Werkstudent*in Machine Learning - Fokus Sustainability

DEIN UMFELD UND TEAMDu begeisterst dich für Machine Learning, Software Engineering und den Einsatz von KI für nachhaltige Anwendungsfälle? Dann werde Teil unseres Teams der Sustainability Management Platform und unterstütze uns dabei, Sustainability Manager mit modernen ML- und LLM-basierten Systemen in ihrem Arbeitsalltag zu entlasten. Du wirkst am Aufbau von KI-Komponenten, Datenpipelines und Modellierungslogiken mit, die unseren Kunden dabei helfen, fundierte und nachhaltige Entscheidungen zu treffen. DEIN VERANTWORTUNGSBEREICH• Du unterstützt die Entwicklung unserer KI-Systeme (u. a. LLM-basierte Ansätze, Embeddings und Retrieval-Methoden), um Carbon Footprints und weitere Nachhaltigkeitskennzahlen präzise zu berechnen. • Du entwickelst und optimierst Python-Code für Datenpipelines, die unsere Emissionsfaktor-Datenbank in bestehende Systeme integrieren. • Du arbeitest mit SQL, um Daten zu analysieren, zu validieren und für den Einsatz in Machine-Learning-Modellen aufzubereiten. • Du unterstützt bei der Datenmodellierung sowie der Automatisierung von Bilanzierungsmethoden und sorgst dafür, dass diese den aktuellen Standards entsprechen. • Du unterstützt unsere Product Owner und das Machine-Learning-Team bei kundenspezifischen Recherchen, Prototypen und Modellierungsaufgaben. DAS BRINGST DU MIT • Du bist aktuell in einem Bachelor- oder Masterstudium der Informatik, Data Science, Mathematik, Physik oder eines vergleichbaren Studiengangs eingeschrieben und hast noch mindestens ein Jahr Studienzeit vor dir. • Du verfügst über gute Python-Kenntnisse und ein solides Verständnis der Grundlagen des Machine Learnings (z. B. Modelltraining, Evaluation und gängige Algorithmen). Welches Framework du bisher genutzt hast, ist für uns weniger entscheidend als dein grundlegendes Verständnis. • Du hast bereits mit Large Language Models (LLMs) gearbeitet oder eigene Projekte umgesetzt (z. B. mit Prompting, RAG-Systemen oder Embeddings) und möchtest dieses Wissen in der Praxis we