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 à la localisation d'entreprise avec les LLM
- Comprendre les écosystèmes de localisation d'entreprise
- De la NMT à la traduction pilotée par les LLM
- Défis liés à la qualité, à la gouvernance et à la conformité
Paysage des modèles LLM pour la localisation
- Comparaison des modèles Deepseek, Qwen, Mistral et OpenAI
- Fine-tuning et adaptation pour la traduction et le post-édition
- Déploiement des modèles et considérations coût-performance
Conception des pipelines de localisation LLM
- Modèles de conception système pour la traduction basée sur les LLM
- Connexion des API, des bases de données et des systèmes de gestion de contenu
- Orchestration des pipelines avec LangChain et Docker
Assurance qualité automatisée des traductions LLM
- Définition des métriques de qualité linguistique (BLEU, COMET, MQM)
- Création d'agents QA automatisés pour la validation des traductions
- Boucles de retour du post-édition et amélioration continue
Gouvernance et conformité en IA de localisation
- Établissement d'une gouvernance avec implémentation humaine (human-in-the-loop)
- Suivi, journaux d'audit et contrôle des changements
- Normes éthiques et de protection des données dans les systèmes LLM
Cadres d'évaluation et de supervision
- Surveillance des performances de traduction et de la dérive (drift)
- Alertes et journalisation en temps réel avec des outils open source
- Mise en place de tableaux de bord de revue pour la supervision QA
Intégration d'entreprise et automatisation des workflows
- Intégration des pipelines de traduction LLM avec les systèmes CMS et TMS
- Automatisation des workflows et planification des tâches
- Collaboration interdépartementale et contrôle des versions
Évolutivité et sécurité de l'infrastructure de localisation
- Évolutivité des déploiements multi-modèles sur le cloud et on-premises
- Sécurité, gestion des accès et chiffrement des données
- Meilleures pratiques de gouvernance pour l'adoption LLM à l'échelle de l'entreprise
Synthèse et prochaines étapes
Pré requis
- Comprendre le machine learning et le traitement du langage naturel
- Expérience avec Python ou TypeScript pour l'intégration d'API
- Connaissance des flux de travail et des outils de localisation d'entreprise
Public cible
- Ingénieurs en IA et en TALN
- Directeurs de la technologie de la localisation
- Architectes logiciels et chefs d'ingénierie