Maschinelle Übersetzung Deutsch-Türkisch für Berliner Customer-Service
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 24.000 historische Ticket-Antwort-Paare (DE → TR), die intern bereits übersetzt wurden. Fine-tunen Sie NLLB-200-distilled-600M auf 90 % der Paare und evaluieren auf 10 %. Vergleichen Sie: BLEU, chrF, COMET-Scores gegen (1) Google Translate API, (2) NLLB-200 ohne Fine-Tuning. Führen Sie zusätzlich eine 50-Beispiel-Humanan-Eval durch (1-5-Skala), in der zwei türkischsprachige Bewertende die Antworten blind ranken. Erfolgskriterium: Fine-getuntes Modell schlägt beide Baselines in BLEU und gewinnt mindestens 60 % der Human-Eval-Vergleiche.
Das Briefing
Was Du tust und was Du zeigst.
Wie viel besser performt domain-adaptiertes NLLB gegenüber Google Translate und Vanilla-NLLB auf App-spezifischen DE-TR-Support-Antworten?
Earning criteria — what you'll demonstrate
- MT-Modelle auf domänenspezifische Daten fine-tunen
- Drei MT-Metriken (BLEU, chrF, COMET) korrekt anwenden und interpretieren
- Eine kleine Human-Eval blindgesteuert durchführen
- Domänen-Terminologie-Probleme als ML-Problem statt als Translator-Problem framen
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 RollenNLP-Ingenieur:in
Domain-Adaptation für MT-Modelle ist eine direkt produktrelevante Disziplin in jedem Consumer-Produkt mit internationalem Publikum — diese Challenge baut ein direktes Portfolio-Stück.
Dieses Projekt schärft
- machine-translation
- nllb
- domain-adaptation
Machine-Learning-Ingenieur:in
Fine-Tuning großer Sequence-to-Sequence-Modelle mit COMET-Eval und Human-Eval ist eine fortgeschrittene MLE-Disziplin, die für Senior-Pfade qualifiziert.
Dieses Projekt schärft
- fine-tuning
- comet-score
- evaluation
KI-Ingenieur:in
Wer eine MT-Pipeline gegen eine Cloud-API antreten lässt und kostentechnisch begründet, übt die Build-vs-Buy-Argumentation, die AI-Engineers in Startups laufend führen müssen.
Dieses Projekt schärft
- machine-translation
- nllb
- evaluation
Noch eine Sache