remote Frankfurt: AI Data Scientist w/m/d POS80497 Machine Learning KI Python
CAES GmbH
Contact person: Rafael Gallus
remote, Germany
ITArtificial IntelligenceData AnalysisData IntelligencePython (Programming Language)Machine LearningTensorFlowAzure Machine LearningAutomated Data Processing (ADP)Data ResearchData ScienceDatastaxPyTorchPrompt EngineeringGenerative AIpandasScikit LearnData AnalyticsAWS Data AnalyticsMachine Learning OperationsDataikuAzure Data AnalyticsArtificial Intelligence Markup Language (AIML)Unsupervised Learning
Description
Start: Januar 2027
Dauer: Ende 2027+
Ort: remote; hin und wieder Frankfurt möglich
Umfang: möglichst Vollzeit
Bem: es werden mehrere Berater* gesucht
Projektstart 18.01.27; Pitch *****
Die Rolle agiert als methodischer Experte in Use Case Pods oder Plat Er/Sie übersetzt komplexe fachliche
Fragestellungen und Prozessstrecken in fundierte mathematisch-statistische Modelle und moderne KI-Verfahren.
Im GenAI-Umfeld umfasst dies das Konzipieren und Validieren von Proof of Concepts (PoCs), das Entwickeln
maßgeschneiderter Evaluierungs-Harnesse (LLM-as-a-Judge, Groundedness, Halluzinationserkennung), die
qualitative Vorverarbeitung unstrukturierter Dokumentdaten sowie die methodische Optimierung von Chunking-,
Prompting- und Retrieval-Parametern. Im Bereich Predictive AI erarbeitet er/sie statistische Modelle und Machine-
Learning-Algorithmen in Dataiku DSS für operative Anwendungsfälle (ODV).
Erforderliche Fähigkeiten (Must-Have)
• Methodenkompetenz Data Science & Statistik:
• Abgeschlossenes Hochschulstudium (Master/Promotion) in Informatik, Mathematik, Statis-tik, Physik, Data
Science oder vergleichbar.
• Fundierte Beherrschung klassischer und moderner ML-Methoden (Supervised/Unsupervised Learning, Tree-
Based Models, Time Series, NLP).
• Exzellente Beherrschung des Python-Data-Science-Stacks: Pandas, Polars, NumPy, Scikit-Learn, PyTorch/
TensorFlow.
• Generative AI, Document Understanding & LLM-Evaluation:
• Tiefes theoretisches und praktisches Verständnis von LLMs, Tokenisierung, Context-Window-Dynamiken und
Reasoning-Modellen.
• Qualitative und statistische Analyse unstrukturierter und semi-strukturierter Daten (Doku-mente, Fachberichte,
Tabellen) zur optimalen Modell- und Prompt-Aufbereitung.
• Konzeption und empirische Validierung domänenspezifischer Chunking- und Kontextstrat-egien (Einfluss von
Chunk-Größe und Segmentierung auf Retrieval-Recall und Ant-wortpräzision).
• Systematisches Design von Evaluierungsframeworks für RAG- und Agenten-Systeme (Metriken wie Faithfulness,
Answer Relevance, Context Recall; Frameworks wie Ragas, Deepeval oder Langfuse Evals).
• Entwicklung systematischer Prompt-Engineering
Skills:
- AI Data Science
- Agent Evaluation Frameworks
- RAG Evaluation
- Machine Learning
- Python