Über die Stelle
Evaluieren Sie die Qualität, Korrektheit und methodische Stringenz angewandter Machine-Learning-Aufgaben, die zum Training und zur Evaluierung der Modelle eines Frontier-KI-Labors verwendet werden. Sie beurteilen Experimentdesign, Argumentation bei der Modellauswahl und Evaluierungsmethodik — und geben klares, rubrikbasiertes schriftliches Feedback.
Grundlegende Qualifikationen
- 3+ Jahre praktische Erfahrung in angewandtem/experimentellem ML (Experimentdesign, Modellauswahl, Hyperparameter-Tuning, Evaluierungsmethodik)
- Fundiertes Verständnis der Stringenz bei der Datenqualität: Erkennung von Leakage, Metrik-Gaming sowie Train/Test/CV-Hygiene
- Sicherer Umgang mit gängigen ML-Frameworks (PyTorch, TensorFlow, scikit-learn, XGBoost)
- Fähigkeit, ML-Behauptungen anhand von Belegen zu hinterfragen und Ergebnisse zu reproduzieren
Bevorzugte Qualifikationen
- Erfahrung mit Wettbewerben / Benchmarks (z. B. Kaggle)
- Forschung im Graduiertenstudium oder Publikationsliste im Bereich angewandtes ML
- Frühere Erfahrung in der Aufgabenbewertung oder im Peer-Review
Hinweis: Diese Rolle bewertet die Stringenz angewandten/experimentellen MLs — sie ist keine Rolle für den Bau von LLM-Anwendungen oder für MLOps.