Frauennetzwerk am SCC
Women As Research Peers for Information Technology
Women As Research Peers for Information Technology aka warp4IT ist ein Zusammenschluss von und Netzwerk für (Nachwuchs-) Wissenschaftlerinnen am SCC.
Fakt ist: Der Frauenanteil in der Informatik und IT-nahen Berufen ist gering. Das möchten wir ändern, weil wir unsere Berufe in der Informatik- und Data-Science-Forschung als vielfältig und bereichernd erleben. Digitale Verfahren und komplexe IT-Systeme sind aus unserer Gesellschaft nicht mehr wegzudenken. Die zugrundeliegende Forschung und Entwicklung finden aber größtenteils aus einer männlichen Perspektive statt. Wir setzen uns für gelebte Chancengleichheit und eine gleichberechtigte Teilhabe von Frauen in der IT ein.
Was wir möchten:
- die Wahrnehmung der Kompetenz von Informatikerinnen in Forschung und Beruf schärfen,
- jungen Wissenschaftlerinnen das eigene Potenzial zur Gestaltung unserer Gesellschaft vor Augen führen und
- uns austauschen, beraten und gegenseitig unterstützen.
Networking, Vorbilder und praktische Einblicke in den Berufsalltag sind dazu essenziell (® Women in Science & IT). warp4IT schafft genau das: Wir bieten konkrete Möglichkeiten zu Vernetzung und Austausch sowie fachspezifische Informationen zu (d)einer Karriere in der IT.
Die warp4IT-Seminarreihe
In unserer Seminarreihe stellen Forscherinnen aller Lebens-, Alters- und Karrierestufen mit den unterschiedlichsten Hintergründen ihren Werdegang in der (Informatik-) Forschung vor. Wissenschaftlerinnen des SCC, KIT, aber auch externer Einrichtungen, erzählen, wie ihr Pfad verlaufen ist und wie sie dort hingekommen sind, wo sie heute stehen — zwanglos, authentisch, ehrlich. Eine anschließende Diskussionsrunde lädt zum Erfahrungsaustausch ein und bietet einen geschützten Rahmen zur Besprechung auch persönlicher Fragen.
warp4IT-Mentoring für IT-interessierte Studentinnen
Für Informatik-interessierte Studentinnen am KIT bieten wir ein wissenschaftsorientiertes Mentoring-Programm an. Über eine Anstellung als Hiwi erhalten Studentinnen die Möglichkeit, in Projekten aus der aktuellen Forschung der Informatik und des datengetriebenen Rechnens mitzuarbeiten und bekommen einen echten Einblick in das Arbeitsleben wissenschaftlicher Mitarbeiterinnen am SCC.
Du bist Studentin am KIT, interessierst dich für Informatik und IT und fragst dich, was nach dem Studium kommt? Du hast eine eigene Projektidee zu KI, wissenschaftlichem Rechnen & Co., die du unter Anleitung umsetzen möchtest? Du möchtest erfahren, warum dein Wissen gerade in der Informatik und den Datenwissenschaften besonders gefragt ist? Dann bewirb dich als Hiwi bei warp4IT!
Was wir bieten:
- Betreuung durch erfahrene und engagierte Wissenschaftlerinnen des SCC als deine Ansprechpartnerin rund um den Beruf als wissenschaftliche Mitarbeiterin und IT-lerin
- Kontakt zu Gleichgesinnten und konkrete Möglichkeiten zu Vernetzung und Austausch
- Aus- und Weiterbildungsangebote sowie fachspezifische Informationen zu einer Karriere in der IT
Was du mitbringst:
- Begeisterung für Informatik- und Data-Science-Forschung
- Engagement und Motivation, ein eigenes Projekt zu bearbeiten
- Interesse an interdisziplinärer Zusammenarbeit
- Affinität zu technischen Konzepten und Methoden
- Grundkenntnisse der Programmierung sind hilfreich
Ich habe gelernt, dass es nicht nur den „einen Weg“ in die Wissenschaft gibt und der jeweilige Lebensweg sehr unterschiedlich sein kann. Ich bin sehr dankbar für all die Erfahrungen, die ich sammeln konnte und habe unglaublich viel gelernt, was mich in Zukunft weiterbringen wird und woran ich gut anknüpfen kann.
Marion M., Mentee bei warp4IT
Vergangene warp4IT-Projekte
Dr. Charlotte Debus: How to make our power supply more reliable?
Artificial intelligence (AI) plays a crucial role in time series analysis and prediction. One example is controlling and optimizing electric power grids – an ever-important challenge in light of the upcoming energy revolution. Modern AI algorithms can predict the energy consumption, which helps to improve grid stability and secure the supply. However, applying AI for critical infrastructures presents us with the following question: To what extent can we trust the forecasts of our models? To tackle this challenge, researchers have developed methods for quantifying uncertainties in neural networks.
In this project, we want to apply such methods to AI models for time series forecasting to evaluate their “trustworthiness” by estimating their uncertainties and error rates. You will implement a “Sequence2Sequence” model in Python, train it on European electricity consumption data, and determine its prediction uncertainty as a reliability measure using the “Prediction Intervals” (PIs) and the “Lower Upper Bound Estimation” (LUBE) method.
Dr. Danah Tonne: How to read a pyramid like a book?
Egyptian pyramids are ancient evidence of a longgone culture. Inside you will find a variety of hieroglyphs called “spells” that provide protection and good wishes for the afterlife of the deceased. Which spells were used for which context and how they are connected are questions of great interest to current researchers.
In this project, you will investigate the “International Image Interoperability Framework” (IIIF), a framework to standardize the handling of images and audio/video files on the web to, e.g., allow reuse of research data and tools. Currently mostly used for manuscripts and books, we want to explore potentials, pitfalls, and of course the applicability to pyramids to allow insights into this unique data treasure.
Dr. Eileen Kühn: How to enhance CNN-based learning with quantum computers?
In the noisy intermediate scale quantum (NISQ) era, devices have a limited number of qubits with little error correction, making developing useful computational algorithms for NISQ devices an urgent task. In this domain, quantum machine learning (QML) is gaining attention in hope of achieving computational speedup or better performance for some ML tasks. Especially parameterized quantum algorithms provide a possibility for QML towards quantum advantage in the NISQ era. In contrast to conventional quantum algorithms, they are inherently robust to noise and could benefit from quantum advantage by harnessing both the high dimensionality of quantum systems and the classical optimization scheme.
In this project, you will design and analyze a hybrid quantum-classical algorithm by incorporating a parameterized quantum algorithm into a classical convolutional neural network (CNN) in Python. Our goal is not only to validate the classification performance on the wellknown MNIST dataset in comparison to a classical CNN but also to analyze potential benefits of noise robustness.