Auf einen Blick
- Aufgaben: Entwickle innovative Deep-Learning-Modelle zur Verbesserung der Produktionsprozesse in der Industrie.
- Unternehmen: EthonAI, ein führendes Unternehmen im Bereich industrielle KI mit einem dynamischen Team.
- Vorteile: Direkte Mentorship, flexible Arbeitszeiten und modernes Büro im Herzen von Zürich.
- Weitere Informationen: Wachse persönlich und beruflich in einem unterstützenden Umfeld.
- Warum dieser Job: Gestalte die Zukunft der Fertigung mit modernster Technologie und mache einen echten Unterschied.
- Qualifikationen: Studium in Informatik, Data Science oder verwandten Bereichen; starke Python-Kenntnisse erforderlich.
Das prognostizierte Gehalt liegt zwischen 1500 - 2000 € pro Monat.
Ethon wurde gegründet, um das Problem der Billionen-Dollar-Verschwendung in der Fertigung zu beseitigen. Wir sind der Technologieführer im Bereich Industrial AI und entwickeln agentische Workflows, die Herstellern helfen, Kosten, Qualität und Geschwindigkeit der Produktion zu optimieren. Wir sind ein schnell wachsendes Team, das massive Auswirkungen in einer der größten und am wenigsten bedienten Branchen der Welt erzielt. Wir bedienen die weltweit führenden Hersteller, von Siemens und Bosch bis hin zu Lindt und Roche, die uns vertrauen, um ihre Fabriken besser laufen zu lassen. Unser Team setzt sich aus Experten von Google, Meta, Palantir, MBB und führenden Fertigungsunternehmen zusammen, die alle aus demselben Grund hier sind: den Herstellern die Technologie zu geben, um jede Fabrik mit beispielloser Produktivität zu betreiben.
Was ist dieses Praktikum? Wir suchen einen Praktikanten im Bereich maschinelles Lernen mit starken Ingenieursfähigkeiten und dem Antrieb, ehrgeizige Ideen in solide, funktionierende Prototypen umzusetzen. In diesem Praktikum werden Sie an der Schnittstelle zwischen modernem Deep Learning und industriellen Anwendungen wie der Ursachenanalyse (RCA) arbeiten. Ihre Mission besteht darin, zu erkunden, wie Deep Learning genutzt werden kann, um kausale Strukturen und Treiber von Variationen direkt aus Fabrikdaten abzuleiten.
Konkrete Aufgaben:
- Untersuchung moderner Deep-Learning-Ansätze für kausale Inferenz auf tabellarischen Daten und Bewertung, welche Richtungen für industrielle Anwendungen am vielversprechendsten sind.
- Entwicklung von Ansätzen, die tabellarische Signale (Sensorablesungen, Prozessparameter, Qualitätsmessungen) und kontextuelle Informationen in natürlicher Sprache (Sensornamen, Anlagenhierarchien, Prozessbeschreibungen, andere Fabrikmetadaten) gemeinsam nutzen, um die kausale Entdeckung und Ursachenanalyse zu verbessern.
- Aufbau der experimentellen und Benchmarking-Infrastruktur, die erforderlich ist, um Ihre Prototypen mit etablierten Baselines zur kausalen Entdeckung zu vergleichen, sowohl auf öffentlichen Datensätzen als auch auf anonymisierten realen Fertigungsdaten.
- Enger Austausch mit unseren ML-Wissenschaftlern und Ingenieuren, um den Weg vom Prototypen zu einer Komponente zu gestalten, die unseren Analyse-Stack erweitern könnte.
Was benötigen Sie, um in dieser Rolle erfolgreich zu sein?
Must-Haves:
- Derzeit im Studium (oder kürzlich abgeschlossen) eines BSc oder MSc in Informatik, Data Science, Maschinellem Lernen, Mathematik, Statistik oder einem verwandten Bereich.
- Solide Software-Engineering-Fähigkeiten in Python. Dieses Praktikum umfasst den Aufbau nicht trivialer Trainingspipelines, Simulationscode und Benchmarking-Infrastruktur von Grund auf. Subtile Fehler in diesem Code können die Ergebnisse wochenlang beeinträchtigen, daher ist die Qualität des Codes von entscheidender Bedeutung.
