Übersicht
Worum es bei diesem Projekt geht.
Implementiere Bild-zu-Bild- und Bild-zu-Text-Retrieval für E-Commerce-Produkte und vergleiche mit BM25. Ergebnis: ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie viel besser performt CLIP-basierte Visual-Search gegenüber textbasierter Suche für die Möbel-Stil-Anfragen eines E-Commerce-Katalogs?
Earning criteria — what you'll demonstrate
- CLIP als praktisches Tool für multimodalen Retrieval einsetzen
- Eine Vector-DB für reale Katalog-Größen aufsetzen
- Retrieval-Metriken (Recall@k, MRR) korrekt berechnen und interpretieren
- Worst-Case-Anfragen als Quelle für nächste Iterationen nutzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Multimodal Machine Learning
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 RollenMachine-Learning-Ingenieur:in
Multimodale Retrieval-Systeme sind 2026 ein Standard-Use-Case in jedem E-Commerce; CLIP + Vector-DB-Erfahrung mit echter Eval qualifiziert direkt für Junior-MLE-Rollen in Search-Teams.
Dieses Projekt schärft
- multimodal-embeddings
- clip
- vector-databases
Computer-Vision-Ingenieur:in
Visual-Search ist eine produktnahe CV-Anwendung; die Erfahrung mit CLIP-Embeddings und Retrieval-Metriken bildet exakt das Profil, das CV-Teams in Consumer-Companies suchen.
Dieses Projekt schärft
- clip
- visual-search
- retrieval-evaluation
KI-Ingenieur:in
Ein lauffähiger Retrieval-Service mit Streamlit-Demo, Eval und Bericht ist exakt das End-to-End-Profil, das AI-Engineer-Rollen in Produkt-Teams definiert.
Dieses Projekt schärft
- multimodal-embeddings
- vector-databases
- python
Noch eine Sache