Prenez contact avec nous

Plan du cours

Introduction aux systèmes de traduction par LLM

  • Comprendre la traduction automatique neuronale (NMT) et ses limites
  • Aperçu des architectures LLM et de leurs capacités de traduction
  • Comparaison entre la MT traditionnelle et la traduction basée sur les LLM

Utilisation de LLM propriétaires et open source

  • Utilisation des modèles OpenAI, Deepseek, Qwen et Mistral pour la traduction
  • Arbitrages entre performances et latence
  • Sélection du modèle approprié pour votre flux de travail

Construction de pipelines de traduction avec LangChain

  • Principes de conception de pipeline pour la traduction LLM
  • Mise en œuvre d'une chaîne de traduction avec LangChain
  • Gestion des fenêtres de contexte et de l'utilisation des tokens

Automatisation des flux de travail de traduction

  • Planification des tâches de traduction à l'aide de Python et d'outils d'automatisation
  • Traitement par lots multilingues
  • Intégration avec les systèmes de gestion de la localisation

Amélioration de la qualité de la traduction

  • Ingénierie des prompts pour une traduction sensible au contexte
  • Automatisation de la post-édition et conception de dispositifs « homme en boucle » (human-in-the-loop)
  • Stratégies d'affinage (fine-tuning) pour la traduction de domaines spécifiques

Évaluation et surveillance des pipelines de traduction

  • Estimation automatique de la qualité (AQE) et évaluation par score BLEU
  • Journalisation, analytique et observabilité des pipelines
  • Gestion des erreurs et mécanismes de repli (fallback)

Mise à l'échelle et déploiement des systèmes de traduction

  • Déploiement dans le cloud avec Docker et les frameworks serverless
  • Équilibrage de charge et traitement parallèle pour la traduction à grande échelle
  • Considérations relatives à la sécurité, à la conformité et à la protection des données

Intégration des pipelines de traduction dans l'infrastructure d'entreprise

  • Connexion des API de traduction aux CMS, ERP et plateformes de localisation
  • Gestion des coûts et des performances à grande échelle
  • Gouvernance et workflows d'approbation pour la localisation d'entreprise

Résumé et prochaines étapes

Pré requis

  • Une compréhension de la programmation en Python
  • De l'expérience avec l'intégration d'API et l'automatisation des flux de travail
  • Une familiarité avec les concepts d'apprentissage automatique et les modèles de langage

Public cible

  • Ingénieurs en apprentissage automatique
  • Spécialistes en technologie de localisation et de traduction
  • Architectes logiciels et chefs d'équipe technique
 21 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires