AI Research
KI-Sicherheits-Forschung
Stell dir diese Rolle als die loyale Opposition innerhalb eines KI-Labors vor. Während deine Teamkollegen darum wetteifern, ein Modell leistungsfähiger zu machen, fragst du als KI-Sicherheitsforscher, was passiert, wenn es erfolgreich ist – beim falschen Ziel, aus den falschen Gründen, in den falschen Händen.
Die Arbeit umfasst Red-Teaming von Prompts, das Entwickeln konstitutioneller Methoden, die Modelle zu prinzipientreuem Verhalten bewegen, und die Übersetzung von Erkenntnissen in Schutzmaßnahmen, die Produktteams tatsächlich übernehmen können. Gute Arbeit hier ist rigoros und bescheiden: Sie gibt zu, was noch unbekannt ist, anstatt es zu übertünchen.
Studierende wachsen in diesen Bereich hinein, indem sie technische Tiefe in PyTorch mit breiter Lektüre in Ethik, Politik und Sicherheit kombinieren. Das Feld belohnt Menschen, die beides gleichzeitig halten können.
- CodeSeniorNeu
Constitutional-AI-Replikation fuer mittelstaendischen Versicherungs-Chatbot
Du entwirfst: (1) eine Constitution mit 8-12 Sicherheits-Prinzipien fuer Versicherungs-Kundenkontakt (Datenschutz, Beratungsabgrenzung, klare Eskalation), (2) eine Critique-and-…
- Constitutional Ai
- Rlhf
- Direct Preference Optimization
Machine Learning from Human Preferences (RLHF and Alignment) - ResearchSeniorNeu
Zertifizierte Robustness für einen medizinischen Klassifikator
Du erhältst ein bestehendes Klassifikations-Modell (PyTorch), einen anonymisierten Patientendaten-Datensatz von rund 14.000 Fällen und die internen Eingabe-Toleranz-Anforderunge…
- Certified Robustness
- Randomized Smoothing
- Adversarial Robustness Forschung
Trustworthy AI, Robustness, and Safety - AnalysisEinsteigerNeu
Fairness-Audit für ein Berliner HR-Tech-Startup
Du erhältst einen anonymisierten Datensatz mit 30.000 historischen CV-Bewertungen, die Modell-Scores plus die später getroffenen Einstellungs-Entscheidungen umfassen. Implementi…
- Fairness Metriken
- Bias Analysis
- Responsible Ai
AI Ethics, Fairness, and Responsible AI - ResearchMittelstufeNeu
Fairness-Audit eines ICU-Sepsis-Warnsystems fuer einen Muenchner Klinikverbund
Du erhaeltst rund 18 000 ICU-Aufenthalte mit ML-Sepsis-Score (zeitlich aufgeloest), tatsaechlichen Sepsis-Diagnosen, Demographie und Klinik-Subzentrum. Berechne Gruppen-Metriken…
- Fairness Evaluation
- Clinical Ml
- A/B Testing Mit Statistischer Signifikanz
Machine Learning for Healthcare and Biomedicine 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
Differential-Privacy für Schweizer Krankenkassen-Analyse
Sie erhalten einen synthetischen Datensatz (1,2 Mio. Datensätze, 18 Variablen) mit Struktur eines echten Krankenkassen-Auszugs. Implementieren Sie ein DP-System mit OpenDP oder …
- Differential Privacy
- Opendp
- Membership Inference
Privacy-Preserving Machine Learning - ResearchMittelstufeNeu
EU-AI-Act-Konformitäts-Assessment für ein Recruiting-Modell
Du erhältst eine Modell-Karte, einen Trainings-Datensatz-Auszug (rund 80.000 anonymisierte Bewerbungen mit Geschlechts- und Alters-Indikatoren plus Hire/No-Hire-Label) und die i…
- Ki Governance Frameworks
- Fairness Metriken
- Bias Evaluation
Trustworthy AI, Robustness, and Safety - ResearchMittelstufeNeu
Adversariale Robustness eines Bilderkennungs-Modells im Bauwesen
Du erhältst das vortrainierte Modell (PyTorch), einen Test-Datensatz von rund 6.000 Baustellen-Bildern mit PSA-Labeling und Zugang zu einer Robustness-Bibliothek (z. B. torchatt…
- Adversarial Robustness Forschung
