KI & Daten
Deep Learning Industrieprojekte
Deep Learning-Challenges versetzen dich mitten in die Arbeit, Modelle zu bauen, die aus rohen Daten lernen. Du entwickelst Fähigkeiten in Neuronalen Netzen und Feedforward-Netzen, wendest Data Augmentation an und trainierst Modelle in PyTorch oder TensorFlow neben den Grundlagen des Reinforcement Learning.
Von dort meisterst du die kniffligeren Themen — Transformer-Architektur, Attention-Mechanismen, Custom-Architektur-Design und Distributed Training — und arbeitest mit PyTorch Lightning / Hugging Face Trainer, JAX-Forschungsmustern und Ablation-Study-Design. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
- ResearchMittelstufeNeu
Multi-Task-Learning fuer einen E-Commerce-Recommender
Du erhaeltst 18 Monate Web-Telemetrie-Daten (rund 4,2 Millionen Sessions) mit Labels fuer alle drei Aufgaben. Implementiere zwei Architekturen: (1) drei separate XGBoost-Modelle…
- Multi Task Learning
- Neural Networks
- Model Evaluation
Fachübergreifend - CodeSeniorNeu
Off-Policy-Imitation aus Werker-Aufzeichnungen bei Stuttgarter Automotive-Tier-1
Du erhaeltst die 18.000 Trajektorien plus ein passendes Sim-Modell der Vor-Montage-Zelle. Implementiere: (1) BC-Baseline auf den vollen Daten, (2) IQL oder CQL als Offline-RL, (…
- Offline Reinforcement Learning
- Implicit Q Learning
- Conservative Q Learning
Robot Learning - CodeMittelstufeNeu
Verkehrsteilnehmer-Erkennung für einen Stuttgarter Premium-OEM verbessern
Sie erhalten 18.000 gelabelte Innenstadt-Frames aus drei DACH-Städten plus 1.500 Frames mit dokumentierten Edge Cases (Schaufenster-Spiegelung, Schatten, Regen). Trainieren Sie …
- Object Detection
- Transfer Learning
- Edge Case Analysis
Fachübergreifend - ResearchMittelstufeNeu
Reproduktion einer NeurIPS-Studie als Master-Lab-Projekt
Wählen Sie ein NeurIPS-2024- oder -2025-Paper mit verfügbarem Code und Datensatz. Reproduzieren Sie die Hauptexperimente (mindestens Tabelle 1 oder die Hauptgrafik). Dokumentier…
- Research Methodology
- Reproducibility
- Pytorch
Fachübergreifend Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- CodeEinsteigerNeu
MLP-Baseline für Strompreis-Prognose in einem Stadtwerk
Du erhältst 3 Jahre Spotpreis-Daten plus exogene Variablen (Last, Wind, Solar, Brennstoffpreise). Implementiere eine MLP-Prognose (Input: 168 Stunden Historie + exogene Features…
- Mlp Architectures
- Time Series Forecasting
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Gestensteuerung für einen Logistik-AMR im Hafenumschlag
Du erhältst einen vorlabelten Datensatz aus 1.200 Gestenvideos (acht Bediener:innen, je sechs Gesten, mit Annotationen). Trainiere einen leichten Klassifikator (MoveNet-Skelett …
- Gesture Recognition
- Real Time Inference
- Pytorch
Fachübergreifend - CodeSeniorNeu
Constitutional-AI-Replikation fuer mittelstaendischen Versicherungs-Chatbot
Du entwirfst: (1) eine Constitution mit 8-12 Sicherheits-Prinzipien fuer Versicherungs-Kundenkontakt (Datenschutz, Beratungsabgrenzung, klare Eskalation), (2) eine Critique-and-…
- Constitutional Ai
- Rlhf
- Direct Preference Optimization
Fachübergreifend - CodeEinsteigerNeu
Transformer-Fine-Tuning für deutsche Patentanwaltskanzlei
Sie erhalten 14.000 deutsche Patentschriften-Abstracts mit Klassen-Labels. Fine-tunen Sie gbert-large (deutsches BERT) auf 80 % der Daten und evaluieren auf 20 %. Baseline: TF-I…
- Transformer Fine Tuning
- German Bert
- Text Classification
Fachübergreifend - Browse challenges
Explore role
Product Manager
Ship product that solves real user problems. Combine user research, prototyping, and stakeholder alignment to turn ambiguous briefs into measurable wins — the role at the centre of modern software teams.
