Distribution-Shift-Monitoring für ein Versicherungs-Tarif-Modell
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst eine 24-Monate-Historie täglicher Eingabe-Features (40 Tarif-Variablen) und Vorhersagen sowie 6 vom Aktuariat markierte Drift-Ereignisse (z. B. neue Tarif-Welle, gesetzlicher Stichtag, Markt-Schock). Implementiere Drift-Detektion mit (1) Population Stability Index pro Feature, (2) Kolmogorov-Smirnov-Tests für kontinuierliche Variablen, (3) einem Vorhersage-Verteilungs-Tracker. Reportiere Detektions-Latenz pro Ereignis und tägliche Fehl-Alarm-Rate. Liefere die Pipeline, einen wöchentlichen Alert-Report-Prototyp und ein 3-seitiges Memo für das Aktuariat.
Das Briefing
Was Du tust und was Du zeigst.
Baue ein Distribution-Shift-Monitoring für ein Tarif-Modell und validiere die Alarm-Logik gegen historische Drift-Ereignisse.
Earning criteria — what you'll demonstrate
- Statistische Drift-Tests methodisch korrekt anwenden
- Alarm-Logik kalibrieren, um Fehl-Alarme zu minimieren
- Monitoring-Reports für Fach-Abteilungen aufbereiten
- Operative Anforderungen an ein ML-Monitoring-System verstehen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMLOps-Ingenieur:in
Distribution-Shift-Monitoring mit Alarm-Logik und Wochen-Report-Übergabe ist Kerntagesarbeit für MLOps-Ingenieur:innen in regulierten Branchen.
Dieses Projekt schärft
- distribution-shift
- monitoring
- alerting
Maschinelles-Lernen-Ingenieur:in
Statistische Tests in eine reproduzierbare Pipeline zu gießen und gegen Ground Truth zu validieren, ist MLE-Tagesarbeit in produktiven ML-Stacks.
Dieses Projekt schärft
- statistical-tests
- python
- evaluation
KI-Sicherheits-Forscher:in
Drift-Monitoring als Grundlage für vertrauenswürdige KI-Systeme ist die Brücke zwischen MLOps und AI-Safety-Forschung in regulierten Settings.
Dieses Projekt schärft
- distribution-shift
- monitoring
- evaluation
Noch eine Sache