KI & Daten
NLP Industrieprojekte
NLP-Challenges versetzen dich mitten in die Arbeit, Maschinen das Lesen und Verstehen von Sprache beizubringen. Du entwickelst Fähigkeiten in den Grundlagen von Natural Language Processing (NLP), Text-Tokenisierung und Word Embeddings sowie in Aufgaben wie Named Entity Recognition (NER) und Sequence Labeling mit NLTK.
Von dort meisterst du die kniffligeren Themen — Encoder-Fine-Tuning (BERT-Familie) mit Hugging Face Transformers, Custom Tokenization, Relation Extraction, Information Retrieval und Mehrsprachiges NLP — und baust Wissensrepräsentation auf, wie es echte NLP-Teams tun. Jede gelöste Challenge bringt dir einen verifizierten Nachweis für Recruiter.
- CodeEinsteigerNeu
RAG-Prototyp für IT-Helpdesk eines OWL-Mittelständlers
Sie erhalten einen anonymisierten Korpus von rund 1.200 internen Wiki-Artikeln + 300 historischen Ticket-Antworten. Bauen Sie eine RAG-Pipeline: Embedding eines Open-Source-Mode…
- Retrieval Augmented Generation
- Embeddings
- Vector Databases
Fachübergreifend - CodeMittelstufeNeu
Semantische Suche für ein Kölner Rechtsverlags-Portal aufbauen
Sie erhalten 50.000 anonymisierte Urteile und ein Test-Set von 80 Anwältinnen-Suchanfragen mit redaktionell gelabelten relevanten Dokumenten (Recall@10 als Hauptmetrik). Bauen S…
- Distributional Semantics
- Embeddings
- Information Retrieval
Fachübergreifend - ResearchSeniorNeu
Catastrophic-Forgetting-Studie nach Domain-Fine-Tuning
Du bekommst Zugriff auf das fine-getunte Modell und das Basismodell, eine Auswahl Standard-Benchmarks (MMLU-Subset, HumanEval-Lite, GSM8K-Stichprobe) und 8.000 generische Traini…
- Catastrophic Forgetting
- Continual Learning
- LLM Evaluation
Fine-Tuning Large Language Models - ResearchEinsteigerNeu
Word-Embedding-Vergleich für Stuttgarter Automotive-NLP-Team
Sie erhalten 280.000 deutsche Werkstatt-Reports. Trainieren Sie zwei Embedding-Varianten von Grund auf auf der Domäne: (1) Word2Vec mit Skip-Gram, (2) FastText (handhabt OOV-Wör…
- Word Embeddings
- Word2vec
- Fasttext
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
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 - 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 - CodeEinsteigerNeu
NLP-Klassifikator für Support-Tickets eines Berliner Insurtechs
Sie erhalten 60.000 anonymisierte deutschsprachige Support-Tickets mit bestehender Kategorienlabel. Trainieren Sie einen Klassifikator auf Basis eines vortrainierten deutschspra…
- NLP
- Transformer Fine Tuning
- Text Classification
Fachübergreifend - CodeMittelstufeNeu
QLoRA auf Consumer-Hardware für ein juristisches Modell
Du bekommst 3.500 anonymisierte Schriftsätze (rund 20 MB Text), die Kanzlei-Style-Guide und Zugriff auf eine RTX-4090. Setze QLoRA mit bitsandbytes auf, trainiere zwei Varianten…
- Qlora
- Lora
- Supervised Fine Tuning
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
Information-Retrieval-Index für ein Versicherungs-Wissensportal
Du erhältst den Dokumenten-Korpus (anonymisiert, juristische Texte) und ein Test-Set mit 250 Suchanfragen plus erwarteten Treffern. Baue eine Pipeline: (1) Dokument-Preprocessin…
- Information Retrieval
- Bm25
- Embeddings
Fachübergreifend - CodeEinsteigerNeu
Brand-Monitoring-Dashboard für eine Düsseldorfer FMCG-Marke
Du erhältst einen Beispiel-Korpus von rund 25.000 deutschsprachigen Social-Posts aus einer akademischen Datenquelle (Reddit + öffentliche Foren, anonymisierte Autor:innen). Baue…
- NLP
- Sentiment Analysis
- Topic Modeling
Fachübergreifend - ResearchSeniorNeu
Neuro-symbolischer Hybrid für die Erkennung regulatorischer Verstöße
Du bekommst 1.200 anonymisierte Compliance-Dokumente mit Labels (Verstoß ja/nein, Regel-Referenz), die formalisierten Regeln (40 Stück) und einen Transformer-Baseline. Implement…
- Neuro Symbolic
- Logical Reasoning
- Knowledge Representation
Fachübergreifend - DesignMittelstufeNeu
