Neuronale MT-Domaenenadaption fuer einen Maschinenbau-Dokumentationsanbieter
Übersicht
Worum es bei diesem Projekt geht.
Optimiere ein Maschinenbau-MT-Modell per Fine-Tuning, evaluiere mit BLEU und chrF – erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Hebe NMT-Qualitaet auf maschinenbau-spezifischer Dokumentation messbar an, ohne mehr als 2 GPU-Wochen Trainingsbudget zu verbrauchen.
Earning criteria — what you'll demonstrate
- Vortrainierte NMT-Modelle (MarianMT, OPUS-MT) als Ausgangspunkt fuer Domaenenadaption nutzen
- Fine-Tuning auf einem mittleren Domaenenkorpus methodisch sauber durchfuehren
- BLEU, chrF und manuelle Bewertung gemeinsam interpretieren — kein Einzelwert reicht
- Den Mehrwert eines NMT-Modells in Post-Editing-Zeit uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Translation
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 Engineer
Domaenenadaption vortrainierter MT-Modelle ist Tagesgeschaeft fuer NLP-Engineers in Lokalisierungsfirmen und mehrsprachigen Konzernen.
Dieses Projekt schärft
- neural-machine-translation
- domain-adaptation
- fine-tuning
ML Researcher
BLEU mit manueller Bewertung zu qualifizieren und Trade-offs zu zeigen ist methodische Forschungsarbeit, die in jedem MT-Lab gefragt ist.
Dieses Projekt schärft
- model-evaluation
- neural-machine-translation
- transformers
Machine Learning Engineer
Fine-Tuning-Pipelines fuer produktive NMT-Systeme zu bauen ist die Engineering-Arbeit in Sprachdienstleister- und EU-Institutionsumfeldern.
Dieses Projekt schärft
- fine-tuning
- transformers
- pytorch
Noch eine Sache