Über die Stelle
Arbeite direkt mit KI-Systemen, um hochwertige quantitative Daten zu erstellen und dazu beizutragen, ihr mathematisches und forschungsbezogenes Denken zu verbessern. Setze dein Wissen auf Graduiertenniveau in Wahrscheinlichkeit, Statistik und Programmierung ein und lerne dabei, wie von Expertinnen und Experten erstellte Daten das Post-Training und die Evaluierung von KI unterstützen.
Was du tun wirst
- Interagiere mit KI-Modellen zu Aufgaben in Wahrscheinlichkeit, Statistik, quantitativer Modellierung, Zeitreihenanalyse und Forschungsprogrammierung.
- Erstelle anspruchsvolle quantitative Probleme, Referenzlösungen und reproduzierbare durchgerechnete Beispiele.
- Prüfe KI-generierte Mathematik und Code, teste Annahmen und identifiziere Datenlecks, Overfitting oder fehlerhafte Backtesting-Logik.
- Vergleiche und annotiere Modellantworten, erkläre Fehler klar und dokumentiere die Begründung hinter einer hochwertigen Lösung.
Was du lernen wirst
- Lerne, wie domänenspezifische Beispiele und menschliches Feedback zum Post-Training von KI eingesetzt werden.
- Sammle praktische Erfahrung beim Bewerten von KI-Antworten, beim Anwenden von Annotationsrichtlinien und beim Prüfen der Datenqualität.
- Erfahre, wie sachliche Genauigkeit, klares Denken und konsistentes Feedback Teams dabei helfen, das Verhalten von KI-Modellen zu beurteilen und zu verbessern.
- Baue durch Projektarbeit und Feedback Erfahrung an der Schnittstelle zwischen deinem akademischen Fachgebiet und angewandter KI auf.
Arbeitsarrangement
- Remote-Praktikum
- Zusammenarbeit mit dem Team an abgegrenzten KI-Daten- und Evaluierungsprojekten
Projektumfang, Zeitplan, Tools und Erwartungen werden im Bewerbungsprozess besprochen. Verwende nur genehmigte Materialien; teile keine vertraulichen Forschungsdaten von Arbeitgebern, Kunden oder Universitäten.
Wonach wir suchen
- Derzeit eingeschrieben in einem Masterstudiengang oder höher in Mathematik, Statistik, Informatik, quantitativer Finanzwirtschaft oder einem verwandten Fachbereich.
- Grundkenntnisse in Wahrscheinlichkeit, Statistik und linearer Algebra.
- Sicherer Umgang mit Python und Datenanalyse-Bibliotheken oder einer vergleichbaren Forschungsprogrammiersprache.
- Fähigkeit, Annahmen zu erklären, Berechnungen zu reproduzieren und Einschränkungen ehrlich einzuschätzen.