- CodeMittelstufeNeu
Structured Prediction für die Layoutextraktion in einem Düsseldorfer LegalTech
Du erhältst 4.000 annotierte deutsche Vertrags-PDFs mit pro Token gelabelten Klauselgrenzen, Sektionsgrenzen und Klauseltypen (15 Klassen). Trainiere zwei Modelle: (a) BERT-Base…
- Structured Prediction
- Conditional Random Fields
- Named Entity Recognition
Fachübergreifend - CodeMittelstufeNeu
Hindernis-Erkennung für Inspektions-Drohnen in Offshore-Windparks
Du erhältst einen annotierten Datensatz von 8.000 Stereo-Frames aus echten Offshore-Inspektionen (Pixel-Labels für Blatt, Mast, Strebe, Hintergrund-Meer/Himmel). Trainiere ein l…
- Semantic Segmentation
- Edge Deployment
- Pytorch
Robot Perception and Autonomy - ResearchMittelstufeNeu
Transformer-Probing für Linguistik-Forschungsgruppe
Sie konzipieren drei Probing-Tasks für deutsche grammatische Phänomene und erstellen pro Task 600 minimal-paar-Beispiele. Trainieren Sie pro Modell und pro Task einen Linear-Pro…
- Model Probing
- Transformer Analysis
- German Bert
Fachübergreifend - ResearchMittelstufeNeu
Niedrigressourcen-MT fuer Schweizerdeutsch in einer Bundesverwaltung
Du erhaeltst rund 12 000 parallele Saetze (Schweizerdeutsch → Standarddeutsch) plus rund 100 000 einsprachige Saetze in Schweizerdeutsch. Implementiere Backtranslation: trainier…
- Neural Machine Translation
- Data Augmentation
- Low Resource Mt
Fachübergreifend Build a verifiable portfolio.
Submissions become evidence. Reviewers with shipping experience score against a rubric; the result becomes a credential anyone can verify.
Why Ewance
- ResearchMittelstufeNeu
Diffusionsmodell für synthetische Trainingsdaten im Onlinehandel feintunen
Du erhältst 5.000 reale Produktfotos in 12 Kategorien plus eine vortrainierte Stable-Diffusion-XL-Checkpoint. Wähle eine Fine-Tuning-Methode (DreamBooth oder LoRA — Low-Rank Ada…
- Generative Models
- Diffusion Models
- Fine Tuning
Advanced Deep Learning - ResearchMittelstufeNeu
VAE für synthetische Tabellen-Daten in einem Versicherungs-Forschungslabor
Du erhältst einen anonymisierten Schadendatensatz (100.000 Zeilen, 24 Spalten — kategorisch und numerisch gemischt). Implementiere einen Tabellen-VAE (z. B. CTGAN-Architektur od…
- Variational Autoencoders
- Synthetic Data Generation
- Differential Privacy
Fachübergreifend - ResearchMittelstufeNeu
Cross-Modal-Translation für Hamburger Marine-Forschung
Sie erhalten 80 Stunden Hydrophon-Aufnahmen mit zeitgestempelten optischen Snapshots, jeder Snapshot manuell in 6 Riff-Zustandsklassen kategorisiert. Trainieren Sie ein Audio-Mo…
- Cross Modal Learning
- Audio Classification
- Pytorch
Fachübergreifend - CodeEinsteigerNeu
Segmentierung von Wundfotos für eine Berliner Heimpflegeapp
Sie erhalten 1.500 gelabelte Wundfotos (Bildmaske pro Bild, kuratiert von einer Wund-Expertin) — keine echten Patientendaten, sondern ein synthetisch erstellter Beispiel-Datensa…
- Image Segmentation
- U Net
- Pytorch
Fachübergreifend - ResearchMittelstufeNeu
Bandit-Optimierung für Onboarding-Personalisierung bei einem Wiener EdTech
Du erhältst einen historischen Datensatz von 80.000 Onboarding-Sitzungen mit 5 Kontext-Features pro Nutzer (Sprachniveau, Plattform, Tageszeit, Quelle, Altersgruppe) und der his…
- Multi Armed Bandits
- Reinforcement Learning
- Experiment Design
Advanced Machine Learning - ResearchMittelstufeNeu
