Fine-Tuning eines Open-Weight-LLM für ein Münchner Versicherungs-Startup
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 12.000 anonymisierte Schadenmeldungen mit fünf Klassen (Sturm, Wasser, Feuer, Einbruch, Sonstiges) plus 1.500 Hold-out-Beispiele. Tune ein 7B/8B-Modell mit LoRA auf einer A10/L4-GPU, vergleiche gegen das proprietäre Modell auf F1 pro Klasse, Latenz und Kosten pro Anfrage. Erstelle einen Migrations-Plan mit klaren Roll-out-Tor-Bedingungen. Liefere Trainingscode, Modell-Checkpoint, Vergleichstabelle und ein 5-seitiges Memo. Halte Daten- und Modellkarten nach Hugging-Face-Standard.
Das Briefing
Was Du tust und was Du zeigst.
Kann ein LoRA-getuntes Open-Weight-Modell die Klassifikationsqualität des proprietären LLMs auf Schadenmeldungen erreichen, bei halbierten Kosten und Latenz?
Earning criteria — what you'll demonstrate
- LoRA und Parameter-effiziente Feinjustierung praktisch einsetzen
- Open-Weight-Modelle gegen proprietäre Anbieter fair vergleichen
- Kosten- und Latenz-Argumentation als zentrales LLM-Engineering verankern
- Modell- und Datenkarten verantwortungsvoll dokumentieren
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
LoRA-Tuning auf einem Domänen-Datensatz mit Kosten-/Latenz-Vergleich ist die typische Senior-Aufgabe von ML-Ingenieur:innen in produktnahen LLM-Teams.
Dieses Projekt schärft
- llm-fine-tuning
- lora
- transformers
ML-Forscher:in
Saubere Trainingskonfiguration, kontrollierte Experimente und ehrliche Modellkarten entsprechen direkt der Arbeit von ML-Forscher:innen in industriellen Forschungsteams.
Dieses Projekt schärft
- llm-fine-tuning
- evaluation
- hugging-face
MLOps-Ingenieur:in
Migration zwischen Modellanbietern und Roll-out-Tor-Definitionen sind Tagesarbeit von MLOps-Ingenieur:innen in LLM-betreibenden Teams.
Dieses Projekt schärft
- cost-optimization
- evaluation
- hugging-face
Noch eine Sache