Aislamiento vectorial multitenant para un asistente B2B regulado
Visión general
De qué trata este proyecto.
Construye una prueba de concepto en el almacén vectorial que elijas (Pinecone o Qdrant — escoge uno y justifica) que soporte 10 clientes simulados con 1.000 vectores cada uno. Implementa el patrón de aislamiento recomendado. A continuación, construye una batería de tests de fuga: para cada cliente, lanza una consulta que coincida intencionadamente con un vector de alta similitud perteneciente a otro cliente, y asegúrate de obtener cero resultados cruzados a lo largo de 200 sondas adversariales. Mide latencia por cliente (p50/p95) y rendimiento de ingesta. Escribe un documento de diseño de 4 páginas que cubra la decisión de patrón, el modelo de amenazas, el radio de impacto si el aislamiento fallara y cómo el patrón escala a 250 clientes. Incluye una respuesta clara a: ¿en qué punto el patrón (1) pasa a (3)?
El Briefing
Lo que harás y lo que demostrarás.
Elegir y demostrar un patrón de aislamiento por cliente para un almacén vectorial multitenant que sobreviva a 200 sondas adversariales entre clientes y escale de forma creíble a 250 clientes.
Earning criteria — what you'll demonstrate
- Comparar patrones multitenant (colección por cliente, colección filtrada, base por cliente) en aislamiento, coste y operabilidad
- Construir un modelo de amenazas para un almacén vectorial que maneja datos confidenciales de cliente
- Escribir tests automatizados de fuga que sobrevivan a refactors de código
- Proyectar la economía a escala de clientes para un SaaS empresarial
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosAI Solutions Architect
Diseñar el aislamiento por cliente para una carga vectorial, defenderlo ante compras corporativas y proyectarlo a 250 clientes es el entregable firma de una persona arquitecta de soluciones de IA en startups B2B.
Este proyecto afina
- multi-tenant-isolation
- vector-databases
- threat-modeling
MLOps Engineer
Mantener la batería de tests de fuga en CI y la historia de latencia por cliente es el trabajo MLOps que mantiene honesto a un sistema de recuperación multitenant a medida que escala.
Este proyecto afina
- multi-tenant-isolation
- vector-databases
- evaluation
AI Safety Researcher
Construir una batería de sondas adversariales contra un sistema de recuperación para encontrar fugas entre clientes se traslada directamente al trabajo de red team sobre sistemas de IA en producción.
Este proyecto afina
- threat-modeling
- evaluation
- security-engineering