Faires Scoring-Modell für ein Wiener Personalvermittlungs-Startup
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein faires Scoring-Modell für ein Wiener Startup, prüfe es auf Bias und erhalte ein verifizierbares Zertifikat.
Das Szenario
Das Startup hat 22 Mitarbeitende, will im nächsten Jahr in die regulatorisch heikle DACH-Skalierung gehen und braucht eine sauber dokumentierte Fairness-Grundlage.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich ein Scoring-Modell für Personalvermittlung so bauen, dass es geschäftlich nützlich und nachweisbar fair gegenüber Geschlechts- und Altersgruppen ist?
Earning criteria — what you'll demonstrate
- Fairness-Metriken in einem realen Geschäftskontext anwenden
- Mitigierungsstrategien gegen Diskriminierung umsetzen und ehrlich bewerten
- Modellentscheidungen über SHAP-Werte erklärbar machen
- Technische Ergebnisse für eine Aufsichtsrats-Ebene verständlich kommunizieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Fairness In Ml
Apply fairness in ml to solve real industry problems and demonstrate production-level capability.
- Predictive Modeling
Apply predictive modeling to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Data Wrangling
Apply data wrangling to solve real industry problems and demonstrate production-level capability.
- Model Explainability
Apply model explainability to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Applied AI Scientist
Ein produktrelevantes Modell mit Fairness-Garantien und einer Aufsichtsrats-Kommunikation zu liefern ist eine der hochwertigsten Erfahrungen, die ein Applied AI Scientist in den ersten Jahren machen kann.
Dieses Projekt schärft
- fairness-in-ml
- predictive-modeling
- model-explainability
AI Safety Researcher
Diskriminierungsrisiken systematisch zu prüfen und Mitigierungen ehrlich zu bewerten ist die Kernarbeit angewandter AI-Safety-Forschung.
Dieses Projekt schärft
- fairness-in-ml
- model-evaluation
- model-explainability
Machine Learning Engineer
Eine reproduzierbare Pipeline plus Monitoring-Empfehlung ist die direkte Vorarbeit für produktive ML-Engineering-Arbeit unter regulatorischem Druck.
Dieses Projekt schärft
- python
- predictive-modeling
- data-wrangling
Noch eine Sache