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
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 - CodeEinsteigerNeu
Hybride Suche für ein LegalTech-Such-Startup aufbauen
Du erhältst einen Korpus von 25.000 deutschsprachigen Rechtsdokumenten (anonymisiert, frei verfügbar aus offenen Bundesquellen) sowie 200 Anfragen mit Goldstandard-Treffern (dre…
- Information Retrieval
- Bm25
- Dense Retrieval
Information Retrieval and Search - 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 - 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 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
- 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 - CodeMittelstufeNeu
Named-Entity-Recognition für Schweizer Rechtsanwaltskanzlei
Sie erhalten 1.200 annotierte Vertragsabschnitte (je 400 pro Sprache) mit 8 Entity-Typen. Fine-tunen Sie ein multilinguales XLM-RoBERTa-Modell auf 80 % der Daten und evaluieren …
- Named Entity Recognition
- Multilingual NLP
- Xlm Roberta
Natural Language Processing - 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 - 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 - 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 - ResearchSeniorNeu
Sentiment-Shift-Erkennung in der Solar-Industrie-Debatte
Erstelle ein prototypisches Frühwarnsystem für Sentiment-Shift-Erkennung in der deutschsprachigen Solar-Industrie-Debatte. Sammle über einen definierten Zeitraum von mindestens …
- Social Media Data
- Natural Language Processing
- Time Series Analysis
Social Media and Web Analytics - 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 - CodeMittelstufeNeu
Description-Logic-Reasoner für Produktkonfigurations-Regeln
Du bekommst die heutige Excel-Konfigurations-Tabelle, 12 typische Kundenkonfigurations-Anfragen und die formalisierten Regeln aus zwei Workshops mit den Vertriebs-Ingenieurinnen…
- Description Logic
- 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
- 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 - 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 - 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 - CodeMittelstufeNeu
Call-Center-Transkription für einen Münchner Versicherer
Du erhältst rund 200 anonymisierte Schaden-Anrufe (zwischen 2 und 8 Minuten, mit echten Hintergrund-Geräuschen) und 50 menschliche Goldstandard-Transkripte zur Validierung. Setz…
- Speech Recognition
- Speaker Diarization
- NLP
Speech Recognition and Spoken Language Processing - CodeEinsteigerNeu
HTN-Planungsmodell für einen Tiroler Outdoor-Touranbieter prototypisieren
Sie modellieren Touren als Hierarchical Task Networks: hohe Ebene (Tour) zerlegt sich in Etappen, Etappen in Aktionen (Anstieg, Hütte beziehen, Gipfeleinlage). Nutzen Sie eine H…
- Htn Planning
- Knowledge Representation
- Python
Automated Planning - CodeMittelstufeNeu
Fine-Tuning eines Sprachmodells für regulatorische Dokumente in der Pharma-Branche
Euer Team erhält einen anonymisierten Korpus von 8.000 regulatorischen Dokumenten mit bestehenden Kategorien aus dem Dokumentenmanagementsystem. Eure Aufgabe ist es, ein vortrai…
- Natural Language Processing
- Large Language Models
- Fine Tuning
Fachübergreifend - 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 - CodeMittelstufeNeu
Empfehlungssystem für ein Berliner Musik-Streaming-Startup
Du erhältst einen anonymisierten Listen-Datensatz von rund 600.000 Nutzer:innen und 90.000 Tracks (rund 35 Millionen Listen-Events der letzten 12 Wochen). Implementiere (1) eine…
- Recommender Systems
- Collaborative Filtering
- Embeddings
Fachübergreifend - 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 - 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 - 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 - 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
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.