Serverless ML-Inferenz für ein Berliner Marketing-SaaS aufsetzen
Übersicht
Worum es bei diesem Projekt geht.
Containerisiere ein ML-Modell, deploye es serverless auf AWS und vergleiche Kosten & Skalierung. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Welcher Serverless-Inferenz-Pfad (Lambda vs. SageMaker Serverless) passt besser zur Lastkurve dieses Marketing-SaaS in Bezug auf Kaltstart, Kosten und Skalierung?
Earning criteria — what you'll demonstrate
- ML-Inferenz auf Serverless-Plattformen bringen
- Kaltstart- und Skalierungsverhalten ehrlich messen
- Cloud-Kosten gegen Performance abwägen
- Eine Architekturentscheidung mit Daten begründen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Cloud Computing for Data and 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 Engineer
Serverless-ML-Inferenz ist eine zunehmend gefragte Spezialisierung und genau das Profil, das MLOps Engineers in wachsenden SaaS-Firmen einbringen.
Dieses Projekt schärft
- serverless
- ml-inference
- deployment-planning
AI Engineer
Ein Modell tatsächlich auf eine Serverless-Plattform zu bringen ist die Brücke vom Trainings-Notebook zur produktiven KI-Anwendung — Alltag von AI Engineers.
Dieses Projekt schärft
- ml-inference
- aws
- deployment-planning
AI Solutions Architect
Eine Architekturwahl mit Kostenanalyse zu begründen ist die Standardaufgabe von AI Solutions Architects in der Kundenarbeit.
Dieses Projekt schärft
- cost-analysis
- aws
- deployment-planning
Noch eine Sache