Was wir bei Qodia bauen, gibt es so nicht am Markt. Kein Open-Source-Projekt, das man forken könnte, keine Uni-Vorlesung, die das abdeckt. Wir haben ein eigenes Framework entwickelt, mit dem KI-Agenten juristische und medizinische Texte auswerten — mit einer Präzision, bei der „meistens richtig" nicht reicht. Wenn unsere Modelle einen Fehler machen, rechnet jemand falsch ab. Das kostet echtes Geld.

Wir sind kein AI-Lab, das Paper veröffentlicht. Wir bauen Produkte, die jeden Tag von echten Kunden genutzt werden. Unser Stack ist state-of-the-art, unser Team ist klein, und jede:r hier hat direkten Einfluss auf das, was am Ende beim Kunden ankommt.

Wen wir suchen

Du bist erfahren mit Python und hast schon richtig mit LLMs und Transformer-Architekturen gearbeitet — nicht nur API-Calls, sondern Fine-Tuning, RAG-Systeme, domänenspezifische Optimierung. Du weißt, wie man Modelle nicht nur zum Laufen bringt, sondern zuverlässig in Produktion betreibt.

Aber Technik allein reicht nicht. Du musst die Person sein, die kreativ denkt und Lösungen für Probleme entwickelt, die noch niemand gelöst hat. Was wir bauen, steht in keinem Lehrbuch. Du musst bereit sein, Dinge von Grund auf neu zu denken und eigene Wege zu finden.

Du hast eine Idee, wie etwas besser geht? Dann probier es aus. Wir geben dir Budget, Zugang zu den besten Modellen und Tools, und die Freiheit, es umzusetzen.

Deine Aufgaben

• Du entwickelst und optimierst unsere KI-Pipeline. Dokumentenextraktion, Strukturierung, Validierung von Abrechnungsergebnissen.
• Du trainierst und evaluierst Modelle für domänenspezifische Aufgaben. Medizinische Texte, Regelwerke, Analogbewertungen.
• Du baust Evaluations-Pipelines, die Halluzinationen aufdecken und Qualität messbar machen.
• Du gestaltest die KI-Architektur mit. Von Datenaufbereitung über RAG bis Deployment.
• Du denkst dir neue Ansätze aus, wenn die bekannten nicht reichen. Und das passiert hier oft.

Was du mitbringst

• Fundierte Python-Kenntnisse und echte Erfahrung mit LLMs. Fine-Tuning, RAG, Prompt Engineering oder Custom Training.
• Du verstehst Deep-Learning-Grundlagen und weißt, wie man Modelle in Produktion betreibt.
• Du denkst kreativ und findest Lösungen für Probleme, die es vorher nicht gab.
• Hoher Anspruch an Korrektheit. Du gibst dich nicht mit „funktioniert meistens" zufrieden.
• Bonuspunkte für Erfahrung mit medizinischen Daten oder regulierten Umgebungen.