Named-Entity-Recognition für Schweizer Rechtsanwaltskanzlei
Übersicht
Worum es bei diesem Projekt geht.
Fine-tune XLM-RoBERTa auf Verträgen, erstelle eine spaCy-Baseline und vergleiche F1-Werte inklusive Cross-Lingual-Transfer. Erhalte ein verifizierbares Zertifikat.
Das Szenario
Die Kanzlei (rund 600 Anwält:innen weltweit, davon 180 in Zürich) verbringt nach interner Studie rund 25 % der Junior-Anwalts-Zeit mit Vertragsdaten-Extraktion — eine funktionierende Automation würde Junior-Kapazität für anspruchsvollere Aufgaben freisetzen.
Das Briefing
Was Du tust und was Du zeigst.
Liefert ein fine-getuntes multilinguales NER-Modell substantiell bessere Vertragsdaten-Extraktion als ein gut gemachtes regelbasiertes System — auch im Cross-Lingual-Transfer?
Earning criteria — what you'll demonstrate
- Multilinguales NER mit Transformer-Modellen praktisch umsetzen
- Cross-Lingual-Transfer als eigenes Evaluations-Setting verstehen
- Neuronales Modell ehrlich gegen ein regelbasiertes Baseline vergleichen
- Domänenspezifische Fehlertypen kategorisieren und ableiten, wo neuronal vs. regelbasiert besser passt
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Natural Language Processing
Master · Nlp
Strong alignment
This challenge maps to Natural Language Processing at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Named Entity Recognition
Apply named entity recognition to solve real industry problems and demonstrate production-level capability.
- Multilingual Nlp
Apply multilingual nlp to solve real industry problems and demonstrate production-level capability.
- Xlm Roberta
Apply xlm roberta 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.
- Spacy
Apply spacy to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation 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
Multilinguales NER mit Cross-Lingual-Transfer ist ein praxisrelevantes Spezialprofil, das in europäischen Legaltech-, Finanz- und Compliance-Teams direkt gefragt ist.
Dieses Projekt schärft
- named-entity-recognition
- multilingual-nlp
- xlm-roberta
Machine-Learning-Ingenieur:in
Fine-Tuning + Eval + Vergleich gegen Baseline ist exakt das Engineering-Profil, das MLE-Rollen in produktiven NLP-Teams definiert.
Dieses Projekt schärft
- fine-tuning
- evaluation
- named-entity-recognition
KI-Ingenieur:in
Wer mehrsprachige NLP-Modelle in produktnahen Domänen (Verträge) zum Laufen bringt, qualifiziert sich für AI-Engineer-Rollen in jedem europäischen B2B-SaaS mit Document-AI-Komponente.
Dieses Projekt schärft
- multilingual-nlp
- spacy
- evaluation
Noch eine Sache