Noch keine KI-Analyse
Ausführen: python script_run_ai_scoring.py --profile alex
Stellenbeschreibung
Duration: 7 months+ | Start: 11/2026 | Remote: 100%
Beschreibung
IT
LLM
Research
Artificial Intelligence
Cognitive Science
Graph Database
Graph Theory
Data Intelligence
Python (Programming Language)
Web Ontology Language
Semantics
Data Science
Knowledge Representation
Description
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