Übersicht
Worum es bei diesem Projekt geht.
Du bekommst Zugriff auf das fine-getunte Modell und das Basismodell, eine Auswahl Standard-Benchmarks (MMLU-Subset, HumanEval-Lite, GSM8K-Stichprobe) und 8.000 generische Trainings-Samples für Replay-Experimente. Vergleiche Basis vs. fine-getuned vs. drei Mitigationsvarianten. Liefere eine Forschungsstudie (6 Seiten) mit Tabellen, Lehren und einer Empfehlung, welche Strategie das Pharma-Team in Zukunft per Default einsetzen sollte.
Das Briefing
Was Du tust und was Du zeigst.
Quantifiziere Catastrophic Forgetting nach Domain-Fine-Tuning und zeige empirisch, welche Mitigationsstrategie für künftige Pharma-Fine-Tunings am besten geeignet ist.
Earning criteria — what you'll demonstrate
- Catastrophic Forgetting empirisch sauber messen
- Continual-Learning-Mitigationen (Replay, EWC) praxistauglich umsetzen
- Forschungsstudien mit klaren Hypothesen und ehrlichen Limitationen schreiben
- Eine Default-Strategie für ein internes KI-Team fundiert empfehlen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenForschungswissenschaftler:in
Catastrophic Forgetting empirisch zu untersuchen ist ein laufendes Forschungsthema; eine saubere Studie ist starkes Portfolio-Material für Foundation-Model-Forschungspositionen.
Dieses Projekt schärft
- catastrophic-forgetting
- continual-learning
- research-methodology
ML-Forscher:in
Eine Default-Strategie für ein internes KI-Team fundiert herzuleiten ist exemplarisch für die Arbeit von ML-Forschenden in Industrie-Laboren.
Dieses Projekt schärft
- experiment-design
- llm-evaluation
- continual-learning
ML-Ingenieur:in
Eine reproduzierbare Eval- und Trainings-Pipeline für mehrere Strategien zu bauen ist genau die Praxis, die ML-Ingenieurinnen in Foundation-Model-Anwender-Teams unterscheidet.
Dieses Projekt schärft
- huggingface
- llm-evaluation
- experiment-design
Noch eine Sache