AI Engineering
Computer Vision Engineering
Einer Maschine das Sehen beizubringen ist schwieriger, als es klingt, und interessanter, als es aussieht. Computer Vision Engineers entwickeln die Systeme, die Dokumente lesen, selbstfahrende Autos navigieren, medizinische Bilder auswerten und Fragen zu Fotos beantworten.
Die Rolle vereint die Mathematik der Multi-View-Geometrie mit dem technischen Handwerk, Modelle so klein und schnell zu machen, dass sie dort laufen, wo sie gebraucht werden – mal auf einem Smartphone, mal auf einem Roboter. Gute Arbeit zeigt sich in einer Pipeline, die unter realen Lichtverhältnissen, echten Bewegungen und tatsächlichen Fehlermodi stabil funktioniert.
Du wächst in diesen Bereich hinein, indem du früh praktische Erfahrung mit OpenCV und PyTorch sammelst und dann die anspruchsvollere Kunst erlernst, Modelle zu optimieren, ohne dabei leise ihre Genauigkeit zu zerstören.
Empfohlene Industrieprojekte
· Nur Fortgeschritten Zurücksetzen- CodeMittelstufeNeu
Hand-Tracking-Pipeline für ein AR-Trainings-Startup verbessern
Du erhältst rund 6 Stunden aufgezeichnete Hand-Tracking-Sessions aus 20 Trainings-Lern-Aufgaben plus die zugehörigen Headset-Logs. Klassifiziere die Fehler-Modi (schneller Move,…
- Pose Estimation
- Temporal Smoothing
- Kalman Filter
Visual Intelligence and Visual Reasoning - AnalysisMittelstufeNeu
Stereo-Tiefenschätzung für ein Drohnen-Inspektions-Startup vergleichen
Du erhältst 500 kalibrierte Stereo-Paare aus einer Turbinen-Inspektion plus sparsame LiDAR-Ground-Truth für jedes Paar. Implementiere (oder integriere) drei Tiefenschätzer: Open…
- Stereo Depth Estimation
- Multi View Geometry
- Modell Evaluation
3D Vision and Multi-View Geometry - CodeMittelstufeNeu
Defekt-Klassifikator für eine Halbleiter-Fabrik in Sachsen
Du erhältst 80.000 gelabelte Inspektions-Bilder (9 Klassen, mit starker Unbalance — Top-3 ca. 75 % aller Bilder). Vergleiche eine ResNet-50-Baseline gegen einen modernen CNN (Co…
- Cnn Architectures
- Cnn Klassifikation
- Transfer Learning
Deep Learning for Computer Vision - CodeMittelstufeNeu
Segmentierung von Lungen-CT-Aufnahmen für ein Münchner MedTech
Du erhältst Zugriff auf den öffentlichen LUNA16-Datensatz (888 anonymisierte Lungen-CT-Scans, frei verfügbar für Forschung) und eine kleine Validierungsmenge mit präzisen Annota…
- Medical Image Segmentation
- U Net
- Pytorch Oder Tensorflow
Image Processing and Computational Imaging 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
Bildrestaurierung historischer Drucke für ein Wiener Archiv
Du erhältst 300 hochaufgelöste Scans (TIFF) und eine Validierungsmenge von 30 manuell restaurierten Referenzseiten. Implementiere eine Restaurierungs-Pipeline mit (1) Vergilbung…
- Image Restoration
- Inpainting
- Super Resolution
Image Processing and Computational Imaging - CodeMittelstufeNeu
3D-Rekonstruktion eines Würzburger Industriedenkmals via Photogrammetrie
Sie erhalten 350 Smartphone-Fotos und sechs vermessene Bodenkontrollpunkte (drei für die metrische Skalierung, drei für die Validierung). Setzen Sie eine Pipeline mit COLMAP für…
- Structure From Motion
- Multi View Stereo
- 3d Reconstruction
