Bedingungen für die Teilnahme (technische und berufliche Fähigkeiten)
Zu 1.) Die Anzahl der Beschäftigten im Tätigkeitsbereich des Auftrages muss in den letzten 3 abgeschlossenen Geschäftsjahre mindestens 10 Beschäftigte betragen haben.
Zu 2.) Der Bieter / die Bietergemeinschaft muss über mit den ausgeschriebenen Leistungen nach Art, Umfang und Schwierigkeit vergleichbaren Referenzen verfügen.
„Die Nachfolgende Anforderung an die Vergleichbarkeit von Referenzen muss zwingend von jeder Angegebenen Referenz erfüllt werden. Andernfalls bleibt die Referenz Mangels Vergleichbarkeit unberücksichtigt“.
a) Die Referenzleistung wurde nicht vor dem Kalenderjahr 2018 erbracht.
b) Die Erbringung der Referenzleistung erfolgte in deutscher Sprache.
„Die nachfolgenden Mindestanforderungen müssen Kumulativ D.H. in gänze erfüllt sein. D.H. es reicht nicht aus, wenn nur eine der Mindestanforderungen erfüllt wird. eine einzelne Referenz kann zur Erfüllung mehrerer Mindestanforderungen herangezogen werden. Es ist lediglich darauf zu achten, dass im Ergebnis sämtliche Mindestanforderungen erfüllt werden“.
I) Mindestens eine der Referenzen muss aus der Finanzdienstleistungsbranche kommen.
II) Referenzen Machine Learning: Mindestens 3 Referenzen über Projekte mit Entwicklung von Machine Learning Modellen. Die Referenzen müssen mindestens 2 der nachfolgenden Aufgabengebiete von Machine Learning umfassen:
— Machine Learning Modelle für Zeitreihen, z. B. mit Prophet,
— Klassifikationsmodelle, z. B. mit Support Vector Classifier, Random Forrest,
— Unsupervised Machine Learning Modelle, z. B. für Ausreißeranalyse, Clustering.
III) Referenzen Text Mining / NLP: Mindestens 3 Referenzen über Projekte mit Text Mining und Natural Language Processing. Die Referenzen müssen mindestens 2 der nachfolgenden Aufgabengebiete umfassen:
— Regelbasierte / Regex-basierte Abfragen aus Text,
— Extraktion strukturierter Daten aus un- /teilstrukturiertem Text, z. B. Auslesen von Inhalten aus PDF-Dateien, u.a. mittels OCR,
— Machine Learning / Deep Learning Modelle zur Textklassifikation.
Zu 3.) Für jedes Anforderungsprofil (Senior Data Science Consultant und Data Science Consultant) sind mindestens 2 Kurzlebensläufe einzureichen. Die angebotenen Personen müssen die nachfolgenden Mindestanforderungen an die Qualifikation, die für jedes Anforderungsprofil gefordert sind, erfüllen.
I. Qualifikationsanforderung für Anforderungsprofil Senior Data Science Consultant:
a) Abgeschlossenes Hochschulstudium (Master oder Diplom) der Mathematik, Informatik, Physik, VWL oder ähnlicher Studiengang mit Schwerpunkt Data Science und 3 Jahre relevante Berufserfahrung – wie nachfolgend in Buchstabe b) beschrieben -, oder ein abgeschlossenes Hochschulstudium (Promotion) der Mathematik, Informatik, Physik, VWL oder ähnlicher Studiengang mit Schwerpunkt Data Science und 2 Jahre relevante Berufserfahrung – wie nachfolgend in Buchstabe b) beschrieben -
b) Relevante Berufserfahrung im Tätigkeitsfeld Data Science, insbesondere in der prozessualen Umsetzung und Anwendung von Methoden und Technologien in folgenden Tätigkeitsschwerpunkten:
Inhaltlich-fachliche Konzeption und Projektleitung:
— Erfahrung in der Konzeption und Organisation von BDAI Projekten End-to-End, d.h. von der Planung über Data Engineering, Machine Learning Modell Entwicklung, Operativsetzung und Integration in vorhandene IT-Systeme,
— Erfahrungen in der Umsetzung empfängerorientierter Visualisierungen von Konzepten und Ergebnissen,
— Erfahrungen in der Aufwands-/ Machbarkeitsuntersuchung und der Bewertung des Nutzens einer technischen Lösung, inklusive in der Auswahl passender Machine Learning Modelle für einen bestimmten Use Case,
— Erfahrung in der fachlichen Führung von Projektteams inkl. agiles Projektmanagement (Scrum).
