Übersicht
Worum es bei diesem Projekt geht.
Baue eine Pipeline mit Vorab-Filter, LLM-Debatte und menschlicher Aufsicht, vergleiche die Erkennungsrate und erhalte ein verifizierbares Zertifikat.
Das Szenario
Das Engineering-Hub München gehört zu einem global verteilten Software-Unternehmen mit über 8.000 Engineers. Das Safety-Team hat fünf Vollzeitkräfte und verantwortet alle internen ML-Sicherheits-Themen, von Code-Assistenten bis zur Produktintegration.
Das Briefing
Was Du tust und was Du zeigst.
Wie kombiniert man Vorab-Klassifikation, Debate-Argumentation und gezielte menschliche Aufsicht zu einer Pipeline, die täglich 10.000 PR-Vorschläge sicher bewertet?
Earning criteria — what you'll demonstrate
- Scalable-Oversight-Ansätze konkret in eine Pipeline überführen
- Debate-Mechaniken als Bewertungs-Werkzeug nutzen
- Skalierungs-Eigenschaften menschlicher Aufsicht quantitativ erfassen
- Pipeline-Empfehlungen mit klarer Grenz-Diskussion formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Scalable Oversight
Apply scalable oversight to solve real industry problems and demonstrate production-level capability.
- Debate Methods
Apply debate methods to solve real industry problems and demonstrate production-level capability.
- Iterated Distillation
Apply iterated distillation to solve real industry problems and demonstrate production-level capability.
- Llm Evaluation
Apply llm evaluation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Pipeline Design
Apply pipeline design to solve real industry problems and demonstrate production-level capability.
- Safety Evaluation
Apply safety evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
AI Safety Researcher
Scalable Oversight ist eines der zentralen Forschungs- und Anwendungsfelder moderner AI Safety. Die Challenge übt die direkte Umsetzung von Forschungs-Ideen in einer Engineering-Pipeline.
Dieses Projekt schärft
- scalable-oversight
- debate-methods
- iterated-distillation
AI Engineer
AI Engineers, die produktive LLM-Pipelines betreuen, brauchen genau diese Art von Mehrstufen-Architektur. Die Challenge baut die Werkzeug- und Bewertungs-Kompetenz dafür auf.
Dieses Projekt schärft
- pipeline-design
- llm-evaluation
- python
MLOps Engineer
MLOps Engineers im Sicherheits-Kontext verantworten die Skalierungs-Eigenschaften und das Monitoring solcher Pipelines. Die Skalierungs-Analyse dieser Challenge ist die direkte Brücke.
Dieses Projekt schärft
- pipeline-design
- safety-evaluation
- scalable-oversight
Noch eine Sache