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.
- 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
- Hugging Face Transformers
- Tf Idf
Data Mining and Knowledge Discovery - 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 - 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 - 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 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
- AnalysisEinsteigerNeu
Dependency-Parsing-Studie für Lexikografie-Verlag in Mannheim
Sie evaluieren drei Parser auf dem deutschen UD-GSD-Testset (Universal Dependencies German): (1) Stanza, (2) spaCy de_core_news_lg, (3) Trankit. Messen Sie LAS (Labeled Attachme…
- Dependency Parsing
- Universal Dependencies
- Spacy
Natural Language Processing - CodeEinsteigerNeu
Transformer-Klassifikator für Kundenservice-Mails in einem Energiehandel
Du erhältst 18.000 gelabelte Mails (6 Klassen, anonymisiert). Trainiere einen deutschen BERT (z. B. GBERT oder dbmdz/bert-base-german-cased), vergleiche gegen TF-IDF + logistisc…
- Transformer Architectures
- Text Classification
- Fine Tuning
Deep Learning - CodeEinsteigerNeu
Text-Mining-Pipeline für ein Marktforschungs-Team in Hamburg
Du erhältst 50.000 deutsche Bewertungs-Snippets aus drei FMCG-Kategorien plus eine kuratierte Stichprobe mit Stimmungs-Labels (5.000 Items) und Themen (200 Items). Baue eine Pip…
- Text Mining
- Sentiment Analysis
- Topic Modeling
Linguistic Engineering and Language Technologies - CodeEinsteigerNeu
Transformer-Fine-Tuning für deutsche Patentanwaltskanzlei
Sie erhalten 14.000 deutsche Patentschriften-Abstracts mit Klassen-Labels. Fine-tunen Sie gbert-large (deutsches BERT) auf 80 % der Daten und evaluieren auf 20 %. Baseline: TF-I…
- Fine Tuning
- German Bert
- Text Classification
Neural Networks for NLP - 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.
- CodeEinsteigerNeu
Informationsextraktion aus deutschen Verträgen für ein Kölner LegalTech
Du erhältst 1.500 anonymisierte deutschsprachige Verträge mit Span-Annotationen für 8 Feldtypen plus 300 Hold-out-Verträge. Implementiere (1) eine regelbasierte Vorverarbeitung …
- Information Extraction
- Ner
- Fine Tuning
Linguistic Engineering and Language Technologies - ResearchEinsteigerNeu
Sprachsynthese für einen Schweizer Hörbuch-Verlag
Du erhältst zwei vortrainierte deutsche TTS-Modelle (z. B. Coqui XTTS und ein VITS-Baseline) und einen Testtext-Korpus (rund 200 Sachbuch-Absätze, je 1-2 Minuten gesprochen). Er…
- Speech Synthesis
- Audio Processing
- User Study
Speech Recognition and Spoken Language Processing - CodeEinsteigerNeu
Multilinguale Wissens-Suche für ein DACH-FMCG-Unternehmen
Du erhältst 6.000 Dokumente (etwa 60 % DE, 25 % EN, 15 % PL) und 150 Benchmark-Anfragen (50 pro Sprache) mit Goldstandard-Treffern. Baue eine Pipeline mit (1) sprachneutraler Em…
- Cross Lingual Retrieval
- Dense Retrieval
- Machine Translation
Information Retrieval and Search - 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…
- Natural Language Processing (NLP)
- Fine Tuning
- Text Classification
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
- ResearchEinsteigerNeu
Word-Embedding-Vergleich für Stuttgarter Automotive-NLP-Team
Sie erhalten 280.000 deutsche Werkstatt-Reports. Trainieren Sie zwei Embedding-Varianten von Grund auf auf der Domäne: (1) Word2Vec mit Skip-Gram, (2) FastText (handhabt OOV-Wör…
- Word Embeddings
- Word2vec
- Fasttext
Neural Networks for NLP - CodeEinsteigerNeu
NLP-gestützter Kunden-Service-Autoresponder für ein Berliner Fintech
Du erhältst 25.000 anonymisierte Support-Tickets mit 12 Kategorien plus eine Domänen-FAQ-Liste mit 200 Einträgen. Baue eine Pipeline mit (1) feinjustiertem Klassifikator (gbert …
- Text Classification
- RAG Architekturen
- Fine Tuning
Linguistic Engineering and Language Technologies
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
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
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 Beatriz Cattel auf Unsplash.