Promotionsvortrag Micol Olocco

Diese Dissertation untersucht die Rolle von Automatisierung und Machine-Learning-Methoden als Brücke zwischen der Hochenergiephysik und der Industrie im Rahmen des SMARTHEP European Training Network. Der zentrale wissenschaftliche Beitrag dieser Arbeit ist die Entwicklung von Flavour-Tagging-Algorithmen im Zuge des Upgrade I des LHCb-Experiments. Die Performanz der entwickelten Algorithmen wird anhand von im Jahr 2024 vom LHCb-Experiment aufgezeichneten Daten evaluiert und zeigt ein stabiles Verhalten f¨ur den aufgerüsteten Detektor. Diese Algorithmen stellen die ersten speziell für Run 3 entwickelten Flavour-Tagger dar und ermöglichen zeitabhängige Messungen der Mischung neutraler B-Mesonen sowie der CP-Verletzung. Automatisierungsprinzipien werden zudem bei der Entwicklung der Infrastruktur zur Bereitstellung und Validierung von Trigger Configuration Keys am LHCb-Experiment angewendet. Die Automatisierung ist zur Unterstützung der Datennahme und des Betriebs des Detektors während Run 3 konzipiert. Über das zentrale Physikprogramm des LHCb-Experiments hinaus präsentiert diese Dissertation die Konzeption eines Open-Source-Frameworks zur automatisierten Erzeugung synthetischer Finanztransaktionsdaten mithilfe von Large Language Models. Solche synthetischen Datensätze stellen eine praktikable Alternative für die Forschung zur Betrugserkennung dar, da der Zugang zu echten Finanzdaten durch Datenschutz- und regulatorische Anforderungen stark eingeschränkt ist.