"Praktikum Machine Learning" steht über sehr unterschiedlichen Stellen. Hinter dem Titel kann ein Forschungsteam stecken, das an einem Modellarchitektur-Detail arbeitet, oder ein Produktteam, das eine Empfehlungsfunktion ausliefert, oder eine Abteilung, die eigentlich Berichte braucht und den Titel gewählt hat, weil sich darauf mehr Leute bewerben. Der Unterschied entscheidet über drei bis sechs Monate deines Studiums.
Der Unterschied zum allgemeinen Daten-Praktikum
In einem Daten-Praktikum ist das Ergebnis meist eine Aussage: eine Auswertung, ein Bericht, ein Dashboard. Der Weg dorthin führt über SQL, Aufbereitung und Abstimmung mit Fachbereichen. Wie dieser Alltag aussieht, ist im Beitrag zu den Aufgaben eines Data Analyst im Detail beschrieben.
In einem ML-Praktikum ist das Ergebnis ein System, das eine Vorhersage trifft - und die Arbeit besteht zu großen Teilen daraus, zu prüfen, ob diese Vorhersage etwas taugt. Damit kommen Fragen dazu, die es im Analysten-Alltag nicht gibt: Wie sieht eine faire Aufteilung in Trainings- und Testdaten aus? Was ist die Baseline, gegen die gemessen wird? Wie verhält sich das Modell bei Daten, die es so noch nicht gesehen hat?
Was gleich bleibt: Die Daten müssen trotzdem aufbereitet werden. Wer glaubt, im ML-Praktikum entfalle dieser Teil, wird enttäuscht. Er verschiebt sich nur - vom Bericht zum Trainingsdatensatz.
Fünf Arten von Teams und was du dort tust
| Umfeld | Was du dort wirklich machst | Wozu es taugt |
|---|---|---|
| Konzern-Forschung | eng umrissene Teilfrage, viel Literatur, saubere Experimente | Tiefe, Publikationen, Promotionsvorbereitung |
| Produktteam | ein Modell, das ausgeliefert wird, plus alles drumherum | breites Bild, gute Übernahmechancen |
| Start-up | von Datenerfassung bis Auslieferung alles, wenig Betreuung | Selbstständigkeit, viele Berührungspunkte |
| Beratung | mehrere Kundenprojekte, oft Machbarkeitsstudien | Tempo, Präsentation, Branchenvielfalt |
| Forschungsinstitut | Projektarbeit an geförderten Vorhaben, Nähe zur Hochschule | Methodik, oft weniger Vergütung |
Konzern-Forschung. Du bekommst eine klar abgegrenzte Frage und Zeit, sie zu bearbeiten. Die Rechenressourcen sind gut, die Betreuung meist ebenfalls. Der Preis: Du siehst selten, ob und wie das Ergebnis je in ein Produkt kommt.
Produktteam. Hier steht ein laufendes System im Mittelpunkt. Dein Beitrag ist ein Baustein darin, und du lernst die Teile kennen, die in Kursen fehlen: Datenversionierung, Auswertung im Betrieb, Umgang mit Modellen, die nach drei Monaten schlechter werden. Wie die Rolle aussieht, die daraus entsteht, beschreibt die Seite zum Machine Learning Engineer; für den Betriebsteil lohnt der Blick auf den MLOps Engineer.
Start-up. Du machst alles, weil es niemanden gibt, der es sonst macht. Das ist lehrreich und anstrengend. Prüfe vorher, ob es überhaupt jemanden gibt, der dich fachlich anleiten kann - in kleinen Teams ohne erfahrene Person im ML-Bereich lernst du vor allem, dich selbst zu behelfen.
Beratung. Kurze Projekte, wechselnde Branchen, viel Kommunikation. Du siehst in sechs Monaten mehr Datenlandschaften als anderswo in zwei Jahren, kommst dafür seltener bis zu einem produktiven System.
Forschungsinstitut. Zwischen Hochschule und Industrie. Methodisch sauber, thematisch oft interessant, bei der Vergütung meist am unteren Ende.
Woran du in der Ausschreibung erkennst, was dahintersteht
Eine Anzeige verrät mehr, als sie vorgibt. Achte auf drei Stellen.
Die Aufgabenliste. Konkrete Verben sind ein gutes Zeichen. "Du evaluierst bestehende Modelle gegen eine Baseline und dokumentierst die Ergebnisse" beschreibt eine Tätigkeit. "Du unterstützt unser Team im Bereich künstliche Intelligenz" beschreibt nichts. Je genauer die Anzeige, desto wahrscheinlicher hat sich jemand Gedanken über deine ersten Wochen gemacht.
Die genannten Werkzeuge. Werden ein Framework, eine Datenplattform und ein Werkzeug zur Experimentverfolgung genannt, existiert vermutlich eine gewachsene Arbeitsweise. Steht dort nur "Python und KI", ist das Thema im Haus wahrscheinlich neu. Das muss kein Ausschlussgrund sein, aber du solltest im Gespräch nachfragen, wer vor dir daran gearbeitet hat.
Die Formulierung zum Datenzugang. Sätze wie "Aufbau eines Datensatzes" oder "Sichtung und Annotation" sind ehrlich und bedeuten: Ein wesentlicher Teil der Zeit geht in die Daten. Das ist legitime Arbeit und in vielen Projekten die eigentliche Wertschöpfung - du solltest es nur wissen, bevor du zusagst.
Die drei Fragen, die den Rest klären
Wenn du diese Fragen im Gespräch stellst, weißt du hinterher, woran du bist.
