Extrae cláusulas críticas de contratos con NLP supervisado
Visión general
De qué trata este proyecto.
Entrena un modelo BERT para extraer cláusulas de 1.500 contratos. Reporta F1 y umbral de confianza. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Construir un extractor supervisado de cláusulas críticas con F1 macro >= 0.80 y umbral operativo de envío a revisión humana.
Earning criteria — what you'll demonstrate
- Aplicar token classification (BIO) a un dominio jurídico real
- Trabajar con datasets anotados por personas expertas y agreement
- Calibrar umbrales de confianza para flujos human-in-the-loop
- Comunicar errores típicos a personas usuarias no técnicas
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Linguistic Engineering and Language Technologies
Master · Ai Ml
Fit score: 1
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 canónicosIngeniera de Procesamiento de Lenguaje Natural
Token classification supervisado en dominio jurídico es el portafolio canónico de NLP engineers en legal-tech.
Este proyecto afina
- token-classification
- information-extraction
- transformers
Ingeniera de Aprendizaje Automático
Calibrar umbrales y empaquetar el modelo para integración human-in-the-loop es competencia central de ML engineers que cierran el bucle a producto.
Este proyecto afina
- pytorch
- evaluation
- human-in-the-loop
Ingeniera de IA
Construir la interfaz de revisión es la clase de glue work que AI engineers entregan al integrar IA en flujos profesionales.
Este proyecto afina
- human-in-the-loop
- information-extraction
- evaluation