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.
Skills you'll need
- ResearchSeniorNeu
Verhandlungs-Agenten für Münchner Supply-Chain-Software
Sie implementieren ein Zwei-Agenten-Verhandlungs-Setup mit LLM-Backend (lokales Llama-3-70B oder API-Modell, dokumentiert begründet). Definieren Sie ein strukturiertes Verhandlu…
- Ki Agenten
- Negotiation
- Spieltheorie
Multi-Agent Systems - ResearchSeniorNeu
Hardware-aware NAS für ein Wildtierkamera-Modell
Du bekommst einen markierten Datensatz von 60.000 Wildtierbildern aus Alpenwildkameras (12 Spezies-Klassen) und einen NAS-Baukasten (MobileNet-Search-Space). Definiere eine mult…
- Neural Architecture Search
- Hardware Aware Design
- Edge Inference
Edge ML and On-Device Machine Learning - ResearchSeniorNeu
ML-Compiler-Vergleich für Hamburger Hyperscaler-Region
Sie erhalten drei Modelle (ein ResNet-50, ein BERT-base, ein kleines Llama-3-1B) in PyTorch-Format. Kompilieren Sie jedes Modell mit (1) TVM, (2) OpenXLA, (3) TensorRT für CPU-,…
- Ml Compilers
- Tvm
- Tensorrt
Machine Learning Systems - ResearchSeniorNeu
Schwarm-Robotik-Simulation für Logistik-Forschungsprojekt
Sie bauen ein Hafenlager-Simulationsumfeld in Gymnasium oder Mesa mit konfigurierbarer Roboteranzahl (30, 60, 100). Implementieren Sie drei Koordinations-Strategien: (1) zentral…
- Swarm Robotics
- Decentralized Coordination
- Simulation
Multi-Agent Systems 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
Instruction-Tuning und DPO für einen Customer-Support-Bot
Du bekommst 5.000 idealtypische Instruction-Antwort-Beispiele (kuratiert vom Service-Team) und 600 Präferenz-Paare (gleicher Prompt, zwei Antworten, präferierte Antwort markiert…
- Instruction Tuning
- Dpo
- Preference Optimization
Fine-Tuning Large Language Models - ResearchSeniorNeu
GAN für synthetische Trainingsdaten in der Defekterkennung
Du bekommst 4.000 echte Leiterplatten-Bilder (1.500 davon mit annotierten Defekten, davon nur 80 mit dem seltenen Defekttyp 'Microcrack') und den heutigen Detektor. Trainiere ei…
- Gans
- Generative Models
- Synthetic Data
Generative AI - ResearchSeniorNeu
Embodied-Vision-Aufgabe für einen Indoor-Service-Roboter entwerfen
Du nutzt den Habitat-Simulator (Meta AI) mit Replica- oder Matterport3D-Szenen als Wohnzimmer-Stand-in (klinische Daten sind nicht verfügbar). Entwirf einen Such-Agent, der ein …
- Embodied Vision
- Object Navigation
- Reinforcement Learning
Visual Intelligence and Visual Reasoning - ResearchSeniorNeu
Stimm-Anonymisierung für Forschungs-Datensätze einer Wiener Sprachklinik
Du erhältst einen synthetischen Test-Korpus von rund 200 Sprecher:innen (anonyme akademische Daten, simulierte Stimmstörungs-Marker) mit jeweils 2 Minuten Aufnahme. Implementier…
- Speech Processing
- Voice Conversion
- Privacy
Speech Recognition and Spoken Language Processing - 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.
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
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.
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
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 Moughit Fawzi auf Unsplash.