Übersicht
Worum es bei diesem Projekt geht.
Implementiere cross-modal Retrieval für einen Tourismus-Concierge und bewerte die Antwortqualität. Erhalte ein verifizierbares Zertifikat.
Das Szenario
Die Organisation will mit einem differenzierten Concierge-Erlebnis das Premium-Segment ansprechen; eine zuverlaessige Antwort auf 'jetzt + hier'-Fragen ist die Kern-Hypothese fuer die App.
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.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Multimodal Rag
Apply multimodal rag to solve real industry problems and demonstrate production-level capability.
- Clip Embeddings
Apply clip embeddings to solve real industry problems and demonstrate production-level capability.
- Cross Modal Retrieval
Apply cross modal retrieval to solve real industry problems and demonstrate production-level capability.
- Vector Search
Apply vector search to solve real industry problems and demonstrate production-level capability.
- Rag Evaluation
Apply rag evaluation to solve real industry problems and demonstrate production-level capability.
- Metadata Filtering
Apply metadata filtering to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
AI 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