KI & Daten
Generative KI & LLMs Industrieprojekte
Generative KI & LLMs-Challenges versetzen dich mitten in die Arbeit, mit Large Language Models zu bauen. Du entwickelst Fähigkeiten in Prompt-Mustern, Few-Shot-Prompting, Chain-of-Thought und LLM-API-Integration und lernst, wie sich diese Modelle verhalten, bevor du sie skalierst.
Von dort meisterst du die kniffligeren Themen — RAG-Architekturen, Vektor-Datenbank-Grundlagen, Fine-Tuning und Prompt-Versionierung — und legst LLM-Guardrails sowie LLM-Evaluation um jedes Deployment so, wie es KI-Teams wirklich tun. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
- CodeEinsteigerNeu
KI-gestützte Produktkonfiguration für einen Mittelständler im Maschinenbau
Du hast vier Wochen Zeit, um einen funktionierenden Prototypen zu entwickeln. Beginne mit der Analyse von 15 historischen Angebotsdokumenten (anonymisiert), die du vom Unternehm…
- Prompt Engineering
- Prototyping
- Data Analysis
Data-Driven Prototyping with AI - CodeMittelstufeNeu
Enterprise-RAG-Pipeline für eine Unternehmensberatung
Du erhältst 12.000 vorbereitete Berichts-Chunks (anonymisierte Kund:innen) mit Metadaten (Branche, Jahr, Region) sowie 80 typische Berater:innen-Anfragen mit Goldstandard-Antwor…
- Retrieval Augmented Generation
- Hybrid Search
- Re Ranking
Information Retrieval and Search - CodeMittelstufeNeu
Semantisches Parsing für ein Münchner B2B-SaaS-Chatfeature
Sie erhalten 2.000 Beispielanfragen mit den korrekten JSON-Filtern als Label und das Datenschema der Plattform (Tickets, Projekte, Personen, Status, Priorität). Bauen Sie einen …
- Semantic Parsing
- Transformer Fine Tuning
- Structured Prediction
Fachübergreifend - CodeMittelstufeNeu
RAG-System fuer technische Dokumentation eines Wuerzburger Anlagenbauers
Du erhaeltst eine Sammlung von rund 8.000 Dokumenten als PDF und HTML-Export. Implementiere die Pipeline: (1) Chunking mit hierarchischer Strategie (Section-Header-aware, 512 To…
- RAG Architecture
- Embedding Models
- Vector Search
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
Datenintegration und Prozessautomatisierung für Fintech-Startup in Berlin
Du erhältst Zugriff auf drei anonymisierte Datensätze (CRM-JSON, Transaktions-SQLite, Rechnungs-CSV) mit jeweils 10.000 Datensätzen. Entwickle in Python eine modulare Datenpipel…
- Python
- Data Manipulation
- Etl Pipeline Design
Fachübergreifend - CodeEinsteigerNeu
NLP-gestützter Kunden-Service-Autoresponder für ein Berliner Fintech
Du erhältst 25.000 anonymisierte Support-Tickets mit 12 Kategorien plus eine Domänen-FAQ-Liste mit 200 Einträgen. Baue eine Pipeline mit (1) feinjustiertem Klassifikator (gbert …
- Text Classification
- RAG
- Fine Tuning
Linguistic Engineering and Language Technologies - 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
Capability- und Safety-Evaluation für ein Open-Source-LLM
Du erhältst Zugang zum Modell und zu einer Liste etablierter Benchmark-Suites (z. B. MMLU für allgemeines Wissen — Massive Multitask Language Understanding — mit deutschsprachig…
- Capability Evaluation
- Safety Evaluation
- Benchmark Design
AI Measurement and Evaluation - 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
Dataset-Kuratierung und Eval-Harness für ein medizinisches Fachmodell
Du bekommst 12.000 anonymisierte Radiologie-Berichte (rohe Exports), Klinik-Style-Guide und eine Liste typischer Failure-Modes (Halluzinationen, falsche Befund-Vereinfachungen).…
- Dataset Curation
- Data Pipelines
- LLM Evaluation
Fine-Tuning Large Language Models - CodeEinsteigerNeu
Transformer-Klassifikator für Kundenservice-Mails in einem Energiehandel
Du erhältst 18.000 gelabelte Mails (6 Klassen, anonymisiert). Trainiere einen deutschen BERT (z. B. GBERT oder dbmdz/bert-base-german-cased), vergleiche gegen TF-IDF + logistisc…
- Transformer Architectures
- Text Classification
- Fine Tuning
Deep Learning - CodeEinsteigerNeu
Sentiment-Analyse für Münchner Modemarke
Sie bekommen 5.000 manuell annotierte deutsche Modebewertungen mit Aspekten (Passform, Material, Lieferung, Preis, Stil) und Sentiment pro Aspekt (positiv/negativ/neutral). Fine…
- Sentiment Analysis
- Absa
- German Bert
Fachübergreifend - CodeEinsteigerNeu
Semantische Vertragssuche für eine Legal-Tech-Kanzlei aufbauen
