Investiga atención y embeddings para una scaleup de búsqueda semántica en LATAM
Visión general
De qué trata este proyecto.
Implementa búsqueda semántica con fine-tuning y re-ranking para moda LATAM. Evalúa con NDCG@10 y MRR. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Comparar 3 enfoques de embeddings + re-ranking sobre 12.000 pares en español y entregar recomendación al equipo de research aplicado.
Earning criteria — what you'll demonstrate
- Aplicar contrastive learning para adaptar embeddings a dominio
- Evaluar ranking con métricas estándar (NDCG, MRR)
- Comparar honestamente trade-off calidad/latencia entre bi-encoder y cross-encoder
- Producir un informe de research replicable por el equipo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Neural Networks for NLP
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 canónicosInvestigador/a en ML
Comparar 3 enfoques de embeddings con rigor experimental es trabajo nuclear del ML researcher aplicado a búsqueda semántica.
Este proyecto afina
- embeddings
- contrastive-learning
- evaluation
Ingeniero/a de PLN
Fine-tunear bi-encoders y cross-encoders para ranking es competencia central del NLP engineer en e-commerce.
Este proyecto afina
- transformers
- ranking
- python
Ingeniero/a de Machine Learning
Diseñar el trade-off calidad/latencia y entregar recomendación reproducible es trabajo del MLE senior aplicado a producto.
Este proyecto afina
- embeddings
- evaluation
- ranking