- Adversarial Robustness Forschung
- Computer Vision
Trustworthy AI, Robustness, and Safety - CodeSeniorNeu
Federated Learning für Tier-1-Zulieferer-Konsortium
Sie simulieren drei Clients (je ein Zulieferer) mit nicht-IID-verteilten Datensätzen (jeder Zulieferer hat eigene Defekt-Klassen-Verteilung). Implementieren Sie FedAvg und FedPr…
- Federated Learning
- Fedavg
- Fedprox
Privacy-Preserving Machine Learning - 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
Red-Teaming einer Behörden-Chatbot-Anwendung in Wien
Du erhältst Zugang zur API-Version des Chatbots, einen 200-Anfragen-Test-Korpus aus echten Verwaltungs-Themen und eine interne Guideline der Stadtverwaltung. Entwerfe und führe …
- Red Team Operations
- LLM Evaluation
- Prompt Injection
Trustworthy AI, Robustness, and Safety - ResearchMittelstufeNeu
Prompt-Injection-Verteidigung fuer Kunden-Chatbot einer Versicherung
Du erstellst einen Red-Team-Katalog mit 60 Angriffen ueber 5 Klassen: Direct Injection ('Ignoriere oben...'), Indirect Injection (verseuchte Wissensdokumente), Jailbreak via Rol…
- Prompt Injection Defense
- Red Team Operations
- Ai Safety
Prompt Engineering - ResearchMittelstufeNeu
Fairness-Audit eines Bewerbungs-Screening-Modells
Du erhaeltst rund 28 000 anonymisierte Bewerbungen mit den Modellbewertungen, den tatsaechlichen Einstellungsentscheidungen, und proxy-Merkmalen (Geschlecht, Altersband, Postlei…
- Fairness Evaluation
- Ml Ethics
- Modell Evaluation
Machine Learning in Practice - DesignSeniorNeu
Sicherheits-Sandbox für autonome Web-Agenten in einem Zürcher AI-Startup entwerfen
Du entwirfst die Sicherheits-Architektur und implementierst einen Prototypen-Web-Agent mit Browser-Tool (Playwright), Sandbox-Schichten (Tool-Whitelist, Kosten-Cap pro Sitzung, …
- Ai Safety
- Prompt Injection
- Agent Evaluation
AI Agents and LLM-Based Agents 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
- CodeSeniorNeu
Secure-Inference für Frankfurter Banken-Risiko-Modell
Sie wählen einen Ansatz: (1) Homomorphe Verschlüsselung mit Microsoft SEAL oder TenSEAL (BFV/CKKS-Schema), oder (2) Secure MPC mit CrypTen. Begründen Sie die Wahl. Implementiere…
- Homomorphic Encryption
- Secure Mpc
- Tenseal
Privacy-Preserving Machine Learning - ResearchMittelstufeNeu
Red-Teaming-Studie für ein Schweizer Pharma-KI-Forschungstool
Du planst und führst Red-Teaming auf einem internen LLM-Forschungs-Tool durch. Definiere drei Risiko-Klassen: (1) Erfindung wissenschaftlicher Quellen, (2) gefährliche Verbindun…
- Red Team Operations
- Ai Safety
- Responsible Ai
AI Ethics, Fairness, and Responsible AI - 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 - ResearchMittelstufeNeu
Red-Team-Eval fuer Alignment-Robustheit eines Open-Source-Chat-Modells
Du entwirfst 120 Red-Team-Prompts in 5 Klassen (Personenbezogene-Daten-Extraktion, Stereotypen, Gesundheitsratschlag-Grenzen, juristische Fehlinformation, ueberzogene Verweigeru…
- Red Team Operations
- Alignment Evaluation
- Responsible Ai
Machine Learning from Human Preferences (RLHF and Alignment) - ResearchMittelstufeNeu
Counterfactual-Erklärungen für ein Diagnose-Unterstützungssystem
Du erhältst ein vortrainiertes Hautläsionen-Modell (Bild + Tabellen-Features wie Größe, Lokalisation, Alter), einen Holdout-Datensatz und Zugang zu zwei Dermatologinnen für 4 st…
- Counterfactual Explanations
- Explainable Ai
- Model Interpretability
Explainable and Interpretable AI - AnalysisMittelstufeNeu
Saliency-Audit für ein Computer-Vision-Modell im autonomen Fahren