- Gutes Verständnis der Grundlagen des maschinellen Lernens und Vertrautheit mit dem modernen ML-Stack (PyTorch oder JAX), mit praktischer Erfahrung im Deep Learning über das Studium hinaus.
- Exzellente Kommunikationsfähigkeiten in gesprochenem und geschriebenem Englisch.
- Verfügbar, um im Juni für mindestens 6 Monate zu beginnen (länger ist möglich).
- Starke Motivation, in einem dynamischen und schnelllebigen Umfeld zu arbeiten und eine Idee bis zum funktionierenden Prototypen zu bringen.
Bonus:
- Erfahrung mit Deep Learning für strukturierte / tabellarische / Zeitreihendaten (z.B. TabPFN, TabICL, FT-Transformer, TabNet oder ähnliches).
- Hintergrund in kausaler Inferenz oder kausaler Entdeckung (z.B. PC, GES, NOTEARS, LiNGAM, DoWhy, score-basierte oder diffusionsbasierte Ansätze).
- Erfahrung mit graphbasierten neuronalen Netzen oder strukturierter Vorhersage.
- Erfahrung in der Kombination von textuellen / semantischen Informationen mit numerischen Daten (z.B. über LLM-Embeddings, Retrieval oder multimodale Architekturen).
- Hintergrund in klassischer statistischer Modellierung, bayesianischer Inferenz oder probabilistischer Programmierung.
- Erfahrung mit Zeitreihendaten aus industriellen oder physikalischen Systemen.
- Solide Open-Source-Beiträge oder Nebenprojekte, die die oben genannte Codierungsqualität demonstrieren.
Warum ist EthonAI der richtige Ort für Sie? Wir arbeiten nicht nur zusammen. Wir beschleunigen das berufliche und persönliche Wachstum des Einzelnen. Kommen Sie und bringen Sie Ihre Ingenieurskarriere auf die nächste Stufe, an der Spitze der industriellen Innovation!
Zusätzlich bieten wir für dieses Praktikum:
- Direkte Mentorship von unserem ML-Wissenschaftler- und Ingenieurteam.
- Ein gut definiertes, ehrgeiziges Problem mit Raum, um die Lösung selbst zu gestalten.
- Arbeiten vor Ort in einem modernen Büro im Zentrum von Zürich, mit Möglichkeiten für flexible Arbeitszeiten.
ML Internship: Deep Learning for Causal Inference Arbeitgeber: ethon
Ethon ist ein hervorragender Arbeitgeber, der eine dynamische und innovative Arbeitsumgebung bietet, in der Mitarbeiter ihre Fähigkeiten im Bereich maschinelles Lernen und industrielle Anwendungen weiterentwickeln können. Mit direkter Mentorship von erfahrenen ML-Wissenschaftlern und Ingenieuren sowie der Möglichkeit, an bedeutenden Projekten zu arbeiten, fördert Ethon das persönliche und berufliche Wachstum seiner Mitarbeiter. Zudem befindet sich das moderne Büro im Herzen von Zürich, was eine flexible Arbeitsgestaltung und eine inspirierende Umgebung ermöglicht.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so ML Internship: Deep Learning for Causal Inference erhalten könnten
✨Nutze Hochschulkarrieremessen
Bei der Suche nach einem Datenwissenschafts-Praktikum solltest du unbedingt die Karrieremessen an deiner Universität nutzen. Dort kannst du direkt mit Firmen, die gerade Praktika anbieten, in Kontakt treten – so zeigst du dein Interesse und kannst dir einen persönlichen Eindruck verschaffen.
✨Engagiere dich in Data-Science-Communities
Schau dich in lokalen oder Online-Communities um, die sich mit Data Science befassen. Plattformen wie Meetup oder spezielle Slack-Channels bieten tolle Gelegenheiten, um Gleichgesinnte zu treffen, von aktuellen Trends zu erfahren und eventuell sogar Stellenangebote zu bekommen.
