Over de functie
In deze rol als uurlijkse, externe contractor werk je als Materials Science Expert (SME) om door AI gegenereerde materiaalkunde-inhoud te beoordelen en/of hoogwaardige referentie-inhoud over materiaalkunde te creëren, waarbij je wetenschappelijke nauwkeurigheid, technische redenering, terminologie en stapsgewijze uitleg evalueert en nauwkeurige schriftelijke feedback geeft. Je beoordeelt outputs op correctheid, helderheid, fysische plausibiliteit, consistentie van eenheden, redenering over microstructuur-eigenschap-relaties, experimentele context en naleving van de prompt; je identificeert fouten in kristalstructuur, fasediagrammen, mechanische eigenschappen, polymeren, keramiek, metalen, composieten, nanomaterialen, verwerkingsmethoden en karakterisering; je factcheckt beweringen waar nodig; je schrijft hoogwaardige herschrijvingen en modelantwoorden die best practices in materiaalkunde-uitleg demonstreren; en je beoordeelt en vergelijkt meerdere AI-antwoorden op basis van correctheid en algehele kwaliteit.
Deze rol is bij SME Careers, een snelgroeiend AI Data Services-bedrijf en dochteronderneming van SuperAnnotate, dat trainingsdata levert aan vele van 's werelds grootste AI-bedrijven en foundation-model-labs. Jouw expertise in materiaalkunde helpt direct de toonaangevende AI-modellen ter wereld te verbeteren door hun outputs op het gebied van materialen, engineering en toegepaste wetenschap nauwkeuriger, praktischer en duidelijker uitgelegd te maken.
Wat je gaat doen
- AI-trainingsinhoud ontwikkelen: Prompts en referentieantwoorden van goudstandaardkwaliteit op het gebied van materiaalkunde creëren over onderwerpen zoals metalen, keramiek, polymeren, composieten, fasediagrammen, warmtebehandeling, mechanisch testen, corrosie, nanomaterialen en karakterisering.
- AI-prestaties optimaliseren: AI-outputs evalueren en rangschikken om wetenschappelijke nauwkeurigheid, technische logica, terminologie, redenering over structuur-eigenschap-relaties, helderheid en relevantie voor de prompt van de gebruiker te verbeteren.
- Modelintegriteit waarborgen: Misleidende beweringen over materialen, hallucinaties over eigenschappen, gebrekkige verwerkingsaanbevelingen, onjuiste diagrammen, onveilige ontwerpveronderstellingen en overmatig zelfverzekerde interpretaties detecteren; betrouwbaarheid valideren binnen use cases in de materiaalkunde.
Wat we zoeken
- Bachelor diploma of hoger in materiaalkunde, materiaaltechnologie, werktuigbouwkunde, chemische technologie, metallurgie, polymeerwetenschappen, nanotechnologie of een aanverwant vakgebied, of gelijkwaardige professionele ervaring.
- Sterke professionele beheersing van het Engels, minimaal C1, om richtlijnen te volgen en gedetailleerde feedback in het Engels te geven.
- 3+ jaar ervaring in onderzoek naar materiaalkunde, materiaaltechnologie, laboratoriumwerk, productie, onderwijs, technisch schrijven, academische beoordeling of aanverwant wetenschappelijk/technisch werk.
- Diepgaand begrip van structuur-eigenschap-relaties, kristalstructuren, fasediagrammen, mechanisch gedrag, warmtebehandeling, polymeren, keramiek, metalen, composieten, corrosie en karakteriseringstechnieken.
- Vermogen om uitleg over materialen, berekeningen, diagrammen, experimentele interpretaties en technische aanbevelingen te beoordelen op nauwkeurigheid en helderheid.
- Je voelt je comfortabel bij het identificeren van gehallucineerde materiaaleigenschappen, onjuiste verwerkingsbeweringen, gebrekkige redeneringen over microstructuur, onveilige technische suggesties of niet-onderbouwde prestatieclaims.
- Grote aandacht voor detail bij het beoordelen van eenheden, materiaalterminologie, testmethoden, procesomstandigheden, veronderstellingen en ontwerpafwegingen.
- Betrouwbaar, zelfstandig en in staat om consistente kwaliteit te leveren in een uurlijkse, externe contractor-workflow across tijdzones.
- Eerdere ervaring met AI-datatraining/annotatie, wetenschappelijke QA, technische QA, academische QA, beoordeling van technische inhoud of rubric-gebaseerde evaluatie is sterk gewenst.