Computer Vision - CodeMittelstufeNeu
Sensorfusions-Prototyp für einen ZF-nahen Tier-1-Zulieferer aus Friedrichshafen
Sie nutzen den nuScenes-Datensatz als öffentliche Basis. Implementieren Sie eine späte Fusion auf Objektebene: Kamera-Detektor (vortrainiert) plus Radar-Punkte, die mittels Kalm…
- Sensor Fusion
- Kalman Filter
- Object Detection
AI for Autonomous Vehicles - CodeMittelstufeNeu
Audio-Event-Erkennung fuer einen Offshore-Windpark
Du erhaeltst rund 18 000 Hydrofonaufnahmen (je 30 Sekunden, 16 kHz) mit Multi-Label-Annotation (Schiff/Stoerung/Wal/Stille). Wandle in Mel-Spektrogramme um, baue einen CNN-Klass…
- Audio Classification
- Spectrograms
- Deep Learning
Machine Perception - 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
Gestensteuerung für einen Logistik-AMR im Hafenumschlag
Du erhältst einen vorlabelten Datensatz aus 1.200 Gestenvideos (acht Bediener:innen, je sechs Gesten, mit Annotationen). Trainiere einen leichten Klassifikator (MoveNet-Skelett …
- Gesture Recognition
- Echtzeit Inferenz
- Pytorch Oder Tensorflow
Human-Robot Interaction - CodeMittelstufeNeu
Sichere Bewegungsplanung für einen Kobot in der Mittelstandsmontage
Du erhältst eine ROS-2-Beispielzelle mit einem 6-Achs-Kobot, Tiefenkamera und einer einfachen Pick-and-Place-Aufgabe. Implementiere eine Bewegungsplanung, die drei Verhaltensmod…
- Motion Planning
- Ros2
- Moveit
Human-Robot Interaction - CodeMittelstufeNeu
SLAM-Stack für ein Münchner Indoor-Drohnen-Startup
Du erhältst einen aufgezeichneten Datensatz aus 5 Drohnenflügen in einer Pilothalle (ROS-Bag mit Stereo-Kamera bei 30 Hz, IMU bei 200 Hz, Vicon-Ground-Truth-Posen bei 100 Hz). K…
- Slam
- State Estimation
- Sensor Fusion
Advanced Robotics - CodeMittelstufeNeu
Bildverarbeitungsmodell für die Qualitätskontrolle eines OWL-Mittelständlers
Sie erhalten 4.500 gelabelte Bilder von Gehäuseoberflächen (Klassen: in Ordnung, Kratzer, Delle, Verfärbung). Trainieren Sie ein Convolutional Neural Network (CNN) — entweder fi…
- Computer Vision
- Cnn Klassifikation
- Transfer Learning
Applied Machine Learning 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
Hindernis-Erkennung für Inspektions-Drohnen in Offshore-Windparks
Du erhältst einen annotierten Datensatz von 8.000 Stereo-Frames aus echten Offshore-Inspektionen (Pixel-Labels für Blatt, Mast, Strebe, Hintergrund-Meer/Himmel). Trainiere ein l…
- Semantic Segmentation
- Edge Deployment
- Pytorch Oder Tensorflow
Robot Perception and Autonomy - CodeMittelstufeNeu
Segmentierungs-Modell für Brandschadens-Erkennung in der Versicherung
Du erhältst 3.200 anonymisierte Schadensfotos mit Pixel-Annotationen (4 Klassen: unbeschädigt, ruß, brand, wasserschäden). Trainiere ein modernes Segmentierungs-Modell (SegForme…
- Semantic Segmentation
- U Net
- Segformer
Deep Learning for Computer Vision - CodeMittelstufeNeu
Echtzeit-Detektion von Schutzausrüstung auf einer Großbaustelle
Du erhältst 6.000 annotierte Bilder (Personen mit/ohne Helm, mit/ohne Warnweste) sowie Test-Videos von 3 Kameras. Trainiere YOLOv8 oder YOLOv10 auf den 4 Klassen, optimiere für …
- Object Detection
- Yolo
- Edge Deployment
Deep Learning for Computer Vision - AnalysisMittelstufeNeu
