Masterarbeit zum Was-wäre-wenn-Reasoning in LLM-Agenten zur Bewertung der Auswirkungen von HEMS-Parametern unter Nutzung von Time-Series-Foundation-Modellen über MCP (w/m/div.)
Job Description
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 Ihrer Abschlussarbeit untersuchen Sie, wie diese Technologien für präzise Prognosen und Closed-Loop-What-if-Reasoning zusammenwirken können – bringen Sie Ihre Ideen in das intelligente Energiemanagement ein und bewerben Sie sich jetzt!
• Während Ihrer Tätigkeit binden Sie ein spezialisiertes Time-Series Foundation Model als unabhängigen Service an ein bestehendes LLM-Agenten-Ökosystem an – unter Verwendung des standardisierten Model Context Protocol (MCP).
• Sie untersuchen, 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 konzipieren Sie 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 evaluieren Sie 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.
Requirements
Function: Research
Experience Level: Not Applicable