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.
- CodeMittelstufeNeu
Modell-Pruning für ein Fahrer-Müdigkeitssystem im Automotive-ECU
Du erhältst ein in PyTorch trainiertes Müdigkeits-CNN (ResNet-18-Basis) plus einen markierten Datensatz von 20.000 Gesichts-Crops aus Fahrer-Innenraumkameras. Implementiere stru…
- Model Pruning
- Hardware Aware Design
- Pytorch
Fachübergreifend - 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
Regularisierungs-Studie für ein kleines medizinisches Trainings-Set
Du erhältst den 4.500-EKG-Datensatz (anonymisiert, ohne klinische Identifikatoren) sowie eine bestehende CNN-1D-Baseline. Definiere ein Regularisierungs-Faktorgitter (Dropout, W…
- Regularization
- Deep Learning
- Cross Validation
Fachübergreifend - 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 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
- CodeMittelstufeNeu
Lernende Re-Ranking-Schicht für eine Reise-Suchplattform
Du erhältst 1,2 Mio anonymisierte Such-Logeinträge mit Klicks und Buchungen aus drei Monaten, plus ein vordefiniertes Feature-Set (Preis, Bewertung, Verfügbarkeit, Reiseziel-Bel…
- Learning To Rank
- Lambdamart
- Xgboost
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
Aufmerksamkeits-Analyse zur Erklaerung von MT-Fehlern fuer ein EU-Sprachenteam
Du erhaeltst rund 200 Saetze mit beobachteten Faktenfehlern (Zahlen, Eigennamen, Negationen). Verwende ein vortrainiertes Transformer-MT-Modell (z. B. Helsinki-NLP/opus-mt) und …
- Attention Mechanism
- Transformers
- Model Interpretation
Machine Translation - CodeMittelstufeNeu
Segmentierung von Lungen-CT-Aufnahmen für ein Münchner MedTech
Du erhältst Zugriff auf den öffentlichen LUNA16-Datensatz (888 anonymisierte Lungen-CT-Scans, frei verfügbar für Forschung) und eine kleine Validierungsmenge mit präzisen Annota…
- Medical Image Segmentation
- U Net
- Pytorch
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.
- ResearchMittelstufeNeu
Selbstüberwachtes Pretraining für Defekterkennung in der Halbleiterfertigung
Du erhältst 500.000 ungelabelte Wafer-Patches und 3.000 gelabelte Patches mit fünf Defektklassen. Trainiere zuerst einen Encoder selbstüberwacht (Empfehlung: DINOv2-Architektur …
- Self Supervised Learning
- Representation Learning
- Pytorch
Advanced Deep Learning - ResearchMittelstufeNeu
Transfer-Learning fuer ein Pharma-Foundation-Modell auf molekulare Eigenschaften
Du erhaeltst SMILES-Strings (Notation fuer Molekuelstrukturen) mit Messwerten fuer 4 ADMET-Endpunkte (rund 8 000 - 25 000 Molekuele je Endpunkt). Wahle ein vortrainiertes moleku…
- Transfer Learning
- Foundation Models
- Molecular Ml
Fachübergreifend - AnalysisMittelstufeNeu
Imitation-Learning-Baseline für ein autonomes Lieferfahrzeug
Du erhältst 12 Stunden Telemetrie + Kamera-Stream menschlicher Sicherheitsfahrten aus dem Münchner Innenstadtgebiet sowie einen CARLA-Stadt-Simulator. Trainiere eine Behavior-Cl…
- Imitation Learning
- Behavior Cloning
- Pytorch
Deep Reinforcement Learning - ResearchSeniorNeu
GAN-basierter Daten-Augmentations-Pipeline für medizinische Bildgebung
Du erhältst einen anonymisierten Bilddatensatz (rund 12.000 Lungenröntgen, 14 Befund-Klassen, davon 3 unterrepräsentiert mit jeweils <200 Beispielen) sowie den bestehenden Klass…
- Gans
- Data Augmentation
- Medical Imaging
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
- CodeMittelstufeNeu
PINN für die Wärmeleitung in einem Spritzgießwerkzeug
Du erhältst 200 FEM-Referenzlösungen für unterschiedliche Kühlkanal-Geometrien (Position und Durchmesser) eines vereinfachten 2D-Werkzeugquerschnitts. Implementiere ein PINN mit…
- Physics Informed Neural Networks
- Pytorch
- Scientific Computing
AI for Science and Engineering - 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 - ResearchSeniorNeu
End-to-End-Lernen für einen Münchner Premium-OEM evaluieren
Sie nutzen den CommaAI Comma2k19-Datensatz als offene Basis (Frontkamera plus Steuerdaten). Trainieren Sie ein ConvNet, das aus dem aktuellen Frame Lenkwinkel-Delta und Geschwin…
- End To End Learning
- Imitation Learning
- Pytorch
Fachübergreifend - 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
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 - CodeMittelstufeNeu
Variational Autoencoder fuer Pharma-Molekuelfingerprints
Du erhaeltst rund 280.000 SMILES mit Bindungsaffinitaeten gegen eine GPCR-Klasse. Trainiere einen Sequence-VAE (z. B. nach Gomez-Bombarelli 2018) mit 64-dimensionalem Latentraum…
- Variational Autoencoders
- Variational Inference
- Generative Models
Fachübergreifend - ResearchSeniorNeu
Model-Inversion-Attack-Audit für Berliner KI-Startup
Sie erhalten ein bereits trainiertes Gesichtserkennungs-Modell (ResNet-50, fine-getuned auf einer synthetischen 5.000-Personen-Datenbank) sowie API-Zugang. Implementieren Sie dr…
- Model Inversion
- Adversarial Attacks
- Differential Privacy
Privacy-Preserving Machine Learning - CodeMittelstufeNeu
Lern-basierte Greifer-Steuerung für einen Sortierautomaten
Du erhältst einen Datensatz von 6.000 Greif-Episoden (Kamerabild vor dem Greifvorgang, Kommando-Saugkraft, Last-Sensor-Verlauf, Erfolg/Misserfolg-Label). Trainiere ein Modell, d…
- Learning Based Control
- Computer Vision
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Echtzeit-Detektion von Schutzausrüstung auf einer Großbaustelle
Du erhältst 6.000 annotierte Bilder (Personen mit/ohne Helm, mit/ohne Warnweste) sowie Test-Videos von 3 Kameras. Trainiere YOLOv8 oder YOLOv10 auf den 4 Klassen, optimiere für …
- Object Detection
- Yolo
- Edge Deployment
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 - CodeMittelstufeNeu
Neuronale MT-Domaenenadaption fuer einen Maschinenbau-Dokumentationsanbieter
Du erhaeltst rund 200 000 parallele Saetze Deutsch-Englisch aus Wartungsanleitungen und Bedienhandbuechern eines Maschinenbau-Korpus. Wahle ein vortrainiertes Modell (z. B. Hels…
- Neural Machine Translation
- Domain Adaptation
- Fine Tuning
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
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.



















































































