End-to-End Defekterkennung für Schwäbischen Maschinenbauer
Übersicht
Worum es bei diesem Projekt geht.
Sie bekommen einen Bildordner mit Klassen-Subdirectories und eine CSV mit Aufnahmemetadaten. Erstellen Sie eine reproduzierbare Pipeline: Datensplit (Train/Val/Test) ohne Leakage über Bauteilnummer, Baseline-Modell (ResNet-50 fein-getuned), saubere Augmentations (Random Crop, Color Jitter), Tracking aller Experimente, Fehleranalyse mit Confusion-Matrix und mindestens 10 visualisierten Fehlklassifikationen. Erfolgskriterium: Macro-F1 von mindestens 0,85 auf dem Hold-out-Set und ein Inferenz-Skript, das ein einzelnes JPEG in unter 200 ms auf einer CPU klassifiziert. Liefern Sie ein Lab-Logbuch (Markdown), das jede Designentscheidung begründet — der Wert des Praktikums liegt in der Nachvollziehbarkeit, nicht nur in der Endmetrik.
Das Briefing
Was Du tust und was Du zeigst.
Wie weit kommt ein gut dokumentiertes Standard-Vision-Modell auf einem 4k-Bild-Datensatz für die Defekterkennung gefräster Aluminium-Bauteile?
Earning criteria — what you'll demonstrate
- Ein ML-Projekt eigenständig von Rohdaten bis lauffähiges Modell durchziehen
- Sauberen Datensplit ohne Leakage entwerfen, der die Produktionsrealität widerspiegelt
- Modellqualität jenseits einer Einzelmetrik bewerten (Fehlerklassen, Slice-Analyse)
- Eigene Designentscheidungen in einem Lab-Logbuch wissenschaftlich begründen
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 RollenMachine-Learning-Ingenieur:in
Ein dokumentiertes End-to-End-Vision-Projekt mit sauberem Split, Tracking und Fehleranalyse ist exakt der Erfahrungsschatz, den Junior-ML-Engineers im ersten halben Jahr im Industrieumfeld aufbauen müssen.
Dieses Projekt schärft
- pytorch
- transfer-learning
- reproducibility
Angewandte:r KI-Wissenschaftler:in
Wer Designentscheidungen wissenschaftlich begründet und Hold-out-Performance mit Fehleranalyse koppelt, übt genau die Kompetenz, die Applied AI Scientists in Industrieprojekten täglich brauchen.
Dieses Projekt schärft
- experiment-tracking
- error-analysis
- computer-vision
MLOps-Ingenieur:in
Reproduzierbarkeit, Tracking und ein lauffähiges Inferenz-Skript sind die Bausteine, auf denen MLOps-Pipelines später aufsetzen — diese Challenge legt das Fundament dafür.
Dieses Projekt schärft
- reproducibility
- experiment-tracking
- pytorch
Noch eine Sache