KI & Daten
Generative KI & LLMs Challenges
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.
Empfohlene Industrieprojekte
· Vektor-Datenbank-Grundlagen Zurücksetzen- CodeMittelstufeNeu
Sequenz-Embedding-Service für ein Berliner Bio-Tech-Startup
Du erhältst die Modell-Wahl (esm2_t12_35M_UR50D, ein klein gehaltenes Modell für moderate Hardware), Beispiel-Sequenz-Datensätze (UniProt-Subset mit rund 50.000 Sequenzen) und e…
- Bioinformatics
- Embedding Models
- Fastapi
Computational Biology and Health Informatics - 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
- Vektor Datenbank Grundlagen
Retrieval-Augmented Generation - CodeMittelstufeNeu
Hybrid-Retrieval-Optimierung fuer Stuttgarter E-Commerce-Plattform
Du erhaeltst 320.000 Produkt-Listings (Titel, Beschreibung, Kategorie, Marke) plus 5.000 historische Suchanfragen mit Klick- und Kauf-Labels. Implementiere: (1) BM25-Index, (2) …
- Hybrid Retrieval
- Embedding Models
- Reranking
Retrieval-Augmented Generation - 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…
- Vektor Datenbank Grundlagen
- Word Embeddings
- Semantic Search
Vector Databases and Embeddings 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
- AnalysisMittelstufeNeu
Hybride Suche für eine Developer-Tools-Plattform optimieren
Du erhältst 50.000 Dokumente (Mischung aus Markdown-Docs und Code-Snippets, englisch und deutsch) plus 200 gelabelte Anfragen mit gemischtem Charakter (40 Prozent natürliche Spr…
- Hybrid Search
- Vektor Datenbank Grundlagen
- Bm25
Vector Databases and Embeddings - AnalysisEinsteigerNeu
Vector-Suche für Produkt-Empfehlungen bei einem Hamburger FMCG-Konzern
Du erhältst Embeddings für 180.000 Produkte (768-dimensional, aus einem mehrsprachigen Sentence-Transformer), 5.000 Such-Anfragen mit Relevanz-Labels (Klick = relevant, gewertet…
- Vektor Datenbank Grundlagen
- Benchmarking
- Python Oder Javascript
Machine Learning at Scale - CodeMittelstufeNeu
Multi-Modal-RAG fuer Salzburger Tourismus-Concierge
Du erhaeltst die Text- und Bildsammlung sowie 100 Beispiel-Anfragen mit manuell gepflegten Soll-Antworten. Implementiere: (1) Text-Embeddings mit mehrsprachigem Modell, (2) Bild…
- Multimodal RAG
- Clip Embeddings
- Cross Modal Retrieval
Retrieval-Augmented Generation - CodeMittelstufeNeu
Dense Retrieval mit DPR fuer technische Wissensbasis eines Erlanger Maschinenbauers
Du erhaeltst 180.000 Passagen plus 800 historische Frage-Loesung-Paare als Ground Truth. Implementiere: (1) Bi-encoder-Training (z. B. Sentence-BERT oder ein deutsch-englisches …
- Dense Retrieval
- Passage Ranking
- Embedding Models
Question Answering and Conversational Systems - 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.
- 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
- Halluzinationserkennung
Retrieval-Augmented Generation - 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…
- Fine Tuning
- Contrastive Learning
- Sentence Transformers
Vector Databases and Embeddings
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.



















































































