Research Data Scientist Knowledge Graphs & KI-Reasoning I ID-287 I QUINCEY

Für unseren Kunden suchen wir einen Research Data Scientist Knowledge Graphs & KI-Reasoning (m/w/d)

Start: 13.11.2026

Laufzeit: 30.06.2027

Format: 100% Remote

Projektbeschreibung:

Unser Unternehmenskunde erforscht Methoden zum Aufbau hochwertiger Knowledge Graphs und zu deren Nutzung in KI-Anwendungen. Im Mittelpunkt stehen Qualitätsmetriken für Graphen, Benchmarks von NER, Entity Resolution, Relationsextraktion und LLM-basierten Ansätzen sowie Traversal-, Retrieval- und Reasoning-Strategien. Die Ergebnisse werden in reproduzierbare Experimente, Evaluationsframeworks und praktische Empfehlungen überführt. Projektzeitraum: 13.11.2026 bis 30.06.2027.

Aufgaben:

• Methoden zur Messung von Graphqualität und Vollständigkeit entwickeln (Abdeckung, Konsistenz, Genauigkeit, Provenienz, Unsicherheit)

• NER, Entity Resolution, Relationsextraktion und LLM-basierte Ansätze zur Gewinnung verlässlicher Graphen aus unstrukturierten Daten benchmarken

• Methoden für Ontologieentwicklung, Domänenmodellierung und Begriffshierarchien bewerten

• Graphentheorie, Statistik und probabilistische Methoden zur Analyse von Struktur, Konnektivität, Communities und Informationslücken anwenden

• Traversal- und Retrieval-Strategien untersuchen (Hop-Limits, Kantenrichtung, Gewichte, Relevanzbewertung, Pruning)

• Mehrstufige Reasoning-, Kritik- und Verifikations-Workflows auf Basis von Graph-Evidenz entwerfen

• Link Prediction und Graph Embeddings erforschen und dabei inferiertes Wissen von verifizierten Fakten trennen

• Benchmarks, Baselines und Ablationsstudien aufbauen

• Ergebnisse in reproduzierbare Experimente, Evaluationsframeworks und praktische Empfehlungen überführen

Anforderungen:

Must-Have:

• Fundierte mathematische Grundlagen in Graphentheorie, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik

• Forschungstiefe in Knowledge Graphs, Informationsextraktion, Ontology Learning, semantischer Modellierung und graph-basiertem Machine Learning

• KI-native Experimentierfähigkeiten: Einsatz von LLMs und Agenten-Workflows zur Beschleunigung der Forschung bei Validierung der Ergebnisse durch Evidenz und Messung

• Fortgeschrittene Datenanalyse- und Programmierkenntnisse, insbesondere Python, SQL und Graph-Abfragesprachen

• Erfahrung mit Werkzeugen für reproduzierbare Forschung

• Sicheres Urteilsvermögen in der Evaluation: Experimentdesign, Fehleranalyse, Unsicherheitsschätzung und Sensitivitätsanalyse

Nice to have:

• Kenntnisse in Optimierung

• Erfahrung mit NER, Entity Resolution und Relationsextraktion

• Erfahrung mit Link Prediction und Graph Embeddings

Bewerbung:

Wir freuen uns auf Ihre Bewerbung mit aktuellem CV (in deutsch) und Angabe Ihres Stundensatzes.

Rückfragen bitte über Freelancermap oder an ***@***.io.

Euer QUINCEY Team