Übersicht
Worum es bei diesem Projekt geht.
Implementiere cross-modal Retrieval für einen Tourismus-Concierge und bewerte die Antwortqualität. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Baue ein Multi-Modal-RAG, das Text und Bilder kombiniert und Gaestefragen mit zeitlicher Kontextierung beantwortet.
Earning criteria — what you'll demonstrate
- Multi-Modal-Retrieval mit CLIP-aehnlichen Embeddings entwerfen
- Metadaten-basierte Filterung (Zeit, Geo, Kategorie) als Pflicht-Schicht im Retrieval einbauen
- RAG-Generation mit gemischten Quellen (Text + Bild) zitieren
- Tourismus-spezifische Eval-Faelle ehrlich abdecken
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Retrieval-Augmented Generation
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 RollenAI Engineer
Multimodale RAG-Systeme zu liefern ist eines der schnellst-wachsenden AI-Engineer-Felder 2024-25 — von Tourismus ueber Retail bis Industrie.
Dieses Projekt schärft
- multimodal-rag
- cross-modal-retrieval
- rag-evaluation
NLP Engineer
Cross-Modal-Embeddings mit CLIP-aehnlichen Modellen einzusetzen ist eine Bruecke zwischen klassischer NLP und Computer Vision, die NLP Engineers zunehmend brauchen.
Dieses Projekt schärft
- clip-embeddings
- vector-search
- metadata-filtering
Applied AI Scientist
Multimodale RAG-Pipelines empirisch zu validieren und Limitationen ehrlich zu beschreiben ist Kerngebiet von Applied AI Scientists in Consumer-AI-Teams.
Dieses Projekt schärft
- multimodal-rag
- rag-evaluation
- cross-modal-retrieval
Noch eine Sache