KI-Technologien

Was in den Anforderungen steht, nicht was im Anzeigentext vorkommt. Jede Anzeige wird eingestuft, und der Filter sucht in den erkannten Begriffen: „RAG" findet damit Stellen, in denen Retrieval Augmented Generation verlangt wird, und nicht jede Anzeige, in der die drei Buchstaben irgendwo stehen.

Machine Learning

456

Geprüfte Stellen, in denen Machine Learning in den Anforderungen steht und nicht im Firmenprofil. Der breiteste Begriff dieser Börse.

LLMs

357

Stellen rund um große Sprachmodelle: anbinden, auswählen, messen, betreiben. Jede Anzeige einzeln geprüft.

Agentic AI

276

Stellen für agentische Systeme: Werkzeugaufrufe, Ablaufsteuerung, Rechte und Protokollierung. Der Begriff meint selten dasselbe, lies die Anforderungen.

Data Science

227

Data-Science-Stellen, in denen KI eine echte Anforderung ist, nicht nur ein Schlagwort in der Ausschreibung.

RAG

200

Stellen rund um Retrieval Augmented Generation: Dokumente, Einbettungen, Suche, nachvollziehbare Antworten.

Generative AI

194

Stellen rund um generative KI, von der eigenen Anwendung bis zur Fachrolle mit generativen Werkzeugen.

PyTorch

157

Stellen mit PyTorch in den Anforderungen: eigene Modelle, eigenes Training, eigene Auswertung. Hier geht es fast immer um echte Entwicklung.

Prompt Engineering

143

Stellen, in denen Prompt Engineering eine Anforderung ist: Varianten vergleichen, Antworten bewerten, Vorgaben pflegen.

Claude

120

Stellen, in denen Claude in den Anforderungen steht, meist neben anderen Modellen. Gefragt ist Erfahrung im Arbeiten damit, nicht Produktwissen.

Deep Learning

111

Stellen mit Deep Learning in den Anforderungen: neuronale Netze, Training, Grundlagenwissen. Gefragt ist Verständnis fürs Training, nicht nur Bedienen.

MLOps

111

Stellen für den Betrieb von Modellen: wiederholbares Training, Versionen, Überwachung, Auslieferung.

Computer Vision

Stellen rund um Bild- und Videoverarbeitung, häufig in Industrie, Medizintechnik und Fahrzeugentwicklung.

TensorFlow

Stellen mit TensorFlow in den Anforderungen, meist für gewachsene Modellbestände im Betrieb, oft zusammen mit Keras.

LangChain

Stellen mit LangChain: Sprachmodelle, Werkzeuge und Datenquellen zu einer Anwendung verbinden, meist mit Python und Vektorsuche.

NLP

Stellen rund um die Verarbeitung natürlicher Sprache, von klassischen Verfahren bis zu Sprachmodellen.

Fine-Tuning

Stellen, in denen Modelle auf eigene Daten nachtrainiert werden: LoRA, Datensätze, Auswertung, GPU-Betrieb.

LangGraph

Stellen mit LangGraph: Abläufe für Sprachmodelle als Graph, mit Zuständen, Schleifen und Haltepunkten.