Construye un traductor ES→EN para subtítulos de un grupo de medios en Madrid
Visión general
De qué trata este proyecto.
Ajusta NLLB-200 con LoRA en 200.000 pares de subtítulos y mide resultados con BLEU y MQM humano. Obtén un certificado verificable.
El escenario
El grupo (~400 personas) opera con márgenes ajustados frente a las grandes plataformas globales y la localización a EN es puerta de entrada a mercados angloparlantes (UK, Canadá, Australia).
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.
Alineación con asignaturas próximamente.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Neural Machine Translation
Apply neural machine translation to solve real industry problems and demonstrate production-level capability.
- Lora Fine Tuning
Apply lora fine tuning to solve real industry problems and demonstrate production-level capability.
- Bleu Evaluation
Apply bleu evaluation to solve real industry problems and demonstrate production-level capability.
- Human Evaluation
Apply human evaluation 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.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Ingeniero/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