Familienrezepte, frische Zutaten und eine Leidenschaft für Perfektion. Tritt ein und entdecke, warum Roberto's das beliebteste Restaurant der Nachbarschaft ist.
Lernt das Team hinter Roberto's legendären Pizzen kennen.
Von der Bestellung bis zur Lieferung — der Pizza-Lebenszyklus.
Der Kunde gibt eine Bestellung auf. Das System prüft die Artikel und reiht sie in die Küchenwarteschlange ein.
Giovanni und das Team bereiten die Pizza zu. Die Zubereitungszeit variiert je nach Komplexität.
Bestellung wird als fertig markiert. Qualitätskontrolle vor dem Versand an den Kunden.
Beppe schwingt sich auf die Vespa und liefert bis an deine Tür. Buon Appetito!
Jede Bestellung folgt einem strukturierten Lebenszyklus — der gleiche Prozessablauf wie im Enterprise IT Service Management. Hier ist das tatsächliche Statusmodell:
Roberto's Küche wird von einer REST-API betrieben, die reales Prozessverhalten simuliert — inklusive Verzögerungen, Fehlern und verlorenen Bestellungen.
Bestellungen über die API aufgeben. Jede erhält eine UUID und wird in die Küchenwarteschlange eingereiht.
POST /pizzerias/{id}/orders
{
"customer_id": "...",
"items": [
{"menu_item_code": "margherita",
"quantity": 2}
]
}
Bestellungen dauern 60–180 Sekunden. 5% Wahrscheinlichkeit für Küchenfehler — falsche Artikel, fehlende Extras oder Mengenfehler.
POST /pizzerias/{id}/orders/{oid}/pickup
// Response may include:
// "incidents": [{
// "type": "wrong_item",
// "expected": "diavolo",
// "got": "margherita"
// }]
5% der Bestellungen gehen komplett verloren — genau wie im echten Leben. Euer Prozess muss damit umgehen können.
GET /pizzerias/{id}/orders/{oid}
// status: "lost"
// "No order found or order
// was lost in the kitchen."
Nutzt Roberto's Pizzeria als Spielwiese für praktische KI- und Automatisierungsprojekte.
Ein CNN von Grund auf bauen, um Pizzabilder der Küchenkamera zu klassifizieren und Bestellfehler zu erkennen.
Transfer Learning mit einem vortrainierten Modell nutzen, um Pizzabilder zu klassifizieren und mit dem Ansatz von Grund auf zu vergleichen.
Zwei optimierte RAG-Systeme befragen, um über 160 Bewerbungs-PDFs mit natürlicher Sprache zu durchsuchen.
Ein sprachbasiertes Bestellsystem bauen, das natürlichsprachliche Pizzabestellungen entgegennimmt und in API-Aufrufe umsetzt.
Bestellhistorie, Wetter- und Eventdaten analysieren, um Nachfrage vorherzusagen und die Küchenbesetzung zu optimieren.
PII in Lebenslaufdaten erkennen und anonymisieren für DSGVO-konformes RAG, dann eine ETL-Pipeline für pseudonymisierte Analysen bauen.