Du erhältst ein vortrainiertes Hindernis-Erkennungs-CNN, 500 markierte Testbilder und die Safety-Checkliste der Probandenstrecke. Wende Grad-CAM und Integrated Gradients an, füh…
- Saliency Methods
- Grad Cam
- Integrated Gradients
Explainable and Interpretable 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 Rollen, die Dich interessieren könnten
Alle Rollen ansehen →AI Research
Angewandte KI-Forschung
Applied AI scientists leben in der produktiven Spannung zwischen Forschungspapieren und Produkt-Roadmaps. Die Arbeit besteht darin, an einem Dienstag ein Ergebnis von arxiv zu reproduzieren, um dann bis Donnerstag zu entscheiden, ob es an ein Problem angepasst werden kann, das noch niemand anders formuliert hat. Die Tage mischen Ablationsstudien, sorgfältiges Evaluationsdesign und Gespräche mit Ingenieuren darüber, was realistisch ausgeliefert werden kann. Gute Arbeit zeigt sich hier in einem Experiment, das sauber deine Lieblingshypothese widerlegt und dann eine bessere vorschlägt. Studierende wachsen in diese Rolle hinein, indem sie PyTorch und Hugging Face Transformers als ihre Laborbank behandeln und lernen, Ergebnisse so aufzuschreiben, wie ein Wissenschaftler es tun würde – mit Annahmen, Einschränkungen und einem Weg für die nächste Person, die Arbeit fortzusetzen.
AI Research
ML-Forschung
Was wäre, wenn Aufmerksamkeit anders funktionieren würde? Was, wenn ein kleineres Modell, besser trainiert, mit einem viel größeren mithalten könnte? ML-Forscher jagen solche Fragen beruflich nach. Die Rolle existiert, um die Grenzen dessen zu erweitern, was Modelle leisten können – durch sorgfältige Ablationsstudien, neuartige Architekturen und die geduldige Mühsal, Experimente durchzuführen, die oft die eigene Lieblingshypothese widerlegen. Der Alltag mischt das Lesen aktueller Paper, das Skizzieren von Ideen und das Schreiben von JAX- oder PyTorch-Code, den jemand anderes in sechs Monaten lesen wird. Studierende wachsen in diesen Weg hinein, indem sie veröffentlichte Ergebnisse reproduzieren, bevor sie eigene erfinden, und lernen, Erkenntnisse mit intellektueller Ehrlichkeit aufzuschreiben. Die besten Forscher bleiben neugierig darauf, warum etwas funktioniert hat, nicht nur, dass es das tat.
AI Research
Forschung
Was lernt ein Modell eigentlich wirklich, und können wir es beweisen? Research Scientists in KI-Laboren verbringen ihre Karriere damit, diese Frage zu verfeinern. Die Arbeit wechselt zwischen langen Phasen des Lesens, sorgfältigen Ablationsstudien in PyTorch und den seltenen Momenten, in denen sich ein Benchmark bewegt und du verstehst, warum. CUDA-Kernel und Diffusionsmodell-Architekturen gehören zum Werkzeugkasten, aber die eigentliche Währung ist der Geschmack: zu wissen, welches Experiment eine Woche Rechenzeit wert ist und welches eine Ablenkung darstellt. Studierende, die hier aufblühen, kommen meist aus dem Machine Learning, der Physik oder der reinen Mathematik, und sie lesen Paper so, wie Romanautoren Romane lesen. Erwarte eine lange Lehrzeit, in der du die Ergebnisse anderer reproduzierst, bevor deine eigenen Ideen einen Platz auf einer Top-Konferenz verdienen.
Branchenteams 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.
Die auf dieser Seite gezeigten Fähigkeiten und Disziplinen stammen aus dem Ewance-Challenge-Katalog. Wenn das Mediangehalt für diese Rolle via Adzuna verfügbar ist, wird es oben mit Stichprobengröße und Land angezeigt.
Porträt: Foto von Angelo Abear auf Unsplash.