Research Data Scientist – Knowledge Graphs & AI Reasoning (m/w/d)

Project overview

Für unseren Kunden suchen wir einen erfahrenen Research Data Scientist (m/w/d) für Knowledge Graphs und KI-gestütztes Reasoning. Du entwickelst und evaluierst Methoden, um aus unstrukturierten Daten verlässliche Wissensgraphen aufzubauen und KI-Anwendungen überprüfbare Schlüsse aus diesen Graphen ziehen zu lassen.

Rahmenbedingungen

Deine Aufgaben

Dein Profil

Interesse?

Schick uns über Freelancermap dein aktuelles Profil, deinen frühestmöglichen Starttermin und deinen Netto-Stundensatz. Beschreibe kurz ein Projekt, in dem du Knowledge Graphs aufgebaut, evaluiert oder für KI-gestütztes Reasoning eingesetzt hast.

• Geplanter Zeitraum: 13.11.2026 bis 30.06.2027
• Einsatzort: 100 % remote
• Projektumfang: 1.300 Stunden
• Einsatzart: Freelance-Projekt
• Entwickle Metriken für die Qualität und Vollständigkeit von Knowledge Graphs. Berücksichtige dabei Abdeckung, Konsistenz, Korrektheit, Herkunft der Daten und Unsicherheit.
• Vergleiche Named Entity Recognition (NER), Entity Resolution, Relation Extraction und LLM-basierte Ansätze zur Extraktion von Wissen aus unstrukturierten Daten. Evaluiere Methoden für Ontologien, Domänenmodelle und Begriffshierarchien.
• Analysiere Graphstruktur, Konnektivität, Communities und Wissenslücken mit graphentheoretischen, statistischen und probabilistischen Methoden.
• Untersuche Traversierungs- und Retrieval-Strategien, etwa Hop-Limits, Kantenrichtung, Gewichtung, Relevanzbewertung und Pruning. Entwirf Workflows für mehrstufiges Reasoning, die Zwischenschritte kritisch prüfen und Ergebnisse anhand von Belegen im Graphen verifizieren.
• Erforsche Link Prediction und Graph Embeddings. Halte dabei abgeleitete Aussagen und verifizierte Fakten im Graphen getrennt.
• Erstelle Benchmarks, Baselines und Ablationsstudien. Überführe die Ergebnisse in reproduzierbare Experimente, Evaluationsframeworks und konkrete Empfehlungen.
• Fundierte Kenntnisse in Graphentheorie, linearer Algebra, Wahrscheinlichkeitsrechnung, Statistik und Optimierung
• Vertiefte Forschungserfahrung mit Knowledge Graphs, Informationsextraktion, Ontology Learning, semantischer Modellierung und graphbasiertem Machine Learning
• Erfahrung mit LLMs und agentenbasierten Workflows für Forschungsexperimente sowie mit der Validierung von Ergebnissen anhand von Messungen und Belegen
• Sehr gute Kenntnisse in Datenanalyse und Programmierung mit Python, SQL und Graphabfragesprachen sowie Erfahrung mit Werkzeugen für reproduzierbare Forschung
• Erfahrung mit Versuchsplanung, Fehleranalyse, Unsicherheitsschätzung und Sensitivitätsanalysen