课程大纲

LLM翻译系统简介

  • 了解神经机器翻译(NMT)及其局限性。
  • LLM架构及其翻译能力概述。
  • 传统MT与基于LLM的翻译对比。

使用专有和开源的LLMs

  • 使用OpenAI、Deepseek、Qwen和Mistral模型进行翻译。
  • 性能与延迟的权衡。
  • 为工作流选择合适的模型。

使用LangChain构建翻译管道

  • LLM翻译的管道设计原则。
  • 使用LangChain实现翻译链。
  • 管理上下文窗口和令牌使用。

自动化翻译工作流

  • 使用Python和自动化工具调度翻译任务。
  • 处理多语言批量作业。
  • 与本地化管理系统集成。

提升翻译质量

  • 针对上下文感知的提示工程。
  • 后编辑自动化和人机协作设计。
  • 针对特定领域的微调策略。

评估和监控翻译管道

  • 自动质量评估(AQE)和BLEU评分。
  • 日志记录、分析和管道可观测性。
  • 错误处理和回退机制。

扩展和部署翻译系统

  • 使用Docker和无服务器框架进行云部署。
  • 大规模翻译的负载均衡和并行处理。
  • 安全性、合规性和数据隐私考量。

将翻译管道集成到企业基础设施中

  • 将翻译API连接到CMS、ERP和L10n平台。
  • 大规模管理成本和性能。
  • 企业本地化的治理和审批工作流。

总结与下一步

要求

  • 了解Python编程。
  • 具备API集成和工作流自动化的经验。
  • 熟悉机器学习和语言模型的概念。

受众

  • 机器学习工程师。
  • 本地化和翻译技术专家。
  • 软件架构师和工程主管。
 21 小时

即将举行的公开课程

课程分类