Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 21 heures
Plan du cours
Introduction aux systèmes de traduction par LLM
- Comprendre la traduction automatique neuronale (NMT) et ses limites
- Présentation des architectures de LLM et de leurs capacités de traduction
- Comparaison entre la TA traditionnelle et la traduction basée sur les LLM
Travailler avec des LLM propriétaires et open source
- Utilisation des modèles OpenAI, Deepseek, Qwen et Mistral pour la traduction
- Compromis entre performance et latence
- Sélection du modèle adapté à votre flux de travail
Construction de pipelines de traduction avec LangChain
- Principes de conception des pipelines pour la traduction par LLM
- Mise en œuvre d’une chaîne de traduction avec LangChain
- Gestion des fenêtres de contexte et de l’utilisation des jetons (tokens)
Automatisation des flux de travail de traduction
- Planification des tâches de traduction à l’aide de Python et d’outils d’automatisation
- Gestion des tâches par lots multilingues
- Intégration avec les systèmes de gestion de la localisation
Amélioration de la qualité de la traduction
- Ingenierie des prompts pour une traduction sensible au contexte
- Automatisation de la révision postérieure et conception avec intervention humaine
- Stratégies d’ajustement fin pour la traduction spécifique à un domaine
Évaluation et surveillance des pipelines de traduction
- Estimation automatique de la qualité (AQE) et évaluation du score BLEU
- Journalisation, analyse et observabilité des pipelines
- Gestion des erreurs et mécanismes de repli (fallback)
Échelle et déploiement des systèmes de traduction
- Déploiement cloud avec Docker et des cadres serverless
- Équilibrage de charge et traitement parallèle pour la traduction à grande échelle
- Sécurité, conformité et considérations relatives à la confidentialité des données
Intégration des pipelines de traduction dans l’infrastructure d’entreprise
- Connexion des API de traduction aux plateformes CMS, ERP et L10n
- Gestion des coûts et des performances à grande échelle
- Gouvernance et flux de travail d’approbation pour la localisation d’entreprise
Résumé et prochaines étapes
Pré requis
- Bonnes connaissances de la programmation Python
- Expérience dans l’intégration d’API et l’automatisation des flux de travail
- Familiarité avec les concepts d’apprentissage automatique et les modèles de langage
Public cible
- Ingénieurs en apprentissage automatique (Machine Learning)
- Spécialistes des technologies de localisation et de traduction
- Architectes logiciels et responsables d’ingénierie
