Diseña un sistema de feature store para una aseguradora del IBEX-35
Visión general
De qué trata este proyecto.
Recibirás un dataset sintético del dominio (pólizas, siniestros, contactos) y la lista de features compartidas por los 8 equipos. Diseña la arquitectura: registro de features, capa offline (entrenamiento) sobre BigQuery o equivalente, capa online (inferencia) sobre Redis, y un plan de gobernanza (ownership, versionado, tests). Prototipa con Feast la definición de 15 features compartidas y demuestra coherencia entre offline y online. Entrega un documento de arquitectura de 7 páginas y una demo de 20 minutos.
El Briefing
Lo que harás y lo que demostrarás.
Diseñar y prototipar un feature store corporativo que elimine duplicación entre equipos y garantice coherencia entrenamiento/inferencia.
Earning criteria — what you'll demonstrate
- Diseñar una plataforma de ML transversal a múltiples equipos
- Resolver el training-serving skew con arquitectura, no con parches
- Definir gobernanza pragmática (ownership, versionado) sin ahogar a los equipos
- Comunicar una decisión de plataforma a un comité de arquitectura corporativo
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 canónicosArquitecto/a de Soluciones de IA
Diseñar plataformas de ML transversales y defenderlas ante un comité de arquitectura es exactamente el trabajo de un solutions architect en una aseguradora del IBEX-35.
Este proyecto afina
- system-design
- ml-platform
- feature-store
Ingeniero/a MLOps
Operar el feature store, garantizar coherencia offline/online y mantener gobernanza es trabajo nuclear de MLOps senior.
Este proyecto afina
- feature-store
- governance
- ml-platform
Ingeniero/a de Datos
La construcción de la capa offline sobre el lago de datos y la integración con Redis es trabajo cotidiano del data engineer en una organización con ML maduro.
Este proyecto afina
- data-engineering
- feature-store
- python