Senior IT Architect / Analyst – Knowledge Graphs & AI (m/w/d)
freelance.de GmbH
Contact person: Operations Team
München, Germany
ITArtificial IntelligenceData ArchitectureDigital ArchitectureGraph TheoryInformation ArchitectureIntelligence AnalysisMachine LearningNetwork ArchitectureSoftware ArchitectureSolution ArchitectureSystems ArchitectureLarge Language ModelsIT ArchitectureKnowledge RepresentationGraphQLArtificial Intelligence Markup Language (AIML)
Description
Rahmenbedingungen
• Start: 13. November 2026
• Ende: 30. Juni 2027
• Auslastung: Vollzeit
• Einsatzort: 100 % Remote
• Sprache: Deutsch
Aufgaben
• Erforschung, Konzeption und Bewertung von Methoden zum Aufbau hochwertiger Knowledge Graphs für KI-Anwendungen.
• Entwicklung von Methoden zur Messung der Qualität und Vollständigkeit von Knowledge Graphs hinsichtlich Abdeckung, Konsistenz, Genauigkeit und Unsicherheit.
• Evaluierung von Verfahren zur Informationsextraktion, Entity Resolution, Ontologieentwicklung und semantischen Modellierung.
• Anwendung graphentheoretischer, statistischer und probabilistischer Methoden zur Analyse von Graphstrukturen und Informationslücken.
• Konzeption und Optimierung graphbasierter Retrieval-Strategien sowie mehrstufiger KI-Reasoning- und Verifizierungsprozesse.
• Entwicklung reproduzierbarer Experimente, Benchmarks und Evaluierungsframeworks für graphbasierte KI-Verfahren.
Must Haves
• Fundierte mathematische Kenntnisse in Graphentheorie, linearer Algebra, Wahrscheinlichkeitsrechnung, Statistik und Optimierung.
• Tiefgehende Erfahrung mit Knowledge Graphs, Information Extraction, Ontology Learning und semantischer Modellierung.
• Fundierte Kenntnisse im Bereich Graph-based Machine Learning und graphbasierter KI-Anwendungen.
• Erfahrung mit Large Language Models (LLMs) und KI-Agenten-Workflows zur Durchführung und Validierung von Forschungsexperimenten.
• Fortgeschrittene Programmierkenntnisse in Python, SQL und Graph-Abfragesprachen.
• Fundierte Erfahrung in der Konzeption und Durchführung wissenschaftlicher Experimente sowie im Einsatz reproduzierbarer Forschungswerkzeuge.
• Umfassende Kenntnisse in der experimentellen Evaluation, Fehleranalyse, Unsicherheitsschätzung und Sensitivitätsanalyse.