Aufgabenbeschreibung Modelle entwickeln: Entwerfe und trainiere Deep-Learning-Modelle (CNNs, GNNs) zur Erstellung von 2D-Grundrissen Daten vorbereiten: Baue unsere Datenpipelines aus – vom Einlesen architektonischer Zeichnungen über Vorverarbeitung und Augmentierung bis hin zur Label-Erstellung und Versionierung Probleme lösen: Wende mathematisches und analytisches Denken an, um komplexe räumliche und geometrische Herausforderungen zu meistern Sauber coden: Schreibe zuverlässigen, gut strukturierten Code und optimiere die Performance unserer Tools und Prototypen Forschen & experimentieren: Teste neue Methoden, führe Experimente durch und bringe Ideen ein, die unsere Modelle und Produkte verbessern Erwartete Qualifikationen Du bist aktuell Student*in (B.Sc./M.Sc.) in Informatik, Maschinellem Lernen, Data Science oder einem verwandten Fachgebiet an einer Uni in Berlin oder Brandenburg Python-Profi: Solide Kenntnisse in Python und praktische Erfahrung mit PyTorch oder ähnlichen Deep-Learning-Frameworks GPU-Know-how: Vertraut mit GPU-Workflows und verteilten Trainings-Setups Datenkompetenz: Erfahrung in Vorverarbeitung, Augmentierung und Organisation von Datensätzen; sicherer Umgang mit NumPy und Pandas Analytisch & lösungsorientiert: Du kannst Probleme in Trainings- und Inferenzpipelines erkennen und beheben Teamplayer: Klare Kommunikation und Lust auf Zusammenarbeit in einem dynamischen Startup Forschergeist: Du liest Papers, reproduzierst Experimente und setzt Erkenntnisse in funktionierenden Code um Fließende Englischkenntnisse (Deutsch ist ein Plus, aber kein Muss) Bereitschaft, mindestens 3 Tage pro Woche vor Ort im Fraunhofer HHI Accelerator in Berlin (Silicon Allee) zu arbeiten