tlg
16156db5c8
- rahmenbedingungen.md + Skill projekt-anlegen: Sicherheitsüberprüfung (SÜ/SÜ2) immer ❌ (Dauer ≥ 3 Monate, K.-o.-Kriterium) - gedaechtnis/stil.md: Agentur-Anschreiben-Regeln (Teaser, kein Techno-Blabla, keine falschen Behauptungen, Lücken nicht erwähnen, Absatz-Aufbau, Header, feste Grußformel) - gedaechtnis/schwerpunkte.md: Fachthemen + Querschnitts-Schlagworte ergänzt - gedaechtnis/inhalte.md: geprüfte Fakten und Nicht-Behauptungen - bewerbungen/: Entwurf FindYou (Data Scientist/MLOps) + Register-Eintrag - gedaechtnis/log.md: datierter Eintrag Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
24 lines
1.7 KiB
Markdown
24 lines
1.7 KiB
Markdown
# Schwerpunkte (kontrolliertes Vokabular)
|
|
|
|
Erlaubte Schlagworte zur Klassifikation von Projekten und Bewerbungen.
|
|
Beim Schreiben einer Bewerbung **nur** Schlagworte aus dieser Liste verwenden.
|
|
Fehlt ein passendes Schlagwort, hier ergänzen (mit Kurzdefinition) und im
|
|
Commit begründen. Ziel: gleiche Schwerpunkte immer gleich benennen
|
|
(kein „ML" vs. „Machine Learning" vs. „KI").
|
|
|
|
| Schlagwort | Definition |
|
|
|---|---|
|
|
| Agentic AI | Autonome KI-Agenten, Tool Use / Function Calling, Coding-Agent-Umgebungen (Claude Code/Cowork, Cline) |
|
|
| MCP | Model Context Protocol; Anbindung externer Systeme/Tools an LLMs |
|
|
| RAG | Retrieval Augmented Generation inkl. Chunking, Embeddings, Vektordatenbanken |
|
|
| LLM | Large Language Models: Auswahl, Betrieb, Evaluierung, Fine-Tuning, On-Premise |
|
|
| Vektordatenbanken | Pinecone, Qdrant und vergleichbare Vektorspeicher für semantische Suche |
|
|
| On-Premise KI | Eigenbetrieb von KI-Inferenz auf eigener Hardware (GPU-Inference, Quantisierung) |
|
|
| MLOps | Aufbau und produktiver Betrieb von ML-/LLM-Infrastruktur, Deployment, Monitoring |
|
|
| Container | Containerisierung und Deployment mit Docker/Podman |
|
|
| Python | Python-Entwicklung im Produktionskontext (FastAPI, Tooling, Datenverarbeitung) |
|
|
| Event-Streaming | Verarbeitung kontinuierlicher Daten-/Nachrichtenströme, Message-Middleware (DDS, SOME/IP) |
|
|
| Öffentlicher Sektor | Endkunde aus Verwaltung/Behörden/öffentlicher Hand (oft mit Sicherheitsanforderungen) |
|
|
| Produktiver Einsatz | Tätigkeit zielt auf produktiven Wirkbetrieb, nicht nur Prototyp/PoC |
|
|
| Produktiver KI-Betrieb | Betrieb von KI-/LLM-Systemen im laufenden produktiven Wirkbetrieb (MLOps, Deployment, Monitoring) |
|