Übersicht
Worum es bei diesem Projekt geht.
Baue drei ML-Stacks für ein Fintech, miss Latenz unter Last und erstelle eine Empfehlung. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Welcher moderne Inference-Serving-Stack erfüllt das p99-Latenz-SLO der Fintech-Plattform bei realem Lastprofil am sichersten?
Earning criteria — what you'll demonstrate
- Ein produktionsnahes ML-Modell unter drei Serving-Stacks vergleichbar deployen
- Realistische Lasttests mit p99-Fokus statt Mittelwerten konzipieren
- Inference-Engpässe (CPU-Bound, GPU-Bound, Memory-Pressure) identifizieren
- Eine Plattform-Migrationsempfehlung quantitativ begründen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning Systems
Master · Ai Ml
Fit score: 1
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
Inference-Serving-Vergleiche mit p99-Fokus sind das tägliche Brot eines MLOps-Engineers in jedem Fintech mit Real-Time-Scoring — diese Challenge ist ein Portfolio-Beweisstück.
Dieses Projekt schärft
- model-serving
- latency-optimization
- load-testing
Machine-Learning-Ingenieur:in
Wer ein Modell durch drei Stacks treibt und Performance-Trade-offs benennen kann, ist genau die Junior-MLE-Besetzung, die Plattform-Teams 2026 einstellen wollen.
Dieses Projekt schärft
- onnx
- benchmarking
- model-serving
KI-Lösungsarchitekt:in
Die Migrationsempfehlung mit Personentage-Schätzung ist das exakte Artefakt, das Solutions Architects an die Plattform-Leitung liefern, um Architekturentscheidungen zu rechtfertigen.
Dieses Projekt schärft
- kubernetes
- benchmarking
- latency-optimization
Noch eine Sache