Construye un traductor ES→EN para subtítulos de un grupo de medios en Madrid
Visión general
De qué trata este proyecto.
Recibes 200.000 pares ES↔EN de subtítulos profesionales del último año (anonimizados sin datos personales). Fine-tunea NLLB-200-distilled-600M con LoRA (Low-Rank Adaptation — adaptación de bajo rango) sobre el dominio. Compara contra NLLB sin fine-tuning en BLEU, chrF y COMET. Conduce MQM (Multidimensional Quality Metrics — métricas de calidad multidimensionales) sobre 200 oraciones con 3 evaluadores nativos en inglés. Éxito: +3 BLEU sobre el baseline y +10 % aceptabilidad humana sin regresión en categorías específicas (números, nombres propios).
El Briefing
Lo que harás y lo que demostrarás.
Adaptar un modelo neuronal de traducción ES→EN al dominio de subtítulos televisivos y demostrar mejora medible vs baseline.
Earning criteria — what you'll demonstrate
- Aplicar LoRA para adaptar un modelo MT a dominio sin re-entrenar full
- Combinar métricas automáticas y humanas en evaluación de traducción
- Diseñar MQM con categorías relevantes al dominio
- Diagnosticar regresiones en categorías sensibles (números, nombres propios)
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Procesamiento de Lenguaje Natural
Fine-tunear MT a dominio con LoRA y evaluarlo con humanos es el proyecto representativo de NLP en localización.
Este proyecto afina
- neural-machine-translation
- lora-fine-tuning
- domain-adaptation
Ingeniero/a de IA
Tomar un modelo open-source y adaptarlo reproduciblemente a un dominio comercial es la rutina del AI engineer.
Este proyecto afina
- neural-machine-translation
- lora-fine-tuning
- domain-adaptation
Investigador/a de Machine Learning
Diseñar MQM con kappa inter-evaluador y análisis de regresiones es rigor metodológico de research aplicada.
Este proyecto afina
- human-evaluation
- bleu-evaluation
- neural-machine-translation