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.
- ResearchSeniorNeu
Generatives Augmentations-Modell fuer einen Lebensmittelinspektor
Du erhaeltst rund 8 000 Inspektor-Bilder (3 000 fehlerfrei, 4 500 haeufige Defekte, 500 Mikrorisse) plus eine vortrainierte Stable-Diffusion-Pipeline. Verwende ControlNet oder D…
- Generative Models
- Data Augmentation
- Computer Vision
Machine Perception - ResearchSeniorNeu
End-to-End-Lernen für einen Münchner Premium-OEM evaluieren
Sie nutzen den CommaAI Comma2k19-Datensatz als offene Basis (Frontkamera plus Steuerdaten). Trainieren Sie ein ConvNet, das aus dem aktuellen Frame Lenkwinkel-Delta und Geschwin…
- End To End Learning
- Imitation Learning
- Pytorch Oder Tensorflow
AI for Autonomous Vehicles - CodeSeniorNeu
Vortrainiertes LLM für ein klinisches Pflegedokumentations-Startup adaptieren
Du erhältst 8.000 anonymisierte Pflegedokumentations-Einträge plus 200 manuell bewertete Goldene-Standard-Beispiele. Wähle ein offenes Basismodell (Llama 3 8B oder Mistral 7B), …
- Fine Tuning
- Parameter Efficient Fine Tuning
- Pytorch Oder Tensorflow
Advanced Deep Learning - ResearchSeniorNeu
Trajektorienvorhersage für einen Ingolstädter Premium-OEM evaluieren
Sie nutzen den Argoverse-2-Motion-Forecasting-Datensatz als Standard-Benchmark. Trainieren Sie ein einfaches LSTM-Modell als Baseline und ein VectorNet-ähnliches Graph-Modell al…
- Trajectory Prediction
- Neuronale Netze
- Lstm
AI for Autonomous Vehicles 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
Normalizing-Flow-Modell für Energiepreis-Risiko in einem Energieversorger
Du erhältst 4 Jahre Spotpreis-Daten plus Tages-Last und Wind-Einspeise-Prognosen. Implementiere einen bedingten Normalizing-Flow (z. B. Real-NVP oder Neural Spline Flow), traini…
- Normalizing Flows
- Density Estimation
- Conditional Generation
Deep Generative Models - ResearchSeniorNeu
Self-Supervised Pretraining fuer einen Histopathologie-Anbieter
Du fuehrst Self-Supervised Pretraining (SimCLR oder DINO) auf 80 000 unlabelten Slide-Patches (224x224 Pixel) durch und vergleichst zwei Downstream-Klassifikatoren auf einem 500…
- Supervised Learning
- Transfer Learning
- Medical Image Classification
Machine Learning for Imaging and Medical Image Analysis - ResearchSeniorNeu
Federated Learning fuer einen multi-zentrischen MRT-Datensatz
Du simulierst Federated Learning mit Flower oder PySyft auf 3 simulierten Standorten (rund 200 MRT-Volumen pro Standort, BraTS-aehnlicher Datensatz). Trainiere ein 3D-U-Net mit …
- Federated Learning
- Medical Image Segmentation
- U Net
Machine Learning for Imaging and Medical Image Analysis - CodeSeniorNeu
Actor-Critic fuer adaptive Ampelsteuerung in einer mittleren Stadt
Du erhaeltst eine SUMO-Konfiguration fuer den Innenstadtbereich mit 8 Kreuzungen sowie Verkehrszaehldaten fuer eine typische Werktagswoche. Implementiere Multi-Agent-Actor-Criti…
- Actor Critic
- Multi Agent Rl
- Function Approximation
Reinforcement 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.
