Modell-Monitoring und Drift-Erkennung für Berliner Lieferdienst
Übersicht
Worum es bei diesem Projekt geht.
Baue einen Monitoring-Stack mit Evidently AI und Grafana zur Drift-Erkennung auf drei Ebenen. Du erhältst ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man einen Monitoring-Stack, der die drei Drift-Arten (Feature, Prediction, Performance) zuverlässig fängt, ohne das Operations-Team mit Fehlalarmen zu überfluten?
Earning criteria — what you'll demonstrate
- Drei Arten von Drift theoretisch und praktisch unterscheiden
- Alert-Schwellen empirisch statt nach Bauchgefühl setzen
- Ein Runbook so schreiben, dass eine Person um 03:00 Uhr es nutzen kann
- Monitoring rückwirkend gegen reale Inzidenz-Historie validieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
ML Engineering and Production ML
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
Drei-Ebenen-Drift-Monitoring mit Backtest-Validierung ist genau das Profil, das MLOps-Teams in Scale-ups suchen, sobald das erste Modell-Inzidenz schmerzte.
Dieses Projekt schärft
- model-monitoring
- drift-detection
- evidently-ai
Machine-Learning-Ingenieur:in
Wer Drift empirisch versteht und Runbooks schreibt, gewinnt die Plattform-Sichtweise, die Junior-MLEs für Senior-Schritte brauchen.
Dieses Projekt schärft
- drift-detection
- alerting
- runbook-design
Data Engineer:in
Monitoring-Pipelines für Feature-Drift sind eng verwandt mit Data-Quality-Pipelines; die Skills übertragen sich direkt auf moderne Data-Engineering-Stacks.
Dieses Projekt schärft
- model-monitoring
- grafana
- alerting
Noch eine Sache