Data Scientist (w/m/d) – Applied AI

About this role

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. Du liest ein Paper und willst wissen, ob die Idee hält. Also klonst du das Repo. Läuft es nicht, folgst du dem Stacktrace in den Quellcode. Und widersprechen die Daten deiner Hypothese, stutzt du kurz und freust dich: Jetzt wird es interessant.

Ein schönes Ergebnis macht dich dagegen erst mal misstrauisch. Zufall? Bug? Oder hält es? Bei smartclip arbeitest du mit Messdaten von Dutzenden Millionen Geräten, eigener GPU-Infrastruktur und Sidekicks, unserer AI-Initiative für Wissensfragen und echte Workflows. Du verantwortest deine Fragestellung vom ersten Experiment bis zum belastbaren Prototyp. Den baut Engineering mit dir zum Produkt aus. Unser Stack basiert auf Linux, Open Source und freier Software.

Du kannst nachvollziehen, was unter der Haube passiert. Deine Mission Eine Stelle, zwei Schwerpunkte. Ob du einen vertiefst oder beide, entscheiden dein Können und deine Vorlieben. AI gehört immer dazu. 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? 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. 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. 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. In beiden Bereichen machst du aus einer guten Frage etwas, das läuft: Experimentiere und evaluiere: Formuliere Hypothesen, entwirf aussagekräftige Tests und lerne aus Ergebnissen, auch wenn diese nicht deine Erwartungen erfüllen.