感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
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