Materialwissenschaftler

In dieser auf Stundenbasis vergüteten, Remote-Vertragsposition arbeiten Sie als Materials Science Expert (SME), um KI-generierte Inhalte aus der Materialwissenschaft zu überprüfen und/oder hochwertige Referenzinhalte für die Materialwissenschaft zu erstellen. Dabei bewerten Sie wissenschaftliche Genauigkeit, ingenieurwissenschaftliche Argumentation, Terminologie und schrittweise Erklärungen und geben präzises schriftliches Feedback. Sie beurteilen Ergebnisse hinsichtlich Korrektheit, Klarheit, physikalischer Plausibilität, Einheitenkonsistenz, Struktur-Eigenschafts-Beziehungen, experimentellem Kontext und Prompt-Einhaltung; identifizieren Fehler in Kristallstrukturen, Phasendiagrammen, mechanischen Eigenschaften, Polymeren, Keramiken, Metallen, Verbundwerkstoffen, Nanomaterialien, Verarbeitungsmethoden und Charakterisierungsmethoden; überprüfen bei Bedarf Fakten; verfassen hochwertige Neufassungen und Musterantworten, die Best Practices bei der Erklärung von Materialwissenschaften demonstrieren; und bewerten sowie vergleichen mehrere KI-Antworten basierend auf Korrektheit und Gesamtqualität.

Diese Position besteht bei SME Careers, einem schnell wachsenden Unternehmen für KI-Datendienste und einer Tochtergesellschaft von SuperAnnotate, das Trainingsdaten für viele der weltweit größten KI-Unternehmen und Foundation-Model-Labors bereitstellt. Ihre materialwissenschaftliche Expertise trägt direkt dazu bei, die weltweit führenden KI-Modelle zu verbessern, indem sie deren Ergebnisse in den Bereichen Materialien, Ingenieurwesen und angewandte Wissenschaften genauer, praxisnaher und verständlicher macht.

Aufgaben

• Entwicklung von KI-Trainingsinhalten: Erstellung von Prompts und Gold-Standard-Antworten zur Materialwissenschaft zu Themen wie Metalle, Keramiken, Polymere, Verbundwerkstoffe, Phasendiagramme, Wärmebehandlung, mechanische Prüfungen, Korrosion, Nanomaterialien und Charakterisierung.
• Optimierung der KI-Leistung: Bewertung und Einstufung von KI-Ergebnissen zur Verbesserung der wissenschaftlichen Genauigkeit, der ingenieurwissenschaftlichen Logik, der Terminologie, der Struktur-Eigenschafts-Argumentation, der Klarheit und der Relevanz für den Prompt des Nutzers.
• Sicherstellung der Modellintegrität: Erkennung irreführender Materialbehauptungen, halluzinierter Eigenschaften, fehlerhafter Verarbeitungsempfehlungen, inkorrekter Diagramme, unsicherer Designannahmen und überversteuert interpretierten Aussagen; Validierung der Zuverlässigkeit über verschiedene materialwissenschaftliche Anwendungsfälle hinweg.

Anforderungen

• Bachelor-Abschluss oder höher in Materialwissenschaft, Werkstofftechnik, Maschinenbau, Chemieingenieurwesen, Metallurgie, Polymerwissenschaft, Nanotechnologie oder einem verwandten Fachgebiet oder gleichwertige Berufserfahrung.
• Starke berufliche Englischkenntnisse, mindestens C1, um Richtlinien zu befolgen und detailliertes Feedback auf Englisch zu geben.
• Mindestens 3 Jahre Erfahrung in der materialwissenschaftlichen Forschung, Werkstofftechnik, Laborarbeit, Fertigung, Lehre, im technischen Schreiben, in der akademischen Begutachtung oder in einer verwandten wissenschaftlich-technischen Tätigkeit.
• Tiefes Verständnis von Struktur-Eigenschafts-Beziehungen, Kristallstrukturen, Phasendiagrammen, mechanischem Verhalten, Wärmebehandlung, Polymeren, Keramiken, Metallen, Verbundwerkstoffen, Korrosion und Charakterisierungstechniken.
• Fähigkeit zur Bewertung von materialwissenschaftlichen Erklärungen, Berechnungen, Diagrammen, experimentellen Interpretationen und ingenieurwissenschaftlichen Empfehlungen hinsichtlich Genauigkeit und Klarheit.
• Sicherheit im Erkennen von halluzinierten Materialeigenschaften, falschen Verarbeitungsbehauptungen, fehlerhaften Mikrostrukturargumenten, unsicheren Ingenieurvorschlägen oder nicht unterstützten Leistungsbehauptungen.
• Hohe Detailgenauigkeit bei der Überprüfung von Einheiten, Materialterminologie, Prüfmethoden, Prozessbedingungen, Annahmen und Design-Kompromissen.
• Zuverlässig, zielstrebig und in der Lage, konsistente Qualität in einem stundenbasierten Remote-Auftragnehmer-Workflow über Zeitzonen hinweg zu liefern.
• Vorangegangene Erfahrung mit KI-Datentraining/-Annotation, wissenschaftlicher QA, Engineering-QA, akademischer QA, technischer Inhaltsprüfung oder rubrikbasierter Evaluierung wird dringend bevorzugt.