✨Praktische Projekte zeigen
Baue dir ein Portfolio mit Projekten auf, die deine Fähigkeiten in Data Science zeigen. Dies kann ein kleines Machine-Learning-Projekt oder eine Datenanalyse sein. Verlinke diese Arbeiten in deinem Lebenslauf, wenn du dich bei ethon bewirbst – so hinterlässt du einen bleibenden Eindruck.
✨Nutze unsere Plattform für Bewerbungen
Vergiss nicht, dich direkt über unsere Webseite bei ethon für Praktika zu bewerben. Wir haben dort viele interessante Angebote, und das Bewerben über uns erhöht deine Chance, gesehen zu werden!
Wir glauben, dass du diese Fähigkeiten brauchst, um ML Internship: Deep Learning for Causal Inference mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Zeig deine Datenliebe mit Projekten!:In der Datenwissenschaft ist es super wichtig, praktische Erfahrung zu zeigen. Teile einige deiner spannenden Projekte, sei es von deinem Studium oder von privaten Experimenten. Nutze GitHub oder andere Plattformen, um diese Projekte vorzustellen – das beeindruckt uns bei ethon definitiv!
Statistiken und Methoden im Anschreiben betonen:Bei einem Praktikum in der Datenwissenschaft wollen wir sehen, dass du dich mit den Grundlagen auskennst. Betone in deinem Anschreiben deine Erfahrungen mit statistischen Methoden, Datenanalyse-Tools oder Programmiersprachen wie Python oder R. Das macht deutlich, dass du bereit bist, tiefer einzutauchen und zu lernen.
Die richtige Ausbildung anführen:Wenn du dich für ein Praktikum bewirbst, ist es wichtig, deine akademischen Leistungen zu zeigen. Füge relevante Kurse und Projekte hinzu, die sich auf Datenanalyse oder maschinelles Lernen beziehen. Das hilft uns zu sehen, dass du das notwendige Wissen mitbringst, um bei ethon durchzustarten!
Werde kreativ im Lebenslauf!:Im Datenwissenschaftsbereich dreht sich vieles um Problemlösen und kreatives Denken. Sei also mutig und gestalte deinen Lebenslauf nicht nur informativ, sondern auch ansprechend! Hebe relevante Fähigkeiten, Tools und Erfahrungen hervor. Und vergiss nicht, dich über unsere Website zu bewerben – wir freuen uns darauf, von dir zu hören!
Wie man sich auf ein Vorstellungsgespräch bei ethon vorbereitet
✨Bereite dein Portfolio vor!
Als Data Science Praktikant sollten wir unsere bisherigen Projekte und Erfahrungen in einem Portfolio zusammenstellen. Zeige deine Analysen, Visualisierungen oder Modelle. Das gibt den Interviewern einen konkreten Eindruck von deinen Fähigkeiten und deinem Ansatz bei der Datenanalyse.
✨Technische Fragen im Data Science Bereich
Erwarte technische Fragen zu Algorithmen und statistischen Methoden, die wir in der Praxis angewendet haben. Sei bereit, über Machine Learning-Modelle, Datenaufbereitung und deine Erfahrungen mit Programmiersprachen wie Python und R zu sprechen.
✨Motivation und Lernwille betonen
Da es sich um ein Praktikum handelt, wird oft mehr auf dein Interesse und deine Lernbereitschaft geachtet. Zeige auf, warum du in das Data Science Team bei ethon möchtest und wie du deine Fähigkeiten weiterentwickeln willst. Ein echtes Interesse an der Materie überzeugt oft mehr als langjährige Erfahrung!
✨Fragen zur Teamarbeit und Analytics-Tools
Bereite dich darauf vor, über konkrete Situationen zu sprechen, in denen du im Team gearbeitet hast. Insbesondere in Data Science kommen oft Tools wie Jupyter Notebooks oder Tableau zum Einsatz. Wenn du damit Erfahrungen hast, bring sie zur Sprache und erläutere, wie du sie in Projekten eingesetzt hast!
