Aufmerksamkeits-Analyse zur Erklaerung von MT-Fehlern fuer ein EU-Sprachenteam
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 200 Saetze mit beobachteten Faktenfehlern (Zahlen, Eigennamen, Negationen). Verwende ein vortrainiertes Transformer-MT-Modell (z. B. Helsinki-NLP/opus-mt) und visualisiere die Encoder-Decoder-Aufmerksamkeits-Karten je Fehlersatz. Identifiziere 3-5 wiederkehrende Fehlertypen mit Aufmerksamkeits-Mustern (z. B. 'Aufmerksamkeit konzentriert sich auf falsches Token bei Negation'). Liefere die Visualisierungen, eine Typologie und ein 4-seitiges Memo mit konkreten Post-Editing-Hinweisen fuer die Uebersetzer.
Das Briefing
Was Du tust und was Du zeigst.
Charakterisiere typische NMT-Fehler ueber Aufmerksamkeits-Muster und liefere dem Post-Editing-Team konkrete Erkennungshinweise.
Earning criteria — what you'll demonstrate
- Selbst-Aufmerksamkeit und Encoder-Decoder-Aufmerksamkeit in Transformern verstehen
- Aufmerksamkeits-Karten als Diagnose-Instrument fuer MT-Fehler nutzen
- Methodisch sauber von Beispielen zu einer Typologie generalisieren
- Technische Befunde in handhabbare Post-Editing-Hinweise uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
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 RollenML Researcher
Modell-Interpretation mit methodischer Vorsicht ist eine Senior-Forschungs-Disziplin in MT- und allgemein NLP-Laboren.
Dieses Projekt schärft
- attention-mechanism
- model-interpretation
- transformers
NLP Engineer
Aufmerksamkeits-Diagnose von MT-Systemen ist Diagnose-Arbeit, die NLP-Engineers in Sprachdienstleistern regelmaessig liefern.
Dieses Projekt schärft
- transformers
- neural-machine-translation
- model-interpretation
AI Safety Researcher
Den Grenzen von Modell-Interpretation ehrlich zu begegnen statt 'Erklaerbarkeit' zu predigen, ist zentrale AI-Safety-Haltung.
Dieses Projekt schärft
- model-interpretation
- attention-mechanism
- data-visualization
Noch eine Sache