MediaOpción múltiple

Pregunta de práctica de AIF-C01

Una corporación multinacional utiliza un foundation model a través de Amazon Bedrock para traducir documentos de comunicación interna del inglés a varios idiomas. Notan que las traducciones a menudo pasan por alto la jerga y los acrónimos específicos de la empresa, lo que genera confusión. La empresa tiene un glosario de traducciones aprobadas para términos como 'Project Atlas' y 'Operation Synergy'. Quieren mejorar la precisión de la traducción rápidamente y con el mínimo esfuerzo. ¿Qué enfoque deben adoptar?

Elige la mejor respuesta.

Respuesta correcta

  • AUtilice la ingeniería de prompts para incluir el glosario en cada solicitud de traducción.

Explicación

La ingeniería de prompts permite a la empresa inyectar el glosario directamente en la ventana de contexto del foundation model con cada solicitud de traducción. Este enfoque no requiere reentrenamiento del modelo ni cambios en la infraestructura, lo que permite una mejora rápida simplemente añadiendo las traducciones aprobadas como instrucciones o ejemplos de few-shot. Es el método más rápido y con menor esfuerzo para aplicar la terminología específica de la empresa sin alterar el modelo subyacente.

Por qué cada opción es correcta o incorrecta

A

Correcta

Utilice la ingeniería de prompts para incluir el glosario en cada solicitud de traducción.

Al modelo le falta conocimiento privado, las traducciones aprobadas para los términos de la empresa, y la solución más rápida es darle ese conocimiento en el prompt: incluir las entradas relevantes del glosario y una instrucción para usarlas exactamente, además quizás de un ejemplo traducido. Esto no requiere datos de entrenamiento, ni modelo personalizado, ni nueva infraestructura, y se puede probar de inmediato. Para un glosario grande, incluya solo los términos que aparecen en cada documento.

B

Incorrecta

Utilice un foundation model más grande que tenga una mejor comprensión del idioma.

Un modelo más grande todavía carece del glosario de la empresa, por lo que 'Project Atlas' y 'Operation Synergy' siguen mal traducidos independientemente de la capacidad general del idioma. Es tentador porque los modelos más grandes mejoran la fluidez general de la traducción, y serían la opción correcta si el problema fuera una gramática deficiente en el vocabulario común en lugar de la falta de términos propietarios.

C

Incorrecta

Realice un fine-tuning del foundation model con un corpus de documentos bilingües de la empresa.

El fine-tuning reentrena los pesos del modelo con documentos bilingües, un proceso lento y costoso que requiere corpus paralelos curados y redespliegue, lo que contradice el requisito de mínimo esfuerzo y rapidez. Es tentador porque el fine-tuning adapta genuinamente un modelo a la terminología específica del dominio, y se adaptaría a escenarios donde no existe un glosario y ya se dispone de grandes volúmenes de pares de traducción etiquetados.

D

Incorrecta

Cambie a Amazon Translate con terminología personalizada.

Amazon Translate es un servicio separado, por lo que cambiar abandona el flujo de trabajo existente del foundation model de Bedrock y requiere una reintegración en lugar de un cambio de configuración rápido. Es tentador porque la terminología personalizada está diseñada precisamente para hacer cumplir las mapeos de glosarios, y sería correcta si la carga fuera traducción pura sin ninguna dependencia de Bedrock.

Para profundizar

Elegir cómo adaptar un foundation model implica un equilibrio entre esfuerzo, costo y la profundidad con la que cambia el comportamiento del modelo. En orden de esfuerzo creciente: la ingeniería de prompts, que cambia las instrucciones y el contexto en cada solicitud; la generación aumentada por recuperación (RAG), que añade información relevante recuperada de una fuente de conocimiento; y el fine-tuning o preentrenamiento continuado, que cambian los pesos del modelo con datos de entrenamiento. Aquí el problema es un glosario conocido y finito, traducciones aprobadas para términos específicos, y el requisito es mejorar rápidamente con el mínimo esfuerzo. Incluir el glosario en el prompt, con instrucciones como 'Utiliza las siguientes traducciones aprobadas para los términos de la empresa y no traduzcas los nombres de los productos', le da directamente al modelo lo que le falta, sin entrenamiento, preparación de datos ni nueva infraestructura. Esa es la opción A. Los ejemplos de few-shot que muestran oraciones traducidas correctamente lo refuerzan, y una plantilla de prompt de Bedrock lo mantiene consistente. Si el glosario crece mucho, recuperar solo los términos que aparecen en cada documento mantiene los prompts cortos y el costo bajo. El fine-tuning (opción C) necesita un conjunto de datos bilingües preparado, tiempo de entrenamiento, costo y rendimiento aprovisionado para el modelo personalizado, lo cual es demasiado para este problema, y aun así podría no utilizar de manera fiable los términos exactos aprobados. Un modelo más grande (opción B) comprende mejor el idioma pero sigue sin conocer la terminología privada. Amazon Translate con terminología personalizada (opción D) es una opción sólida diseñada específicamente para la traducción basada en glosarios, pero significa reemplazar la solución existente basada en Bedrock en lugar de mejorarla, por lo que no es la respuesta de mínimo esfuerzo aquí. Para el examen AI Practitioner, comience con la ingeniería de prompts y pase a RAG o fine-tuning solo cuando esto no sea suficiente.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.