- CodeSeniorNeu
Modellbasiertes RL für Energie-Speichersteuerung
Du bekommst zwei Jahre stündliche Day-Ahead- und Intraday-Preisdaten plus ein Batterie-Modell (Kapazität, Round-Trip-Effizienz, Degradation). Trainiere ein neuronales Übergangsm…
- Model Based Rl
- Reinforcement Learning
- Time Series Forecasting
Deep Reinforcement Learning - CodeSeniorNeu
Sim-to-Real-Transfer fuer mobiles Service-Robotik-Startup in Berlin
Du arbeitest mit einer Isaac-Sim-Konfiguration des Roboters plus einem Datensatz von 30 realen Roll-out-Aufnahmen. Implementiere: (1) Baseline-Policy ohne Randomization (PPO ode…
- Sim To Real
- Domain Randomization
- System Identification
Robot Learning - CodeSeniorNeu
Model-Predictive-Control für ein Wolfsburger autonomes Test-Shuttle
Verwende ein kinematisches Fahrradmodell mit Zustand (x, y, yaw, v) und Eingang (Lenkwinkel, Beschleunigung). Implementiere einen MPC-Regler mit 2-Sekunden-Vorausschauhorizont u…
- Model Predictive Control
- Optimal Control
- Robot Simulation
Advanced Robotics - CodeSeniorNeu
DPO-Finetuning fuer Tonalitaets-Anpassung eines mehrsprachigen Modells
Du erhaeltst ein Open-Source-Basismodell (rund 8B Parameter), 4.000 Praeferenzpaare und 200 Holdout-Prompts. Implementiere: (1) SFT-Baseline auf den 'chosen'-Antworten, (2) DPO-…
- Direct Preference Optimization
- Supervised Finetuning
- Fine Tuning
Machine Learning from Human Preferences (RLHF and Alignment) 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
- ResearchSeniorNeu
Krankheitsverlaufs-Modellierung von Diabetes Typ 2 fuer eine Berliner Versorgungsforschung
Du erhaeltst rund 20 000 Patient:innen mit jeweils 8-15 HbA1c-Messungen ueber 6 Jahre plus Baseline-Merkmale. Implementiere zwei Modelle: (1) ein Mixed-Effects-Modell (gemischte…
- Disease Progression
- Mixed Effects Models
- Sequence Models
Machine Learning for Healthcare and Biomedicine - ResearchSeniorNeu
Mixture-of-Experts-Skalierungsanalyse für ein Climate-Tech-Forschungslabor
Verwende den ERA5-Re-Analyse-Datensatz (öffentlich, durch ECMWF bereitgestellt). Trainiere eine Familie dichter Transformer (50M, 150M, 400M Parameter) und eine parameter-äquiva…
- Mixture Of Experts
- Scaling Laws
- Transformer Architectures
Advanced Deep Learning - ResearchSeniorNeu
POMDP-Modell für die Wartungsentscheidung bei Offshore-Windturbinen
Du erhältst Sensor- und Wartungs-Historien für 30 Turbinen über 4 Jahre. Definiere POMDP-Zustände (z. B. 'gesund', 'frühe Degradation', 'späte Degradation', 'Ausfall'), Beobacht…
- Pomdp
- Belief States
- Sarsop
Decision Making Under Uncertainty - ResearchSeniorNeu
Sim-to-Real-Bewertung für ein Berliner Lager-Robotik-Startup
Verwende eine trainierte PPO-Policy (Proximal Policy Optimization — ein populärer RL-Algorithmus) für eine Block-Stack-Aufgabe in Isaac Gym oder Isaac Lab. Implementiere drei Si…
- Reinforcement Learning
- Sim To Real
- Domain Randomization
Advanced Robotics - ResearchSeniorNeu
GAN-basierter Daten-Augmentations-Pipeline für medizinische Bildgebung
Du erhältst einen anonymisierten Bilddatensatz (rund 12.000 Lungenröntgen, 14 Befund-Klassen, davon 3 unterrepräsentiert mit jeweils <200 Beispielen) sowie den bestehenden Klass…
- Gans
- Data Augmentation
- Medical Imaging
Deep Generative Models - CodeSeniorNeu
Sim-to-Real-Transfer für einen Quadruped-Inspektionsroboter
Du arbeitest in Isaac Gym (NVIDIA-GPU-beschleunigter Roboter-Simulator) mit einem URDF des Roboters. Trainiere eine Policy zum Laufen auf nassem Beton mit Domain-Randomization ü…
- Learning Based Control
- Reinforcement Learning
- Simulation
Robotics - ResearchSeniorNeu
MAML fuer schnelle Personalisierung eines Sprachenlern-Startups
Du erhaeltst Antworten von rund 30 000 Nutzer:innen ueber rund 800 Vokabel- und Grammatik-Aufgaben. Trainiere ein MAML-Modell auf 25 000 Nutzer:innen (Meta-Training) und teste d…
- Meta Learning
- Few Shot Learning
- Personalization
Meta-Learning, Transfer Learning, and Multi-Task Learning - CodeSeniorNeu
Dynamic Bayesian Network fuer Predictive Maintenance auf der Schwaebischen Alb
Du erhaeltst 18 Monate Telemetrie von 60 Maschinen eines Typs plus historische Wartungs- und Stoerungsmeldungen. Definiere ein DBN mit latentem Verschleisszustand (3-4 diskrete …
- Dynamic Bayesian Networks
- Em Algorithm
- Kalman Filtering
Probabilistic Graphical Models - CodeSeniorNeu
Off-Policy-Imitation aus Werker-Aufzeichnungen bei Stuttgarter Automotive-Tier-1
Du erhaeltst die 18.000 Trajektorien plus ein passendes Sim-Modell der Vor-Montage-Zelle. Implementiere: (1) BC-Baseline auf den vollen Daten, (2) IQL oder CQL als Offline-RL, (…
- Offline Reinforcement Learning
- Implicit Q Learning
- Conservative Q Learning
Robot Learning
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
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.
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.
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 Yevgeniy KHVAN auf Unsplash.