Vector-Suche für Produkt-Empfehlungen bei einem Hamburger FMCG-Konzern
Übersicht
Worum es bei diesem Projekt geht.
Baue zwei Such-Backends für Produkt-Empfehlungen, benchmarke Recall und Kosten – erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Vergleiche selbst betriebenen HNSW-Index gegen Managed-SaaS auf Latenz, Recall und Kosten und liefere eine Build-vs-Buy-Empfehlung für 180.000 Produkte.
Earning criteria — what you'll demonstrate
- Approximative Nearest-Neighbor-Suche mit Faiss konfigurieren und tunen
- Vector-Search-Performance fair zwischen Backends benchmarken
- Kosten-Modelle für Managed-Services in eine Empfehlung einarbeiten
- Eine Build-vs-Buy-Entscheidung mit Daten verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning at Scale
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 RollenMaschinelles-Lernen-Ingenieur:in
Vector-Search-Backends gegeneinander zu benchmarken und eine Build-vs-Buy-Empfehlung zu liefern, ist eine häufige Tagesaufgabe für MLE in Enterprise-Stacks.
Dieses Projekt schärft
- vector-search
- benchmarking
- embeddings
KI-Architekt:in
Build-vs-Buy mit Daten zu verteidigen und Vendor-Lock-in mitzudenken ist die Brückenarbeit zwischen Engineering und Plattform-Strategie, die KI-Architekt:innen leisten.
Dieses Projekt schärft
- cost-analysis
- vector-search
- evaluation
Data Engineer
Index-Konfiguration und Latenz-Profiling sind Data-Engineering-Kernkompetenzen für jede semantische Such-Plattform.
Dieses Projekt schärft
- python
- benchmarking
- vector-search
Noch eine Sache