Ontologie für die Produktklassifikation eines technischen Großhändlers
Du bekommst den heutigen Excel-Baum, 5.000 ausgewählte Produkt-Datensätze und Interviews-Notizen aus drei Kategorie-Manager-Gesprächen. Modelliere eine OWL-Ontologie mit Klassen…
- Ontologies
- Owl
- Knowledge Representation
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
- CodeEinsteigerNeu
Wissensbasis und Rule Engine für Compliance-Checks im Mittelstand
Sie erhalten die Compliance-Checkliste (Excel mit 80 Regeln), 25 historische Angebots-Konfigurationen mit Compliance-Ergebnis und Zugang zur Vertriebs-Compliance-Beauftragten fü…
- Knowledge Representation
- Rule Engines
- Python
Fachübergreifend - ResearchMittelstufeNeu
Cross-lingualer Transfer fuer Sentiment-Analyse in DACH-Maerkten
Du erhaeltst rund 80 000 deutsche annotierte Posts (positiv/neutral/negativ), rund 6 000 italienische und 4 000 franzoesische Posts. Implementiere drei Setups: (1) deutsches XLM…
- Transfer Learning
- Cross Lingual Transfer
- Foundation Models
Meta-Learning, Transfer Learning, and Multi-Task Learning - 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 - 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 - CodeEinsteigerNeu
Klassifikator für Beschwerde-Tickets eines Telekommunikations-Anbieters
Du erhältst rund 40.000 gelabelte Beschwerde-Texte (4 Monate Historie, 14 Klassen) plus eine Klassen-Definition mit Beispielen. Vergleiche eine klassische TF-IDF + logistische R…
- Text Classification
- Transformers
- Tf Idf
Fachübergreifend - ResearchMittelstufeNeu
Belohnungsmodell und DPO für ein Berliner Schreibassistenz-Startup
Du erhältst 3.000 Präferenz-Paare (gewünschte vs. unerwünschte Antwort) sowie 200 Hold-out-Prompts. Baue eine Pipeline mit (1) Aufbau eines Belohnungsmodells aus den Präferenz-P…
- Alignment
- Dpo
- Rlhf
Large Language Models - CodeEinsteigerNeu
Sentiment-Analyse für Kundenfeedbacks eines Mittelständlers im Maschinenbau
Du erhältst einen anonymisierten Datensatz mit 5.000 Kundenkommentaren aus drei Jahren. Erstelle ein Python-Skript, das eine mehrklassige Sentiment-Analyse durchführt (positiv, …
- Natural Language Processing
- Python Programming
- Machine Learning
Text Analytics and Natural Language Processing - CodeEinsteigerNeu
Lexikalische Ressource für eine Tiroler Tourismus-Plattform
Du erhältst 30.000 Beschreibungstexte (DE/EN/IT-Mix) und drei bestehende inkonsistente Glossare. Baue eine Pipeline mit (1) automatischer Term-Extraktion aus den Beschreibungen …
- Lexical Resources
- Skos
- Term Extraction
Linguistic Engineering and Language Technologies - AnalysisEinsteigerNeu
Maschinelle Übersetzung post-edit-Bewertung für ein Schweizer Lokalisierungs-Team
Du erhältst 4.000 Quelltexte (Software-Strings + technische Doku) mit Übersetzungs-Goldstandard und Post-Editing-Logs (Zeit, Edits, Edit-Typ). Implementiere ein Framework mit (1…
- Machine Translation
- Evaluation
- Comet
Linguistic Engineering and Language Technologies - 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…
- Vector Search
- Benchmarking
- Python
Machine Learning at Scale - CodeMittelstufeNeu
Multimodale Produkt-Beschreibungs-Pipeline für einen Marktplatz
Du bekommst 5.000 Beispiel-Produkte mit Bild, strukturierten Attributen (Material, Maße, Farben) und vom Redaktions-Team verfassten Referenz-Beschreibungen. Setze eine Pipeline …
- Multimodal Generation
- Vision Language Models
- LLM Evaluation
Generative AI - ResearchMittelstufeNeu
Web-Science-Studie zur Themen-Polarisierung in DACH-Online-Foren
Du erhältst Zugriff auf ein deutschsprachiges Web-Forum-Archiv (öffentlich, anonymisiert; rund 1,2 Millionen Posts über 24 Monate). Wähle drei kontroverse Themen (z. B. Energiew…
- NLP
- Stance Detection
- Computational Social Science
Social Network Analysis and Web Science
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.