Feature-Store-Migration für Münchner Versicherungs-Tochter
Übersicht
Worum es bei diesem Projekt geht.
Sie portieren die Schadenrisiko-Feature-Pipeline (rund 35 Features, davon 8 mit Online-Latenz-Anforderung unter 50 ms) auf Feast. Setzen Sie offline Store (S3 + Parquet) und Online Store (Redis) auf. Implementieren Sie Point-in-Time-Korrektheit, Feature-Freshness-Monitoring und ein klares Promotion-Workflow von Dev zu Prod. Vergleichen Sie End-to-End-Latenz, Entwicklungszeit für ein neues Feature und Bug-Anfälligkeit gegen die Bestandspipeline. Erfolg: ein lauffähiger Feast-Service plus ein Roll-out-Plan, der Aufwand für die 13 anderen Pipelines in Personenwochen schätzt.
Das Briefing
Was Du tust und was Du zeigst.
Welchen messbaren Mehrwert bringt eine Feature-Store-Konsolidierung mit Feast gegenüber den bestehenden 14 verstreuten Pipelines?
Earning criteria — what you'll demonstrate
- Einen produktionsfähigen Feature-Store mit Online- und Offline-Komponente aufsetzen
- Point-in-Time-Korrektheit als Konzept implementieren und testen
- Migrationsaufwand für eine größere Pipeline-Landschaft realistisch schätzen
- Engineering-Wertbeitrag (Dev-Zeit, Bug-Rate) jenseits von Modellmetriken messen
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
Feature-Store-Erfahrung ist 2026 in jeder Senior-MLOps-Stellenausschreibung gefragt; eine echte Migrations-Studie schlägt jeden Tutorial-Eintrag im Lebenslauf.
Dieses Projekt schärft
- feature-store
- feast
- online-serving
Data Engineer:in
Point-in-Time-Korrektheit, Offline/Online-Trennung und Migrationsplanung sind klassische Data-Engineering-Disziplinen, in die diese Challenge direkt einübt.
Dieses Projekt schärft
- data-engineering
- point-in-time-correctness
- feature-store
Machine-Learning-Ingenieur:in
Wer Feature-Pipelines konsolidiert, schult genau die Plattform-Sicht, die MLEs von reinen Modellierer:innen unterscheidet und für Senior-Pfade qualifiziert.
Dieses Projekt schärft
- platform-engineering
- feast
- data-engineering
Noch eine Sache