Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 28 000 anonymisierte Bewerbungen mit den Modellbewertungen, den tatsaechlichen Einstellungsentscheidungen, und proxy-Merkmalen (Geschlecht, Altersband, Postleitzahlen-Cluster, Migrationshintergrund-Indikator). Berichte Gruppen-Metriken: True-Positive-Rate, False-Positive-Rate und Auswahlquote pro Gruppe. Berechne disparate Impact (Quotient der Auswahlquoten) und equalized odds (Gleichheit der False/True-Positive-Raten zwischen Gruppen). Liefere ein 6-seitiges Audit mit konkreten Massnahmen (z. B. Schwellenwert-Justierung pro Gruppe vs. Modell-Retraining vs. Feature-Entfernung) plus eine Empfehlung an die Diversity-Abteilung.
Das Briefing
Was Du tust und was Du zeigst.
Pruefe, ob das Bewerbungs-Screening-Modell entlang geschuetzter Merkmale fair entscheidet, und liefere umsetzbare Korrekturmassnahmen.
Earning criteria — what you'll demonstrate
- Gruppen-Fairness-Metriken sauber berechnen und interpretieren
- Den Unterschied zwischen statistischer Parity und Equalized Odds verstehen
- Audits methodisch durchfuehren und schriftlich verteidigen
- Korrektur-Optionen (Schwelle vs. Retraining vs. Feature-Entfernung) gegeneinander abwaegen
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 RollenAI Safety Researcher
Ein vollstaendiges Fairness-Audit unter realen Constraints zu liefern ist die Kernkompetenz fuer AI-Safety-Forscher:innen in Konzernen mit Diversity-Verpflichtungen.
Dieses Projekt schärft
- fairness-evaluation
- ml-ethics
- auditing
Applied AI Scientist
Fairness-Metriken methodisch sauber zu berechnen und gegeneinander abzuwaegen ist eine senior-typische angewandte KI-Aufgabe.
Dieses Projekt schärft
- fairness-evaluation
- model-evaluation
- ml-ethics
AI Product Manager
Audit-Befunde in eine Massnahmenliste mit Aufwand zu uebersetzen und gegen Stakeholder zu verteidigen ist klassische AI-PM-Arbeit in regulierten Branchen.
Dieses Projekt schärft
- stakeholder-management
- auditing
- ml-ethics
Noch eine Sache