Jupyter-Notebook-Spezialist

In dieser stundenbasierten Remote-Auftragnehmerrolle arbeiten Sie als Jupyter-Notebook-Spezialist (SME) und erstellen realistische, anspruchsvolle computergestützte Aufgaben mit Jupyter Notebook, JupyterLab oder notebookbasierten Daten-Workflows. Sie entwerfen praxisnahe Notebook-Aufgaben, dokumentieren sie klar in SuperAnnotate, stellen sicher, dass Ihre Umgebung die Aufgabe unterstützt, und zeichnen sich selbst dabei auf, wie Sie die Aufgabe auf Ihrem Computer ausführen.

Zu den Aufgaben können das Erstellen von Notebooks, das Ausführen von Python-Zellen, Datenbereinigung, explorative Analyse, Visualisierung, Markdown-Erklärungen, Paketimporte, Debugging, CSV-/Excel-Verarbeitung, einfache Machine-Learning-Workflows oder reproduzierbare Data-Science-Demonstrationen gehören. Ihre Arbeit hilft dabei, fortgeschrittene KI-Modelle zu trainieren, damit sie besser verstehen, wie echte Nutzer notebookbasierte Coding- und Datenanalyse-Workflows abschließen.

Diese Rolle ist bei SME Careers angesiedelt, einem schnell wachsenden Unternehmen für KI-Datendienste und Tochtergesellschaft von SuperAnnotate, das Trainingsdaten für viele der weltweit größten KI-Unternehmen und Foundation-Model-Labore bereitstellt. Ihre Jupyter-Notebook-Expertise hilft direkt dabei, die weltweit führenden KI-Modelle zu verbessern, indem sie ihnen beibringt, wie echte Nutzer praktische Daten-, Coding-, Analyse- und Dokumentations-Workflows abschließen.

Was Sie tun werden

• Realistische Jupyter-Notebook-Aufgaben erstellen: Entwickeln Sie realistische und anspruchsvolle Aufgaben, die auf dem Computer mit Jupyter Notebook oder JupyterLab ausgeführt werden können, und dokumentieren Sie die Aufgabe anschließend klar in SuperAnnotate.
• Die Arbeitsumgebung vorbereiten: Stellen Sie sicher, dass Ihre Umgebung die Aufgabe unterstützt, einschließlich verfügbarem Jupyter, vorbereiteten Datensätzen, installierten Paketen, erstellten Notebooks und allen erforderlichen Referenzen, bevor Sie mit der Aufzeichnung beginnen.
• Die Aufgabenausführung aufzeichnen: Zeichnen Sie sich selbst dabei auf, wie Sie die Jupyter-Notebook-Aufgabe auf Ihrem Computer ausführen, während Sie die Projektanweisungen befolgen und sicherstellen, dass der Workflow klar, vollständig und realistisch ist.
• Aufgabenkontext dokumentieren: Stellen Sie ausreichend Aufgabenkontext, Schritte, Ziele, Dateien, Datensatzdetails und Notizen bereit, damit Prüfer verstehen können, worin die Aufgabe besteht und wie sie abgeschlossen wurde.
• Praktische Softwarenutzung demonstrieren: Schließen Sie Workflows mit Python-Zellen, Markdown-Erklärungen, Datenbereinigung, pandas, Diagrammen, Debugging, Importen, Dateiverarbeitung, Notebook-Ausgaben oder Exporten ab, wo relevant.
• Qualität der Einreichung wahren: Überprüfen Sie Ihre Aufzeichnung und Dokumentation vor der Einreichung, um sicherzustellen, dass die Aufgabe vollständig, reproduzierbar, verständlich, realistisch und mit den Projektrichtlinien konform ist.

Was wir suchen

• Praktische Erfahrung mit Jupyter Notebook oder JupyterLab für Python, Datenanalyse, Visualisierung, Lehre, Forschung, Automatisierung oder Dokumentations-Workflows.
• Englischkenntnisse auf B2-Niveau oder höher, um Projektanweisungen zu verstehen, Aufgaben klar zu dokumentieren und mit dem Projektteam zu kommunizieren.
• Sicherer Umgang mit dem Computer, Verwalten von Dateien, Ausführen von Notebooks, Installieren von Paketen bei Bedarf, Nutzen von Browser-/lokalen Umgebungen und Aufzeichnen von Workflows.
• Fähigkeit, realistische und anspruchsvolle Jupyter-Notebook-Aufgaben zu entwickeln, die tatsächliche Anwendungsfälle aus Datenanalyse, Coding, Bildung, Forschung, Reporting oder technischer Dokumentation widerspiegeln.
• Fundiertes Verständnis der Notebook-Grundlagen wie Code-Zellen, Markdown-Zellen, Ausführungsreihenfolge, Kernel, Importe, Dateipfade, pandas, Diagramme, Ausgaben und Exporte.
• Fähigkeit sicherzustellen, dass Ihre Umgebung die Aufgabe unterstützt, einschließlich verfügbarem Jupyter, vorbereiteten Dateien/Datensätzen, installierten Paketen und allen erforderlichen Referenzen vor der Aufzeichnung.
• Hohe Detailgenauigkeit bei der Vorbereitung der Aufgabe, der Ausführung des Workflows und der Prüfung, ob die Aufzeichnung vollständig und verständlich ist.
• Zuverlässig, selbstständig und in der Lage, in einem stundenbasierten Remote-Auftragnehmer-Workflow über Zeitzonen hinweg gleichbleibende Qualität zu liefern.
• Zusätzliche berufliche Fähigkeiten sind willkommen, darunter Python, Datenanalyse, Machine Learning, Statistik, Forschung, Lehre, Coding, Reporting oder andere computergestützte Workflows.