Data Engineering:
— Fundierte theoretische und praktische Kenntnisse in statistischen Grundlagen, Machine Learning / Deep Learning Modellen, und Anforderung an die Daten für die Durchführung der Modelle, z. B. Anforderungen an Variablencodierung,
— Erfahrung mit der Ziehung und Zusammenführung verschiedener Dateien mit großen Datenmengen,
— Erfahrung mit der Vorbereitung der Datensätze für ML Modelle, z. B. Entwicklung von Variablen / Features, Normalisierung / Standardisierung, Faktorenanalysen,
— Bei unstrukturierten Daten: Erfahrung mit der Auslesung und Strukturierung von Textdaten aus unterschiedlichen Quellen (PDF-Dateien, Word-Dateien, E-Mails), Entwicklung von regelbasierten Abfragen, auch mit Nutzung von Regex-Logiken,
Datenanalyse, Machine Learning und Deep Learning Entwicklung, Ergebnisaufbereitung, Handlungsempfehlungen:
— Fundiertes Methodenwissen zu statistischen Grundlagen, Machine Learning / Deep Learning Modellen,
— Praktische Erfahrung in der Durchführung und Optimierung von ML / DL Modellen,
— Umfangreiches Wissen über am Markt verwendete state-of-the-art Verfahren,
Implementierungsberatung, MLOps, Skalierung:
— Erfahrung in der Implementierung von ML / BDAI Modellen in IT-Systeme,
— Wissen über am Markt verwendete state-of-the-art Verfahren und Implementierungsmuster,
Sonstige:
— Sehr gute Deutschkenntnisse in Wort und Schrift und gute Englischkenntnisse in Wort und Schrift.
II. Qualifikationsanforderung – Data Science Consultant:
a) Abgeschlossenes Hochschulstudium (Master oder Diplom) Mathematik, Informatik, Physik, VWL oder ähnlicher Studiengang mit Schwerpunkt Data Science und ein Jahr relevante Berufserfahrung – wie nachfolgend in Buchstabe b) beschrieben -, oder abgeschlossenes Hochschulstudium (Promotion) Mathematik, Informatik, Physik, VWL oder ähnlicher Studiengang mit Schwerpunkt Data Science und erste relevante Berufserfahrung (dürfen auch Berufserfahrungen im akademischen Bereich einschließen) – wie nachfolgend in Buchstabe b) beschrieben.
b) Relevante Berufserfahrung im Tätigkeitsfeld Data Science, insbesondere in der prozessualen Umsetzung und Anwendung von Methoden und Technologien in folgenden Tätigkeitsschwerpunkten:
Inhaltlich-fachliche Konzeption und Projektleitung:
— Erfahrungen mit Vorarbeiten für inhaltlich-fachliche Konzeption wie Recherche, Folienerstellung usw.
Data Engineering:
— Fundierte theoretische und praktische Kenntnisse in statistischen Grundlagen, Machine Learning / Deep Learning Modellen, und Anforderung an die Daten für die Durchführung der Modelle, z. B. Anforderungen an Variablencodierung,
— Erfahrung mit der Ziehung und Zusammenführung verschiedener Dateien mit großen Datenmengen,
— Erfahrung mit der Vorbereitung der Datensätze für ML Modelle, z. B. Entwicklung von Variablen / Features, Normalisierung / Standardisierung, Faktorenanalysen,
— Bei unstrukturierten Daten: Erste Erfahrung mit der Strukturierung von Textdaten.
Datenanalyse, Machine Learning und Deep Learning Entwicklung, Ergebnisaufbereitung, Handlungsempfehlungen:
— Erfahrungen mit Machine Learning Modellen und Vorarbeiten für Datenanalyse, Ergebnisaufbereitung.
Implementierungsberatung, MLOps, Skalierung:
— Erfahrungen mit Vorarbeiten für Implementierungsberatung wie Recherche, Folienerstellung usw.
Sonstige:
— Sehr gute Deutschkenntnisse in Wort und Schrift und gute Englischkenntnisse in Wort und Schrift.