Data Scientist (w/m/d) – Applied AI

AI macht uns schneller. Das Denken nimmt sie uns nicht ab.

Was AI produziert, überprüfen wir. Für alles, was rausgeht, stehen wir gerade.

Beim Ausprobieren sind wir schnell, beim Ausliefern gründlich.

Deine Mission

Du kannst dich auf einen der beiden Schwerpunkte konzentrieren oder beide verbinden. AI spielt in beiden eine zentrale Rolle.

1. Knowledge Agents & Agentic Retrieval

Wie beantwortet ein Agent eine Frage, deren Antwort über Tausende Dokumente verteilt ist? Wie erkennt er Widersprüche zwischen Entwürfen und finalen Fassungen? Und wie belegt er seine Antworten zuverlässig?

2. Machine Learning at Scale

Wir messen das Werbegeschehen bei mehr als 150 TV-Sendern in Europa. Unser Ziel: lineares Fernsehen so planbar und messbar machen wie digitale Werbung.

Ein Plus, kein Muss: Erfahrung mit NLP/Computerlinguistik, Agentic Retrieval oder der Entwicklung von LLM-Agenten.

Aufgaben

Entwickle Agenten, die Informationen über große Dokumentbestände hinweg erschließen.; Untersuche, wie sich Vollständigkeit, Widersprüche und die Qualität von Quellen bewerten lassen.; Sorge dafür, dass Antworten nachvollziehbar bleiben und Unsicherheiten sichtbar werden.; Entwickle Prognosemodelle für die Leistung von Werbeblöcken.; Bewerte Unsicherheiten, Messfehler und die Aussagekraft deiner Modelle.; Verarbeite große Datenmengen mit Spark auf unserem Cluster und untersuche, wo Datenqualität oder Verarbeitung die Ergebnisse beeinflussen.; Experimentiere und evaluiere: Formuliere Hypothesen, entwirf aussagekräftige Tests und lerne aus Ergebnissen, auch wenn diese nicht deine Erwartungen erfüllen.; Übernimm Verantwortung: Entwickle deinen Ansatz eigenständig bis zum belastbaren Prototyp. Hole dir Feedback und arbeite mit deinem Team an robusten Lösungen.; Arbeite mit Engineering: Begleite die Überführung deines Prototyps in ein Produkt und bringe dein Wissen über Problem und Lösung ein.; Unterstütze andere Teams: Bewerte Datenfragen, zeige sinnvolle Einsatzmöglichkeiten von AI auf und liefere je nach Bedarf eine fundierte Empfehlung oder einen Prototyp.

Anforderungen

Fundierte technische Grundlagen: Bring Kenntnisse in Informatik, Softwareentwicklung oder Data Science mit – erworben durch Studium, Promotion oder praktische Erfahrung. Du kannst deine Methodenwahl begründen und Ergebnisse kritisch bewerten.; Verständnis für AI: Du musst keine Modelle in PyTorch trainieren. Erkläre aber beispielsweise den Unterschied zwischen Prefill und Decode und dessen Auswirkungen auf Latenz und Kosten.; Eigenständiges AI-native Development: Nutze Coding-Agenten, um schneller zu entwickeln. Validiere den generierten Code, teste die Ergebnisse und verstehe, wie deine Anwendung und ihre Komponenten funktionieren.; Strukturiertes Experimentieren: Formuliere klare Specs, definiere eine Definition of Done und nutze passende Tests und Evaluationen, um die Qualität deiner Lösungen zu überprüfen.; Offene Zusammenarbeit: Teile Wissen, diskutiere technische Entscheidungen und gib respektvolles, direktes Feedback.