Embedding-Modell für deutsche Produktdaten feinjustieren
Du erhältst 80.000 Produkt-Datensätze (Titel, Beschreibung, Kategorien) plus 1.200 historische Klick-Logs ('Anfrage X -> geklicktes Produkt Y') und 100 manuell gelabelte Test-An…
- Embedding Fine Tuning
- Contrastive Learning
- Sentence Transformers
Vector Databases and Embeddings - ResearchSeniorNeu
Interpretierbarkeits-Analyse eines fein-justierten Sprachmodells
Du erhältst Zugang zum Basismodell und zum fein-justierten Modell sowie zu einem kuratierten Probing-Datensatz (etwa 200 sorgfältig konstruierte Prompts pro Verhaltens-Kategorie…
- Mechanistic Interpretability
- Activation Patching
- Logit Lens
AI Safety and Alignment - CodeMittelstufeNeu
Reward-Modell aus Praeferenzdaten fuer Berliner Schreibassistenten
Du erhaeltst die 12.000 Praeferenzpaare (Prompt, Response A, Response B, Praeferenz, Annotator-ID) plus Demographie-Tags der Annotatorinnen. Trainiere ein Reward Model nach Brad…
- Reward Modeling
- Preference Learning
- Bradley Terry
Fachübergreifend - CodeMittelstufeNeu
Defekterkennung auf einem ARM-Cortex-M7-Mikrocontroller deployen
Du bekommst ein in PyTorch trainiertes 1D-CNN (rund 380 KB FP32) plus 5.000 markierte Vibrationsfenster aus dem Feld. Konvertiere das Modell mit Post-Training-Quantisierung auf …
- Model Quantization
- Edge Inference
- Tflite Micro
Fachübergreifend - ResearchSeniorNeu
Sim-to-Real-Policy für einen 6-Achs-Greifroboter überführen
Du erhältst Zugriff auf einen MuJoCo-Simulator des Greifarms, eine vortrainierte PPO-Policy und einen Datensatz von 200 Real-Roboter-Episoden mit Erfolgs-/Misserfolgs-Labeln. Er…
- Policy Gradients
- Ppo
- Sim To Real
Deep Reinforcement Learning - CodeSeniorNeu
DPO-Finetuning fuer Tonalitaets-Anpassung eines mehrsprachigen Modells
Du erhaeltst ein Open-Source-Basismodell (rund 8B Parameter), 4.000 Praeferenzpaare und 200 Holdout-Prompts. Implementiere: (1) SFT-Baseline auf den 'chosen'-Antworten, (2) DPO-…
- Direct Preference Optimization
- Supervised Finetuning
- Lora
Machine Learning from Human Preferences (RLHF and Alignment) - ResearchMittelstufeNeu
Autoregressive Sequenz-Generation für ein Game-Studio in Berlin
Du erhältst die Quest-Bibliothek (strukturierter JSON-Datensatz mit Ziel, Twist, Belohnung, Welt-Tags) sowie eine Stilrichtlinie aus dem Writers' Room. Trainiere einen kleinen a…
- Autoregressive Models
- Transformer Training
- Text Generation
Deep Generative Models
So funktioniert's
Vom Briefing zum Zertifikat – in sechs Schritten.
Schritt 01
Durchsuche Challenges passend zu Deinem Studium.
Schritt 02
Wähle das Projekt, das zu Deinen Zielen passt.
Schritt 03
Arbeite es mit Hilfe des AI Copiloten durch.
Schritt 04
Reiche es zur strukturierten Bewertung ein.
Schritt 05
Erhalte ein verifiziertes Zertifikat.
Schritt 06
Füge es Deinem LinkedIn-Profil mit einem Klick hinzu.
Verwandte Kompetenzfelder
Alle Kompetenzen durchsuchenBranchenteams hinter einem Jahrzehnt praxisorientierter Briefings
Aus diesem Pool einstellen?
Sponsere eine Challenge und lerne Kandidaten durch ihre tatsächliche Arbeit kennen.
Industrieteams können Briefings rund um die Fähigkeiten gestalten, die sie suchen, und Studierende anhand von bewertungsmatrix-gestützten Ergebnissen beurteilen – nicht anhand von Lebensläufen.



















































































