Question-Answering-System für Energieversorger-Wissensbasis
Übersicht
Worum es bei diesem Projekt geht.
Fine-tune ein deutsches MiniLM auf 400 QA-Paaren, baue eine Streamlit-Demo und sichere dir dein verifizierbares Zertifikat.
Das Szenario
Der Energieversorger (rund 2.300 Mitarbeitende) hat in einer internen Umfrage gemessen, dass Mitarbeitende im Schnitt 22 Minuten pro Arbeitstag mit Wissens-Suche verbringen — eine Reduktion um 50 % wäre 200+ FTE-Stunden pro Woche.
Das Briefing
Was Du tust und was Du zeigst.
Wie gut kann ein domänen-adaptiertes deutsches QA-Modell auf 5.000 Wiki-Artikeln einer Netzbetrieb-Wissensbasis Antworten extrahieren?
Earning criteria — what you'll demonstrate
- Extraktive QA als spezielle NLP-Task verstehen und umsetzen
- QA-Eval-Set mit LLM-Assist und menschlicher Validierung erstellen
- Retrieval + Reading kombiniert als Zwei-Stufen-Architektur designen
- Demo-Qualität als Akzeptanztest mit Stakeholder verstehen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Neural Networks for NLP
Master · Nlp
Strong alignment
This challenge maps to Neural Networks for NLP at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Question Answering
Apply question answering to solve real industry problems and demonstrate production-level capability.
- Extractive Qa
Apply extractive qa to solve real industry problems and demonstrate production-level capability.
- German Bert
Apply german bert to solve real industry problems and demonstrate production-level capability.
- Semantic Retrieval
Apply semantic retrieval to solve real industry problems and demonstrate production-level capability.
- Fine Tuning
Apply fine tuning to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation 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.
NLP-Ingenieur:in
Extraktive QA + Retrieval-Architektur ist ein direkt produktrelevantes Profil für Unternehmenswissens-Anwendungen in jeder DACH-Branche.
Dieses Projekt schärft
- question-answering
- extractive-qa
- german-bert
KI-Ingenieur:in
Retrieve-and-Read-Architekturen sind die Brücke zwischen klassischem NLP und modernen RAG-Systemen; diese Erfahrung qualifiziert für GenAI-AI-Engineer-Rollen.
Dieses Projekt schärft
- semantic-retrieval
- extractive-qa
- fine-tuning
Machine-Learning-Ingenieur:in
Wer ein Zwei-Stufen-NLP-System mit Eval und Demo abliefert, übt das End-to-End-Profil, das Junior-MLEs für Plattform-Pfade qualifiziert.
Dieses Projekt schärft
- fine-tuning
- evaluation
- question-answering
Noch eine Sache