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 Szenario
Das Startup (rund 60 Mitarbeitende, Series A) bekommt täglich rund 1.800 Support-Tickets; die manuelle Übersetzung kostet rund 28.000 EUR/Monat über eine externe Agentur und ist häufig die Quelle für SLA-Verletzungen.
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.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Machine Translation
Apply machine translation to solve real industry problems and demonstrate production-level capability.
- Nllb
Apply nllb to solve real industry problems and demonstrate production-level capability.
- Domain Adaptation
Apply domain adaptation to solve real industry problems and demonstrate production-level capability.
- Fine Tuning
Apply fine tuning to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Comet Score
Apply comet score to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
NLP-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