@tu-berlin.de.

Aus Kostengründen werden postalisch zugesandte Bewerbungsunterlagen nicht zurückgesandt. Bitte reichen Sie nur Kopien ein.

Mit der Abgabe einer Onlinebewerbung geben Sie als Bewerber*in Ihr Einverständnis, dass Ihre Daten elektronisch verarbeitet und gespeichert werden. Wir weisen darauf hin, dass bei ungeschützter Übersendung Ihrer Bewerbung auf elektronischem Wege keine Gewähr für die Sicherheit übermittelter persönlicher Daten übernommen werden kann. Datenschutzrechtliche Hinweise zur Verarbeitung Ihrer Daten gem. DSGVO finden Sie auf der Webseite der Personalabteilung: https://www.abt2-t.tu-berlin.de/menue/themen_a_z/datenschutzerklaerung/ .

Zur Wahrung der Chancengleichheit zwischen Frauen und Männern sind Bewerbungen von Frauen mit der jeweiligen Qualifikation ausdrücklich erwünscht. Schwerbehinderte werden bei gleicher Eignung bevorzugt berücksichtigt. Die TU Berlin schätzt die Vielfalt ihrer Mitglieder und verfolgt die Ziele der Chancengleichheit.

Als PDF herunterladen