Semantische Vertragssuche für eine Legal-Tech-Kanzlei aufbauen
Übersicht
Worum es bei diesem Projekt geht.
Baue eine Vektorsuche für 5.000 Vertragsklauseln mit zwei Embedding-Modellen. Erreiche einen Recall@10 über 0,75 und erhalte dein verifizierbares Zertifikat.
Das Szenario
Die Kanzlei (rund 80 Berufsträger, 6 Standorte im Rhein-Main-Gebiet) berechnet Stundensätze ab 320 Euro; eine Halbierung der Recherchezeit pro Mandant übersetzt sich direkt in zusätzliche fakturierbare Stunden.
Das Briefing
Was Du tust und was Du zeigst.
Baue eine semantische Klauselsuche, die auf deutschen M&A-Verträgen mindestens Recall@10 von 0,75 erreicht und in der gesamten Pipeline pro Klausel unter 0,005 Euro Kosten erzeugt.
Earning criteria — what you'll demonstrate
- Embedding-Modelle für deutsche Fachtexte auswählen und gegeneinander benchmarken
- Vektor-Indizes (HNSW, IVF) hinsichtlich Recall-Latenz-Kompromiss verstehen
- Eine semantische Suche end-to-end mit reproduzierbarem Evaluations-Setup aufbauen
- Modell- und Infrastrukturkosten ehrlich auf Anwendungsfall-Ebene durchrechnen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Vector Databases and Embeddings
Master · Data Engineering
Strong alignment
This challenge maps to Vector Databases and Embeddings 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.
- Vector Search
Apply vector search to solve real industry problems and demonstrate production-level capability.
- Embeddings
Apply embeddings to solve real industry problems and demonstrate production-level capability.
- Semantic Search
Apply semantic search to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Rag
Apply rag 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.
KI-Ingenieur:in
End-to-end-Bau einer Retrieval-Anwendung mit Embedding-Auswahl, Vektor-DB-Betrieb und Eval-Setup ist exakt die Arbeit, die KI-Ingenieur:innen in den ersten 12 Monaten bei B2B-SaaS-Anbietern leisten — vom Prototyp bis zum Kostenmodell.
Dieses Projekt schärft
- vector-search
- embeddings
- rag
Maschinelles-Lernen-Ingenieur:in
Den Recall-Latenz-Kostenkompromiss systematisch zu vermessen und in einer Pipeline reproduzierbar zu machen, spiegelt das tägliche Geschäft eines:r MLE — Modelle in Produktion nicht nur einmal funktionsfähig, sondern dauerhaft messbar zu machen.
Dieses Projekt schärft
- evaluation
- vector-search
- python
Daten-Ingenieur:in
Embedding-Pipelines sind Daten-Pipelines mit einem ML-Schritt in der Mitte — diese Challenge übt die Ingestion-, Index- und Refresh-Logik, die Daten-Ingenieur:innen in semantischen Such-Plattformen halten müssen.
Dieses Projekt schärft
- embeddings
- vector-search
- python
Noch eine Sache