Wissenschaftliche:r Angestellte:r – Kontinuierliches Lernen für LLMs zur Generierung von sicherem Code (Projekt SMACKS), IT/2613

Die Hochschule Esslingen sucht zum nächstmöglichen Zeitpunkt eine:n Wissenschaftliche:n Angestellte:nfür die Fakultät Informatik und Informationstechnikam Campus Flandernstraße.

KI-basierte Tools wie Claude Code oder Codex verändern die Softwareentwicklung radikal, erzeugen aber oft Code mit versteckten Sicherheitslücken. Das Problem: Aktuelle Modelle verstehen meist die Syntax, aber nicht die tieferliegende Semantik von Schwachstellen. Im Projekt SMACKS (Schwachstellenmanagement von Anfälligkeiten im Code der KI-gestützten Softwareentwicklung) erforschen wir LLM-gestützte Technologien zur Generierung von sicherem Code in der Softwareentwicklung. SMACKS ist ein Gemeinschaftsprojekt des Instituts für Intelligente Systeme (IIS) und des Instituts für Sicherheit Vernetzter Systeme (ISVS) an der Schnittstelle zwischen maschinellem Lernen und IT-Sicherheit in der Fakultät für Informatik und Informationstechnik.

Im Rahmen dieses Projekts verstärken wir unser Team am Institut für Intelligente Systeme (IIS) mit Fokus auf kontinuierliches Lernen bei Large Language Models (LLMs). Wir suchen hierfür eine Persönlichkeit, die LLMs nicht nur anwendet, sondern deren Architektur und Training auf theoretischer und technischer Ebene durchdringt. Ihr Schwerpunkt liegt auf der Erforschung und Entwicklung von Methoden, mit denen Sprachmodelle fortlaufend neues Wissen über Schwachstellen erlernen können, ohne dabei bereits erlernte Fähigkeiten zu verlieren, um so die nachhaltige Generierung von sicherem Code zu gewährleisten.

Unsere Rahmenbedingungen:

Eingruppierung erfolgt entsprechend der Aufgabenübertragung und persönlicher Voraussetzungen bis Entgeltgruppe 13 TV‑L
Beschäftigungsumfang beträgt bis zu 100 %
Die Stelle ist zunächst bis 31.03.2030befristet
Es besteht die Möglichkeit zur Promotion

Ihre Aufgaben:

Erforschung und Entwicklung dynamischer Lernmethoden (z. B. Continual/Incremental Learning) zur kontinuierlichen Anpassung von LLMs an neu bekanntwerdende Schwachstellen.
Untersuchung von Strategien zur Vermeidung von Catastrophic Forgetting bei der Modellanpassung.
Erforschung skalierbarer Verfahren für große Code-Kontexte.
Aufbau und Betrieb von Trainingspipelines auf einer GPU-Cluster Infrastruktur.
Evaluation der Modelle auf Benchmarks sowie in realen Anwendungsszenarien kooperierender Industriepartner.
Publikation und Präsentation der Forschungsergebnisse.

Ihr Profil:

Hervorragender Masterabschluss in Informatik oder einem verwandten Bereich
Fundiertes theoretisches Verständnis von LLM-Architekturen und deren Grundlagen
Umfangreiche Erfahrung im Bereich Software-Engineering (Python, C++)
Praktische Erfahrung im Training / Fine-Tuning von LLMs mit modernen ML-Toolchains
Idealerweise Kenntnisse in kontinuierlichem bzw. inkrementellem Lernen (Continual Learning)
Interesse an der Schnittstelle zwischen generativer KI und IT-Sicherheit