Finde KI-Projekte, die zu deinem Profil passen
Entdecke offene Mandate oder ordne dein Profil einer typischen Projektart zu. Du siehst vorab, welche Rollen, Phasen und fachlichen Anforderungen dazugehören.
- Rollen und Stack einordnen
- Tagessätze und Phasen prüfen
- Profil einmal hinterlegen
Welches Projekt passt zu deinem Profil?
Diese Übersichten sind keine offenen Stellen. Sie helfen dir einzuschätzen, wo deine Erfahrung in typischen KI-Projekten gefragt ist.
RAG Projekt, Aufbau, Stack und Tagessätze
Ein RAG Projekt verbindet ein LLM mit firmeneigenem Wissen, ohne das Modell selbst zu trainieren. Es ist der schnellste Weg zu produktiver Generativer KI, wenn das Wissen schon irgendwo geschrieben steht, in Confluence, in PDFs, in Tickets, in Datenbanken.
LLM Fine-Tuning Projekt
Fine-Tuning passt ein bestehendes LLM an eine Domäne oder einen Ton an. Es lohnt sich, wenn RAG plus Prompting Grenzen erreichen, etwa bei stark domänenspezifischer Sprache, eigenen Datentypen oder strikten Format-Anforderungen.
MLOps Projekt, Plattform und Tooling
Ein MLOps Projekt bringt Modelle vom Notebook in die Produktion, wiederholbar, beobachtbar, auditierbar. Es ist der Hebel, der KI vom Experiment zum Geschäftswert macht.
Computer Vision Projekt
Computer Vision Projekte erkennen, klassifizieren und zählen, was auf Bildern oder Videos zu sehen ist. Die häufigsten Anwendungen sind Qualitätskontrolle in der Fertigung, Bildauswertung in MedTech und Personenfluss-Analysen in Logistik.
NLP Projekt
NLP Projekte verstehen und strukturieren geschriebene Sprache. Anders als GenAI geht es selten um Generierung, sondern um Klassifikation, Extraktion und Routing, etwa bei Schadenmeldungen, E-Mails oder Aktenvorgängen.
GenAI Projekt, Aufbau und Stack
GenAI Projekte bauen produktive Anwendungen mit generativer KI. Sie kombinieren meist RAG, strukturierte Outputs und Tool-Use. Erfolgreiche Projekte folgen einer einfachen Regel: harte Eval, klare Use Cases, kontrollierter Output.
Agentic AI Projekt
Agentic AI Projekte bauen Systeme, die selbstständig Aufgaben planen, Werkzeuge nutzen und Ergebnisse zusammenführen. Sie eignen sich überall dort, wo Entscheidungswege heute viele manuelle Schritte erfordern.
Recommendation-Engine Projekt
Recommendation-Engines sorgen dafür, dass Kunden die für sie relevanten Produkte und Inhalte sehen. Gut umgesetzt heben sie CTR, Conversion und Long-Tail-Umsatz nachweisbar.
Forecasting Projekt
Forecasting-Projekte prognostizieren Bedarf, Last oder Umsatz. Moderne Modelle liefern probabilistische Forecasts mit Quantilen, die Grundlage für Risiko-bewusste Disposition.
AI Strategy Projekt
Ein AI Strategy Projekt sortiert das Use-Case-Portfolio, schärft das Zielbild und verankert KI im Geschäftsmodell. Ergebnis ist eine umsetzbare Roadmap mit Wert, Aufwand und Reihenfolge.
Projektwissen vertiefen
Dokumentenverarbeitung mit KI: welches Team Sie brauchen und wie das Projekt läuft
Ein Projekt zur KI-Dokumentenverarbeitung klassifiziert eingehende Dokumente, liest Felder aus und leitet Vorgänge an die richtige Stelle. Das Kernteam besteht aus einem NLP Engineer, einem Data Engineer für die Anbindung und einer Person aus dem Fachbereich. In einem unserer Referenzmandate sank das Fehlrouting bei 18.000 Schadenmeldungen pro Tag von 14 auf 3,1 Prozent, nach sieben Monaten.
Einsatzfeld ansehenQualitätsprüfung mit Computer Vision: welches Team Sie brauchen und wie das Projekt läuft
Ein Projekt zur KI-Qualitätsprüfung ersetzt oder unterstützt die manuelle Sichtprüfung durch Kameras und trainierte Bildmodelle, oft direkt an der Linie. Kern des Teams ist ein Computer Vision Engineer mit Erfahrung in Produktion und Edge, dazu Automatisierung und Qualitätssicherung aus dem Werk. In einem Referenzmandat bei einem Maschinenbauer sank der Pseudoausschuss von 4 auf 0,8 Prozent.
Einsatzfeld ansehenLLM im eigenen Betrieb: wann sich ein eigenes Sprachmodell lohnt und wer es baut
Ein eigenes Sprachmodell im eigenen Rechenzentrum oder in einer privaten Cloud lohnt sich, wenn Daten das Haus nicht verlassen dürfen, wenn Fachsprache allgemeine Modelle überfordert oder wenn die Menge an Anfragen hoch ist. In einem Referenzmandat stieg die Antwortqualität durch ein angepasstes Open-Source-Modell um 34 Prozent gegenüber der Ausgangslösung. Kern des Teams ist ein LLM Engineer mit Fine-Tuning- und Betriebserfahrung.
Einsatzfeld ansehen