Stereo-Tiefenschätzung für einen Schwarzwälder Mähroboter-Hersteller
Sie erhalten 400 kalibrierte Stereopaare aus Garten- und Park-Szenen plus spärliche LiDAR-Ground-Truth. Implementieren Sie drei Tiefenschätzer: OpenCV Semi-Global Matching (SGM)…
- Stereo Depth Estimation
- Multi View Geometry
- Modell Evaluation
Computer Vision - CodeMittelstufeNeu
Verkehrsteilnehmer-Erkennung für einen Stuttgarter Premium-OEM verbessern
Sie erhalten 18.000 gelabelte Innenstadt-Frames aus drei DACH-Städten plus 1.500 Frames mit dokumentierten Edge Cases (Schaufenster-Spiegelung, Schatten, Regen). Trainieren Sie …
- Object Detection
- Transfer Learning
- Edge Case Analysis
AI for Autonomous Vehicles - ResearchMittelstufeNeu
Mammographie-Klassifikator mit Erklaerbarkeit fuer ein Wiener Brustzentrum
Du erhaeltst rund 6 000 Mammographie-Bilder mit BI-RADS-Labels (Breast Imaging Reporting and Data System, Standardklassifikation 0-6) aus einem oeffentlichen Datensatz (z. B. CB…
- Medical Image Classification
- Deep Learning
- Model Interpretation
Machine Learning for Imaging and Medical Image Analysis - CodeMittelstufeNeu
U-Net-Segmentierung von Lungenrundherden auf CT fuer ein Heidelberger Forschungslabor
Du baust einen 3D-U-Net-Segmentierer in PyTorch auf rund 800 CT-Volumen mit annotierten Lungenrundherden. Verwende eine Dice-Loss + Cross-Entropy-Kombination und Data-Augmentati…
- Medical Image Segmentation
- U Net
- Deep Learning
Machine Learning for Imaging and Medical Image Analysis - AnalysisMittelstufeNeu
Szenenverständnis-Benchmark für ein Autonomes-Fahren-Team
Du erhältst 800 Frontkamera-Frames aus DACH-Straßen (Mischung Stadt, Land, Autobahn) plus 80 von Domänenexpert:innen geschriebene Szenenbeschreibungen als Goldstandard. Vergleic…
- Vision Language Models
- Scene Understanding
- Modell Evaluation
Visual Intelligence and Visual Reasoning - CodeMittelstufeNeu
Historische Fassade mit Structure-from-Motion rekonstruieren
Du erhältst 250 Smartphone-Fotos der Fassade plus 6 von einem Vermesser gemessene Passpunkte (Ground Control Points, GCPs — nur zur Maßstabskalibrierung und Validierung, nicht z…
- Structure From Motion
- Multi View Stereo
- 3d Reconstruction
3D Vision and Multi-View Geometry
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 Engineering
KI Engineering
Zwischen einem vielversprechenden Forschungspapier und einer Funktion, die Menschen tatsächlich nutzen, liegt eine lange, unspektakuläre Brücke – und AI Engineers bauen sie. Der Job besteht darin, Modelle, die in Notebooks funktionieren, in Systeme zu verwandeln, die unter echtem Traffic, echten Kosten und echten Nutzern mit unordentlichen Fragen bestehen. Gute Arbeit zeigt sich in einer Retrieval-Pipeline, die Antworten zu neunzig-soundso Prozent richtig liefert, mit Evaluation-Harnesses, die Regressionen abfangen, bevor sie ausgerollt werden. Studierende wachsen in diese Rolle hinein, indem sie Python und PyTorch als Instrumente und nicht als Abhakpunkte behandeln und dann lernen, über Latenz, Evaluation und Kosten gemeinsam nachzudenken. Wenn du es magst, Ideen in laufende Software zu nähen, wird dir dieser Weg wie ein Zuhause vorkommen.
