Faires Scoring-Modell für ein Wiener Personalvermittlungs-Startup
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten anonymisierte historische Vermittlungsdaten (10.000 Profile, 2.400 erfolgreiche Vermittlungen) mit Profilfeatures, Stellenanforderungen und Demografie-Labels (die nicht ins Modell dürfen, aber für die Fairness-Prüfung verwendet werden). Trainieren Sie ein Gradient-Boosting-Modell, das die Vermittlungswahrscheinlichkeit schätzt, und prüfen Sie es mit den gängigen Fairness-Metriken (Demographic Parity Difference, Equal Opportunity Difference). Wenn das Modell die Schwelle reißt, mitigieren Sie über Reweighing oder Threshold-Adjustment. Liefern Sie eine technische Methodendokumentation und ein einseitiges Aufsichtsrats-Memo, das die Fairness-Aussagen für eine Nicht-Technikerin lesbar macht.
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.
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 RollenApplied 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