Sequenzielle Behandlungsentscheidung in einem digitalen Gesundheits-Coach
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst anonymisierte Engagement- und Selbstbericht-Daten von rund 1.200 Nutzer:innen über 6 Monate (kein medizinischer Datensatz — App-Telemetrie + selbstberichtete Stimmung). Formuliere die Entscheidung als MDP mit Nutzer-Zustand (Engagement-Niveau, Selbstwirksamkeits-Selbstbericht) und implementiere eine Lösung per Q-Learning auf der Simulator-Umgebung, die du aus den Daten ableitest. Validiere mit Off-Policy-Evaluation (Importance Sampling). Berichte erwarteten 4-Wochen-Engagement-Lift gegenüber der heutigen Rotations-Heuristik und liefere eine Risiko-Diskussion, wo die Policy versagen könnte.
Das Briefing
Was Du tust und was Du zeigst.
Wie wählt man pro Nutzer:in die nächste Coaching-Intervention so, dass im Off-Policy-Backtest der 4-Wochen-Engagement-Lift über der heutigen Rotations-Heuristik liegt?
Earning criteria — what you'll demonstrate
- Sequenzielle Entscheidungen unter Unsicherheit in einem nicht-spielerischen Setting modellieren
- Q-Learning ohne live-Lernen (Offline-RL) implementieren und validieren
- Off-Policy-Evaluation mit Importance Sampling sauber durchführen
- Algorithmische Risiken in verhaltensrelevanten Anwendungen ehrlich diskutieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
Sequenzielles Entscheiden in nicht-spielerischen Anwendungen ist ein aufstrebendes Forschungsfeld; die Challenge produziert genau das Profil, das Health-Tech-Forschungsteams suchen.
Dieses Projekt schärft
- sequential-decision-making
- q-learning
- off-policy-evaluation
AI Safety Researcher
Risiko-Diskussion in verhaltensrelevanten Anwendungen ist eine Kerndisziplin der AI-Safety-Forschung — die Challenge übt diesen Aspekt unter realistischen Bedingungen.
Dieses Projekt schärft
- off-policy-evaluation
- sequential-decision-making
- behavioral-modeling
Applied AI Scientist
Eine RL-Methode auf Produkt-Telemetrie anzuwenden und die Wirkung offline zu validieren ist die typische erste Aufgabe eines angewandten KI-Wissenschaftlers in einem Health-Startup.
Dieses Projekt schärft
- q-learning
- behavioral-modeling
- importance-sampling
Noch eine Sache