Pytorch
Wenn Du gerne Pytorch anwendest, kannst Du das hier an realen Industrieprojekten üben.
- AnalysisMittelstufeNeu
Stereo-Tiefenschätzung für ein Drohnen-Inspektions-Startup vergleichen
Du erhältst 500 kalibrierte Stereo-Paare aus einer Turbinen-Inspektion plus sparsame LiDAR-Ground-Truth für jedes Paar. Implementiere (oder integriere) drei Tiefenschätzer: Open…
- Stereo Depth Estimation
- Multi View Geometry
- Model Evaluation
3D Vision and Multi-View Geometry - ResearchSeniorNeu
Interpretierbarkeits-Analyse eines fein-justierten Sprachmodells
Du erhältst Zugang zum Basismodell und zum fein-justierten Modell sowie zu einem kuratierten Probing-Datensatz (etwa 200 sorgfältig konstruierte Prompts pro Verhaltens-Kategorie…
- Mechanistic Interpretability
- Activation Patching
- Logit Lens
AI Safety and Alignment - AnalysisMittelstufeNeu
Vision Transformer für 3D-MRT-Anomalieerkennung benchmarken
Du verwendest den öffentlichen BRATS-Datensatz (Hirntumor-MRT, frei zugänglich) als Stellvertreter für die internen Daten. Implementiere drei Architekturen mit MONAI (medizinisc…
- Vision Transformers
- Medical Imaging
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
Structured Prediction für die Layoutextraktion in einem Düsseldorfer LegalTech
Du erhältst 4.000 annotierte deutsche Vertrags-PDFs mit pro Token gelabelten Klauselgrenzen, Sektionsgrenzen und Klauseltypen (15 Klassen). Trainiere zwei Modelle: (a) BERT-Base…
- Structured Prediction
- Conditional Random Fields
- Named Entity Recognition
Fachübergreifend 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
- CodeMittelstufeNeu
Wirkstoffkandidaten-Screening mit Graph Neural Networks
Du nutzt einen ChEMBL-Auszug für eine vergleichbare Kinase-Familie als öffentliche Trainingsbasis. Trainiere zwei GNN-Architekturen (Message Passing Neural Network und Graph Att…
- Graph Neural Networks
- Molecular Property Prediction
- Scaffold Split
Fachübergreifend - ResearchMittelstufeNeu
Selbstüberwachtes Pretraining für Defekterkennung in der Halbleiterfertigung
Du erhältst 500.000 ungelabelte Wafer-Patches und 3.000 gelabelte Patches mit fünf Defektklassen. Trainiere zuerst einen Encoder selbstüberwacht (Empfehlung: DINOv2-Architektur …
- Self Supervised Learning
- Representation Learning
- Pytorch
Advanced Deep Learning - ResearchMittelstufeNeu
Diffusionsmodell für synthetische Trainingsdaten im Onlinehandel feintunen
Du erhältst 5.000 reale Produktfotos in 12 Kategorien plus eine vortrainierte Stable-Diffusion-XL-Checkpoint. Wähle eine Fine-Tuning-Methode (DreamBooth oder LoRA — Low-Rank Ada…
- Generative Models
- Diffusion Models
- Fine Tuning
Advanced Deep Learning - CodeSeniorNeu
Neural-Operator-Surrogat für Strömungssimulation in einem Windpark
Du erhältst 1.200 RANS-Simulationen eines vereinfachten 12-Turbinen-Parks mit variierenden Windrichtungen, Windgeschwindigkeiten und Turbulenzintensitäten. Trainiere einen FNO a…
- Neural Operators
- Fourier Neural Operator
- Cfd Surrogates
Fachübergreifend - 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.
- ResearchMittelstufeNeu
Simulationsbasierte Bayes'sche Inferenz für Sensor-Kalibrierung
Du arbeitest mit einem öffentlich dokumentierten nicht-linearen Sensormodell mit fünf Parametern, das du aus einem bestehenden Simulator beziehen kannst. Generiere mit dem Simul…
- Simulation Based Inference
- Normalizing Flows
- Bayesian Inference
Fachübergreifend - CodeSeniorNeu
Vortrainiertes LLM für ein klinisches Pflegedokumentations-Startup adaptieren
Du erhältst 8.000 anonymisierte Pflegedokumentations-Einträge plus 200 manuell bewertete Goldene-Standard-Beispiele. Wähle ein offenes Basismodell (Llama 3 8B oder Mistral 7B), …
- LLM Fine Tuning
- Parameter Efficient Fine Tuning
- Pytorch
Fachübergreifend - CodeMittelstufeNeu
PINN für die Wärmeleitung in einem Spritzgießwerkzeug
Du erhältst 200 FEM-Referenzlösungen für unterschiedliche Kühlkanal-Geometrien (Position und Durchmesser) eines vereinfachten 2D-Werkzeugquerschnitts. Implementiere ein PINN mit…
- Physics Informed Neural Networks
- Pytorch
- Scientific Computing
AI for Science and Engineering - ResearchSeniorNeu
Sim-to-Real-Bewertung für ein Berliner Lager-Robotik-Startup
Verwende eine trainierte PPO-Policy (Proximal Policy Optimization — ein populärer RL-Algorithmus) für eine Block-Stack-Aufgabe in Isaac Gym oder Isaac Lab. Implementiere drei Si…
- Reinforcement Learning
- Sim To Real
- Domain Randomization
Fachübergreifend 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
- ResearchMittelstufeNeu
NeRF für virtuelle Immobilientouren trainieren
Du erhältst einen kuratierten Datensatz von 3 Wohnungen mit je rund 120 Eingangsbildern und bereits per SfM ermittelten Kameraposen. Trainiere eine NeRF-Variante (Instant-NGP od…
- Neural Scene Representation
- Nerf
- Pytorch
Fachübergreifend - ResearchSeniorNeu
Mixture-of-Experts-Skalierungsanalyse für ein Climate-Tech-Forschungslabor
Verwende den ERA5-Re-Analyse-Datensatz (öffentlich, durch ECMWF bereitgestellt). Trainiere eine Familie dichter Transformer (50M, 150M, 400M Parameter) und eine parameter-äquiva…
- Mixture Of Experts
- Scaling Laws
- Transformer Architectures
Fachübergreifend
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.
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.