Transcribe y analiza llamadas de soporte con un encoder + decoder
Visión general
De qué trata este proyecto.
Recibirás 4.000 llamadas anonimizadas en español (8 segundos a 12 minutos) con etiquetas de motivo (12 categorías) y sentimiento (positivo/neutro/negativo). Implementa el pipeline: (1) Whisper large-v3 para transcripción, (2) BETO fine-tuned para clasificación de motivo, (3) un clasificador de sentimiento (puedes reusar el mismo encoder con cabeza separada). Evalúa WER de ASR, F1 macro de motivo, accuracy de sentimiento. Optimiza inferencia para procesar las 25.000 diarias en menos de 6 horas. Entrega pipeline + dashboard (Streamlit) + reporte.
El Briefing
Lo que harás y lo que demostrarás.
Construye un pipeline ASR + clasificación multi-task que procese 25.000 llamadas diarias en menos de 6 horas con F1 mayor a 0,72.
Earning criteria — what you'll demonstrate
- Integrar ASR + NLP en un pipeline operacional
- Optimizar inferencia con batching y vLLM/Faster-Whisper para producción
- Evaluar componentes individualmente y end-to-end
- Comunicar insights operacionales a un equipo de ops no técnico
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 NLP
Pipelines ASR + NLP para call centers son uno de los casos más comunes de NLP aplicado en telcos y banca.
Este proyecto afina
- asr
- whisper
- transformers
Ingeniero de Aprendizaje Automático
Optimización de inferencia con batching y modelos optimizados es trabajo central del MLE.
Este proyecto afina
- pytorch
- pipeline-design
- fine-tuning
Ingeniero de IA
Integrar componentes ML + UI productiva es trabajo cotidiano del AI engineer.
Este proyecto afina
- pipeline-design
- whisper
- transformers