AI Engineering
Machine Learning Engineering
Ein Modell, das auf einem Laptop funktioniert, und ein Modell, das für Millionen von Nutzern arbeitet, sind zwei völlig unterschiedliche Artefakte – und Machine Learning Engineers leben in der Lücke dazwischen. Die Rolle besteht darin, ML auf Forschungsebene in zuverlässige Produktionssysteme zu verwandeln, was bedeutet, dass du dich um Latenz, Retraining-Pipelines und das kümmerst, was passiert, wenn sich die Datenverteilung um drei Uhr morgens verschiebt. Du wächst in diese Rolle hinein durch praktische Arbeit mit PyTorch oder TensorFlow, gepaart mit genügend Software-Engineering-Disziplin, um echte CI/CD-Prozesse zu betreiben. Tools wie AWS SageMaker werden Teil deines Workflows. Starke ML Engineers können mit Data Scientists auf der einen Seite und Platform Engineers auf der anderen fachsimpeln – und diese zweisprachige Qualität ist oft das, was ihnen den Job verschafft.
AI Engineering
MLOps Engineering
Modelle in der Produktion versagen auf seltsamere Weise als Modelle in Notebooks. Der MLOps Engineer ist die Person, die diese Ausfälle vorhersieht und die Infrastruktur aufbaut, die maschinelles Lernen den Kontakt mit echten Nutzern überleben lässt. Denken Sie an Feature Stores, die zwischen Training und Serving konsistent bleiben, an Deployment-Pipelines über MLflow, die Rollbacks langweilig machen, und an Observability, die Drift erkennt, bevor Stakeholder ihn bemerken. Die Arbeit liegt an der Schnittstelle von Platform Engineering und Data Science und belohnt Menschen, die gerne Tools bauen, auf die andere Engineers angewiesen sein werden. Ein Student wächst in diese Rolle hinein, indem er sich früh mit Kubernetes vertraut macht und ein Gespür dafür entwickelt, wie ein gesundes ML-System unter Last tatsächlich aussieht.
AI Engineering
NLP Engineering
Sprache ist chaotisch. Menschen machen Rechtschreibfehler, widersprechen sich selbst, stellen dieselbe Frage auf fünf verschiedene Arten und erwarten, dass eine Maschine sie versteht. NLP-Ingenieure bauen die Systeme, die genau das versuchen. Die Rolle spannt einen Bogen von klassischer Textverarbeitung mit spaCy über moderne Retrieval-Augmented-Architekturen, die mit LangChain zusammengefügt werden, bis hin zu den ständigen Abwägungen, wann man feinjustiert, wann man promptet und wann man auf Regeln zurückfällt. Sie belohnt Menschen, die sowohl Linguistik als auch Systemdenken lieben. Studierende wachsen in diese Rolle hinein durch kleine Projekte – einen Frage-Antwort-Bot über ihre Notizen, einen Klassifikator für ihren Posteingang – die die wahren Fehlermodi von Sprachmodellen offenlegen. Gute NLP-Ingenieure beschäftigen sich mit Evaluation genauso intensiv wie mit Architektur.
AI Engineering
Prompt Engineer
Anweisungen für ein Modell zu schreiben, ist ein seltsames neues Handwerk. Die Wörter, die du wählst, ihre Reihenfolge, die Beispiele, die du einfügst – all das prägt, was ein System mit mehreren Milliarden Parametern als Nächstes tatsächlich tut. Prompt Engineers behandeln das als echte Ingenieurdisziplin: Sie versionieren Prompts in Tools wie PromptLayer, führen Evaluierungen über Tausende von Testfällen durch, optimieren Kosten und Latenz in der Produktion und arbeiten mit Fachexperten zusammen, um deren Urteilsvermögen in Text zu kodieren. Die Rolle ist so neu, dass Studierende sie oft erst im Job mitdefinieren. Hineinzuwachsen bedeutet, ein Gespür dafür zu entwickeln, wie Modelle versagen, wann stattdessen Fine-Tuning sinnvoll ist und wie man Spezifikationen präzise genug formuliert, um sie auszuliefern. Gute Prompt Engineers messen alles und vertrauen Bauchgefühlen nur als Ausgangspunkt.
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.