"An welchem Projekt würde ich in den ersten vier Wochen arbeiten?" Kommt keine konkrete Antwort, ist noch nichts geplant.
"Gibt es das Modell schon, oder wäre ich der Erste, der es baut?" Beides ist in Ordnung. Bestehende Systeme bedeuten Einarbeitung und weniger Freiheit, aber eine funktionierende Umgebung. Ein Neuanfang bedeutet Freiheit und das Risiko, dass drei Monate für Infrastruktur draufgehen.
"Wie wird gemessen, ob das Ergebnis gut ist?" Teams, die darauf präzise antworten, arbeiten methodisch. Teams, die ausweichen, haben oft kein Zielbild - und dann wird dein Praktikum an einem Gefühl bewertet.
Auf ähnliche Fragen musst du im technischen Teil selbst antworten. Was dort gefragt wird, steht im Beitrag zum technischen Gespräch.
Wo diese Stellen überhaupt ausgeschrieben werden
Ein Teil der ML-Praktika taucht nie auf einer großen Jobbörse auf. Es lohnt sich deshalb, an mehreren Stellen zu suchen.
Die Karriereseiten der Unternehmen. Konzerne veröffentlichen dort zuerst und oft ausschließlich. Filter nach "Praktikum" und lies auch Anzeigen mit anderem Titel: Viele ML-Praktika laufen unter "Data Science", "Advanced Analytics" oder schlicht unter dem Namen der Abteilung.
Spezialisierte Portale und Verteiler. Sie führen weniger Stellen, dafür passendere. Der Aufwand pro gefundener Anzeige ist deutlich geringer als bei einer allgemeinen Suchmaschine für Jobs.
Die eigene Hochschule. Lehrstühle bekommen regelmäßig Anfragen aus Unternehmen, die nie ausgeschrieben werden. Eine kurze Mail an den Lehrstuhl, an dem du eine Vorlesung besucht hast, kostet zehn Minuten und ist erstaunlich wirksam. Dasselbe gilt für Betreuer von Übungen und für Mitarbeiter, die an Industrieprojekten arbeiten.
Fachveranstaltungen und Meetups. Regionale Treffen zu Datenthemen sind klein und offen. Wer dort zweimal war, kennt Leute, die in genau den Teams arbeiten, für die er sich interessiert.
Die Initiativbewerbung. Sie funktioniert dort, wo keine formale Ausschreibung läuft: bei Start-ups, mittelständischen Unternehmen und Forschungsgruppen. Der Unterschied zwischen einer erfolgreichen und einer erfolglosen Initiativbewerbung ist fast immer die Konkretheit. Wer schreibt, er interessiere sich für KI, bekommt keine Antwort. Wer schreibt, er habe das offene Projekt der Gruppe gesehen und dazu eine bestimmte Vorarbeit gemacht, bekommt oft eine.
Zeitpunkt und Vorlauf
Große Unternehmen schreiben Praktika typischerweise vier bis sechs Monate vor Beginn aus, teils früher, und besetzen in Wellen. Wer im Sommersemester anfangen will, sucht im Herbst des Vorjahres. Bei Start-ups und kleineren Firmen liegt der Vorlauf eher bei sechs bis acht Wochen, dafür sind Initiativbewerbungen dort deutlich aussichtsreicher.
Rechne zusätzlich mit Zeit für die Unterlagen. Drei Wochen für Lebenslauf, Projektaufräumen und Anschreiben sind realistisch - was hineingehört, steht im Beitrag zu den Bewerbungsunterlagen, weitere Beiträge dazu sammelt die Kategorie Bewerbung. Offene Stellen findest du in der Praktikumsübersicht.
Ein praktischer Hinweis zur Reihenfolge: Bewirb dich zuerst dort, wo der Vorlauf am längsten ist. Die Konzernbewerbung im Oktober schließt die Start-up-Bewerbung im Februar nicht aus, umgekehrt schon.
Was du im Team realistisch bist
Du bist nicht die Person, die entscheidet, welches Verfahren eingesetzt wird. Du bist die Person, die eine abgegrenzte Frage bearbeitet, ihre Ergebnisse nachvollziehbar dokumentiert und sie im wöchentlichen Termin vorstellt.
Das klingt bescheidener, als es ist. Ein sauber durchgeführter Vergleich von drei Ansätzen gegen eine Baseline, mit ehrlicher Aussage darüber, was nicht funktioniert hat, ist in vielen Teams mehr wert als ein halbfertiges neues Modell. Und es ist genau das, was du später in einer Bewerbung zeigen kannst.
Wenn du mehr als drei Monate am Stück in einem Thema bleiben willst, ist ein Praktikum ohnehin nicht immer die beste Form. Der Vergleich von Praktikum, Werkstudium und Abschlussarbeit zeigt, wann welcher Weg passt. Welche Rollen im Umfeld liegen, siehst du im Berufsfeld Machine Learning und auf der Seite zum Data Scientist.
Wenn du dich zwischen zwei Angeboten entscheiden musst
Nimm das Team, das dir auf die Frage nach den ersten vier Wochen die konkretere Antwort gegeben hat. Betreuung schlägt Markenname, und ein gut angeleitetes Praktikum in einem mittelständischen Unternehmen bringt dich weiter als ein unbetreutes in einem bekannten.
Bereit für den nächsten Schritt?
Setz dein Wissen direkt ein und finde einen freien KI-Praktikum in deiner Nähe – kostenlos und ohne Anmeldung.
KI-Praktika finden
