Machine Learning Working Student (all genders) - Hybrid, Berlin
Berlin Part-time Junior Machine Learning Engineering
At a glance
Junior Machine Learning Engineering role at dida. Berlin · part-time.
Pay not stated Machine Learning Engineering salary
RoleMachine Learning Engineering
SeniorityJunior
LocationBerlin
EmploymentPart-time
PostedAug 3, 2020 · 6y ago
Role brief
aimlroles summary, based on the employer's posting.
What you'll do
- Use satellite and ground images to find roof obstacles and dormers, then estimate space for solar panels
- Recover roof pitch from flat images as part of the solar-panel capacity estimate
- Convert scanned legal files into text and devise labels for the passages that matter
- Identify legal passages and classify them before checking their validity automatically
What you bring
- You are studying machine learning or a related subject
- You can work part time as a student in Berlin
Who this fits
This part-time working-student role suits someone interested in computer vision or natural language processing. The position is hybrid and based in Berlin.
From the employer
Wir haben uns vom ersten Tag an unsere Neugierde bewahrt, das heißt, wir wollen lernen und Neues entdecken. Dabei gehen wir im Team sehr sensibel miteinander um. Wir sind nicht hierarchisch organisiert, sondern arbeiten in Zirkeln zusammen. Wenn Du mehr über unsere Projekte erfahren willst, findest du hier zwei Beispiele.
Schätzung der Anzahl von Sonnenkollektoren, die auf ein Dach passen (Computer Vision):
Anhand eines Satellitenbildes und eines Bodenbildes eines Hauses sollen bestimmte Elemente eines Daches (einschließlich Hindernisse, Dachgauben usw.) automatisch erkannt werden, um herauszufinden, wie viele Sonnenkollektoren darauf passen. Dies beinhaltet die Ableitung von 3D-Informationen aus 2D-Bildern, um die Dachneigung zu ermitteln.
Erkennen, Klassifizieren und Vorschlagen der rechtlichen Wirksamkeit von Textabschnitten (NLP):
Automatisches Durchgehen von Tausenden von Rechtsdokumenten mit dem Ziel, bestimmte Absätze zu klassifizieren und ihre rechtliche Wirksamkeit zu überprüfen. Dies beinhaltet die Konvertierung von Scans in Text, die Entwicklung eines Etikettierungsschemas (Problemmodellierung) und die automatische Erkennung verschiedener Absätze, bevor die Inferenzaufgabe in Angriff genommen wird.
Schätzung der Anzahl von Sonnenkollektoren, die auf ein Dach passen (Computer Vision):
Anhand eines Satellitenbildes und eines Bodenbildes eines Hauses sollen bestimmte Elemente eines Daches (einschließlich Hindernisse, Dachgauben usw.) automatisch erkannt werden, um herauszufinden, wie viele Sonnenkollektoren darauf passen. Dies beinhaltet die Ableitung von 3D-Informationen aus 2D-Bildern, um die Dachneigung zu ermitteln.
Erkennen, Klassifizieren und Vorschlagen der rechtlichen Wirksamkeit von Textabschnitten (NLP):
Automatisches Durchgehen von Tausenden von Rechtsdokumenten mit dem Ziel, bestimmte Absätze zu klassifizieren und ihre rechtliche Wirksamkeit zu überprüfen. Dies beinhaltet die Konvertierung von Scans in Text, die Entwicklung eines Etikettierungsschemas (Problemmodellierung) und die automatische Erkennung verschiedener Absätze, bevor die Inferenzaufgabe in Angriff genommen wird.