Über die Stelle
In dieser stundenbasierten Remote-Auftragnehmerrolle arbeiten Sie als Materials Science Expert (SME), um KI-generierte materialwissenschaftliche Inhalte zu prüfen und/oder hochwertige materialwissenschaftliche Referenzinhalte zu erstellen, wobei Sie wissenschaftliche Genauigkeit, ingenieurtechnische Argumentation, Terminologie und schrittweise Erklärungen bewerten und präzises schriftliches Feedback geben. Sie beurteilen Ausgaben hinsichtlich Korrektheit, Klarheit, physikalischer Plausibilität, Einheitenkonsistenz, Argumentation zu Mikrostruktur-Eigenschafts-Beziehungen, experimentellem Kontext und Einhaltung des Prompts; identifizieren Fehler bei Kristallstruktur, Phasendiagrammen, mechanischen Eigenschaften, Polymeren, Keramiken, Metallen, Verbundwerkstoffen, Nanomaterialien, Verarbeitungsmethoden und Charakterisierung; überprüfen Aussagen bei Bedarf fact-check; verfassen hochwertige Überarbeitungen und Musterantworten, die Best Practices in der materialwissenschaftlichen Erklärung demonstrieren; und bewerten und vergleichen mehrere KI-Antworten basierend auf Korrektheit und Gesamtqualität.
Diese Rolle ist bei SME Careers, einem schnell wachsenden Unternehmen für KI-Datendienste und Tochtergesellschaft von SuperAnnotate, das Trainingsdaten für viele der weltweit größten KI-Unternehmen und Foundation-Model-Labs bereitstellt. Ihre materialwissenschaftliche Expertise trägt direkt dazu bei, die weltweit führenden KI-Modelle zu verbessern, indem deren material-, ingenieur- und angewandt-wissenschaftliche Ausgaben genauer, praxisnäher und klarer erklärt werden.
Was Sie tun werden
- KI-Trainingsinhalte entwickeln: Erstellen Sie Prompts und Goldstandard-Antworten aus der Materialwissenschaft zu Themen wie Metalle, Keramiken, Polymere, Verbundwerkstoffe, Phasendiagramme, Wärmebehandlung, mechanische Prüfung, Korrosion, Nanomaterialien und Charakterisierung.
- KI-Leistung optimieren: Bewerten und ordnen Sie KI-Ausgaben ein, um wissenschaftliche Genauigkeit, ingenieurtechnische Logik, Terminologie, Argumentation zu Struktur-Eigenschafts-Beziehungen, Klarheit und Relevanz für den Prompt des Nutzers zu verbessern.
- Modellintegrität sicherstellen: Erkennen Sie irreführende Materialaussagen, halluzinierte Eigenschaften, fehlerhafte Verarbeitungsempfehlungen, falsche Diagramme, unsichere Designannahmen und übermäßig selbstsichere Interpretationen; validieren Sie die Zuverlässigkeit über materialwissenschaftliche Anwendungsfälle hinweg.
Was wir suchen
- Bachelorabschluss oder höher in Materialwissenschaft, Werkstofftechnik, Maschinenbau, Chemieingenieurwesen, Metallurgie, Polymerwissenschaft, Nanotechnologie oder einem verwandten Fachgebiet oder gleichwertige Berufserfahrung.
- Ausgeprägte berufliche Englischkenntnisse, mindestens C1, um Richtlinien zu befolgen und detailliertes Feedback auf Englisch zu geben.
- 3+ Jahre Erfahrung in materialwissenschaftlicher Forschung, Werkstofftechnik, Laborarbeit, Fertigung, Lehre, technischem Schreiben, akademischer Begutachtung oder verwandter wissenschaftlicher/ingenieurtechnischer Arbeit.
- Tiefes Verständnis von Struktur-Eigenschafts-Beziehungen, Kristallstrukturen, Phasendiagrammen, mechanischem Verhalten, Wärmebehandlung, Polymeren, Keramiken, Metallen, Verbundwerkstoffen, Korrosion und Charakterisierungstechniken.
- Fähigkeit, materialwissenschaftliche Erklärungen, Berechnungen, Diagramme, experimentelle Interpretationen und ingenieurtechnische Empfehlungen auf Genauigkeit und Klarheit zu bewerten.
- Sicher im Erkennen von halluzinierten Materialeigenschaften, falschen Verarbeitungsaussagen, fehlerhafter Argumentation zur Mikrostruktur, unsicheren ingenieurtechnischen Vorschlägen oder unbelegten Leistungsaussagen.
- Hohe Detailgenauigkeit bei der Prüfung von Einheiten, Materialterminologie, Testmethoden, Prozessbedingungen, Annahmen und Design-Abwägungen.
- Zuverlässig, selbstständig und in der Lage, in einem stundenbasierten Remote-Auftragnehmer-Workflow über Zeitzonen hinweg gleichbleibende Qualität zu liefern.
- Erfahrung mit KI-Datentraining/Annotation, wissenschaftlicher QA, ingenieurtechnischer QA, akademischer QA, technischer Inhaltsprüfung oder rubrikbasierter Bewertung ist stark bevorzugt.