Übersicht
Worum es bei diesem Projekt geht.
Euer Team von drei bis vier Studierenden arbeitet entlang einer fest definierten Architektur: 1) ETL-Pipeline (Extract-Transform-Load — Extraktion, Transformation und Laden) für die drei Datenquellen mit täglichem Lauf, 2) zwei Prognose-Modelle (klassisches SARIMA — Seasonal AutoRegressive Integrated Moving Average und ein LSTM), versioniert und ablösbar, 3) Backend-API für Prognose-Abfragen mit Caching, 4) operatives Dashboard mit Vergleichs-Ansicht beider Modelle und manueller Override-Funktion. Liefert eine Container-basierte Auslieferung plus eine Trainings-Schicht für die IT-Mannschaft.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut ein vierköpfiges Team eine produktionsreife Energie-Verbrauchs-Prognose-Plattform, die zwei Prognose-Modelle parallel betreibt und an eine vierköpfige IT-Mannschaft übergeben werden kann?
Earning criteria — what you'll demonstrate
- Time-Series-Modelle in eine produktive Plattform integrieren
- Mehrere Prognose-Modelle parallel produktiv halten
- ETL-Pipelines mit täglichen Läufen robust gestalten
- Eine Plattform an eine kleine IT-Mannschaft praxistauglich übergeben
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.
Machine Learning Engineer
Machine Learning Engineers in Energie-Versorgern bauen genau diese Art von Prognose-Plattformen. Die Challenge übt die volle Brücke von Zeitreihen-Modellen zur produktiven Plattform.
Dieses Projekt schärft
- time-series-forecasting
- sarima
- lstm
Data Engineer
Die ETL-Pipeline und die täglichen Datenläufe sind das Tagesgeschäft eines Data Engineers in einem Energieversorger. Die Challenge gibt einen realistischen Einstieg in genau diese Tätigkeit.
Dieses Projekt schärft
- etl-pipelines
- python
- team-coordination
MLOps Engineer
MLOps Engineers verantworten die Versionierung und Ablösbarkeit produktiver Modelle. Die Architektur dieser Challenge ist eine kompakte, aber realistische MLOps-Übung.
Dieses Projekt schärft
- docker
- fastapi
- team-coordination
Noch eine Sache