Maschinelle Übersetzung Deutsch-Türkisch für Berliner Customer-Service
Übersicht
Worum es bei diesem Projekt geht.
Fine-tune NLLB-200 mit 24.000 Support-Tickets (DE→TR), evaluiere mit BLEU und Human-Eval. Erhalte ein verifizierbares Zertifikat.
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.
Natural Language Processing
Master · Ai Ml
Fit score: 1
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