課程簡介

LLM翻譯系統簡介

  • 瞭解神經機器翻譯(NMT)及其侷限性。
  • LLM架構及其翻譯能力概述。
  • 傳統MT與基於LLM的翻譯對比。

使用專有和開源的LLMs

  • 使用OpenAI、Deepseek、Qwen和Mistral模型進行翻譯。
  • 性能與延遲的權衡。
  • 爲工作流選擇合適的模型。

使用LangChain構建翻譯管道

  • LLM翻譯的管道設計原則。
  • 使用LangChain實現翻譯鏈。
  • 管理上下文窗口和令牌使用。

自動化翻譯工作流

  • 使用Python和自動化工具調度翻譯任務。
  • 處理多語言批量作業。
  • 與本地化管理系統集成。

提升翻譯質量

  • 針對上下文感知的提示工程。
  • 後編輯自動化和人機協作設計。
  • 針對特定領域的微調策略。

評估和監控翻譯管道

  • 自動質量評估(AQE)和BLEU評分。
  • 日誌記錄、分析和管道可觀測性。
  • 錯誤處理和回退機制。

擴展和部署翻譯系統

  • 使用Docker和無服務器框架進行雲部署。
  • 大規模翻譯的負載均衡和並行處理。
  • 安全性、合規性和數據隱私考量。

將翻譯管道集成到企業基礎設施中

  • 將翻譯API連接到CMS、ERP和L10n平臺。
  • 大規模管理成本和性能。
  • 企業本地化的治理和審批工作流。

總結與下一步

最低要求

  • 瞭解Python編程。
  • 具備API集成和工作流自動化的經驗。
  • 熟悉機器學習和語言模型的概念。

受衆

  • 機器學習工程師。
  • 本地化和翻譯技術專家。
  • 軟件架構師和工程主管。
 21 時間:

課程分類