Nach Rolle durchsuchen
Wähle die Rolle, auf die du hinarbeitest.
Jede Rolle unten öffnet den Zugang zu realen Herausforderungen, die aus der tatsächlichen Arbeit dieser Position abgeleitet sind. Löse sie, präsentiere sie und erhalte ein verifiziertes Zertifikat.
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.
15 Projekte verfügbar →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.
6 Projekte verfügbar →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.
18 Projekte verfügbar →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.
20 Projekte verfügbar →
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.