Du erhältst 5.000 anonymisierte deutsche Vertragsklauseln (Mustertexte) plus 20 gelabelte Suchanfragen mit jeweils 5-10 erwarteten Treffern. Wende zwei Embedding-Modelle an (ein…
- Vector Search
- Embeddings
- Semantic Search
Vector Databases and Embeddings 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
Wissensbasiertes Assistenz-Tool für eine Münchener Anwaltskanzlei
Euer Team von vier Studierenden bildet die typische Rollen-Aufteilung eines Engineering-Teams ab: ML-Engineering, Backend, Frontend, Plattform/DevOps. Liefert: 1) Indexierungs-P…
- Retrieval Augmented Generation
- Vector Databases
- Fastapi
AI Software Engineering Group Project - CodeMittelstufeNeu
Agent-Orchestrierung für ein Frankfurter Asset-Management-Tool
Du baust einen LangChain- oder LlamaIndex-Agenten mit Function Calling auf OpenAI oder Anthropic Claude, der drei Werkzeuge orchestriert: (1) Marktdaten-API (Mock auf Yahoo-Fina…
- Agent Orchestration
- Tool Calling
- Langchain
LLM Application Development - CodeMittelstufeNeu
Personalisierte Nachhilfe-App mit adaptiver Aufgaben-Engine
Euer Team von drei bis vier Studierenden baut die App in drei iterativen Sprints: 1) Aufgaben-Katalog (etwa 500 Mathematik-Aufgaben aus dem österreichischen Lehrplan, mit Tags u…
- Adaptive Learning
- Bayesian Inference
- LLM Integration
Fachübergreifend - DesignMittelstufeNeu
Instruction-Tuning-Dataset fuer Domaenen-Spezialisierung im Pharma-Bereich
Du designst: (1) Dataset-Spezifikation mit 8 Aufgabentypen (Frage-Antwort, Zusammenfassung, Strukturierung, Risiko-Kommentierung etc.), (2) Annotations-Guidelines mit klaren Bei…
- Instruction Tuning
- Supervised Finetuning
- Dataset Design
Fachübergreifend - DesignMittelstufeNeu
Mehrsprachiges Tone-of-Voice-System fuer Muenchner Luxusmarken-Agentur
Du erhaeltst Marken-Guidelines (jeweils 4-8 Seiten) und je 25 Best-Practice-Beispiele pro Marke und Sprache. Entwirf pro Marke ein System-Prompt mit: (1) Marken-Personlichkeit, …
- System Prompt Design
- Few Shot Prompting
- LLM As Judge
Fachübergreifend - 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) - AnalysisMittelstufeNeu
Bias- und Fairness-Audit eines deutschen Konzern-LLMs
Du erhältst die System-Prompt-Konfiguration des Assistenten, einen Trace von 500 anonymisierten Beispiel-Interaktionen und ein vom Betriebsrat freigegebenes Testdesign. Implemen…
- Bias Evaluation
- Fairness Auditing
- Counterfactual Testing
Large Language Models - CodeMittelstufeNeu
Diffusion-Modell für Modefotografie eines DTC-Labels
Du bekommst 200 Studio-Aufnahmen einer Sommer-Kollektion, den Stil-Guide des Labels und Zugriff auf eine gemietete A100-GPU. Trainiere zwei Varianten (Dreambooth full + LoRA), g…
- Diffusion Models
- Stable Diffusion
- Lora
Fachübergreifend - CodeSeniorNeu
Citation-getreuer RAG-Assistent fuer Wiener Kanzlei
Du erhaeltst 12.000 anonymisierte Dokumente plus 120 Frage-Antwort-Paare mit explizit zitierten Quellen. Implementiere: (1) Embedding-Index ueber ein juristisches mehrsprachiges…
- RAG Architecture
- Citation Tracking
- Hallucination Detection
Retrieval-Augmented Generation - CodeMittelstufeNeu
Agentic-AI-Orchestrierung für KI-Startup in Salzburg
Sie implementieren beide Orchestrierungs-Strategien mit LangGraph oder einem ähnlichen Framework. Definieren Sie ein Set von 25 Test-Aufgaben mit überprüfbaren Outcomes (z. B. '…
- Agentic Ai
- LLM Orchestration
- Langgraph
Multi-Agent Systems - CodeMittelstufeNeu
Recherche-Agent für ein Frankfurter Asset-Management-Fintech bauen
Du baust den Agenten mit LangGraph oder LlamaIndex auf einem offenen LLM (z. B. Llama 3 70B über Hugging Face Inference API oder Mistral Large via API). Definiere mindestens vie…
- LLM Agents
- Tool Use
- Retrieval Augmented Generation
Fachübergreifend - StrategyMittelstufeNeu
Prompt-Engineering-System für regulatorische Dokumentation in der Pharma-Branche
Du hast eine Woche Zeit allein. Analysiere zunächst fünf Beispiel-Dokumente (anonymisierte Auszüge aus Common Technical Documents, CTD — standardisiertes Zulassungsformat für Ar…
- Prompt Engineering
- Regulatory Knowledge Transfer
- Risk Assessment
Data-Driven Prototyping with AI
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.



















































































