MoyenneChoix unique

Question d'entraînement AIF-C01

Une entreprise multinationale utilise un foundation model via Amazon Bedrock pour traduire des documents de communication interne de l'anglais vers plusieurs langues. Elle constate que les traductions omettent souvent le jargon et les acronymes spécifiques à l'entreprise, ce qui génère de la confusion. L'entreprise dispose d'un glossaire de traductions approuvées pour des termes tels que 'Project Atlas' et 'Operation Synergy'. Elle souhaite améliorer la précision de la traduction rapidement et avec un effort minimal. Quelle approche doit-elle adopter ?

Choisissez la meilleure réponse.

Bonne réponse

  • AUtilisez l'ingénierie de prompt pour inclure le glossaire dans chaque requête de traduction.

Explication

L'ingénierie de prompt permet à l'entreprise d'injecter le glossaire directement dans la fenêtre de contexte du foundation model à chaque demande de traduction. Cette approche ne nécessite ni réentraînement du modèle ni modifications d'infrastructure, permettant une amélioration rapide en ajoutant simplement les traductions approuvées sous forme d'instructions ou d'exemples de few-shot. C'est la méthode la plus rapide et la moins exigeante en effort pour imposer la terminologie spécifique à l'entreprise sans altérer le modèle sous-jacent.

Pourquoi chaque option est juste ou fausse

A

Juste

Utilisez l'ingénierie de prompt pour inclure le glossaire dans chaque requête de traduction.

Le modèle manque de connaissances privées, à savoir les traductions approuvées pour les termes de l'entreprise, et la correction la plus rapide consiste à lui fournir ces connaissances dans le prompt : inclure les entrées de glossaire pertinentes et une instruction pour les utiliser exactement, ainsi que peut-être un exemple traduit. Cela ne nécessite aucune donnée d'entraînement, aucun modèle personnalisé et aucune nouvelle infrastructure, et peut être testé immédiatement. Pour un glossaire volumineux, n'incluez que les termes qui apparaissent dans chaque document.

B

Fausse

Utilisez un foundation model plus grand doté d'une meilleure compréhension du langage.

Un modèle plus grand manque toujours du glossaire de l'entreprise, de sorte que 'Project Atlas' et 'Operation Synergy' restent mal traduits indépendamment de la capacité linguistique générale. C'est tentant car les modèles plus grands améliorent la fluidité générale de la traduction, et ce serait le bon choix si le problème était une mauvaise grammaire dans le vocabulaire courant plutôt que des termes propriétaires manquants.

C

Fausse

Effectuez un fine-tuning du foundation model sur un corpus de documents d'entreprise bilingues.

Le fine-tuning réentraîne les poids du modèle sur des documents bilingues, un processus lent et coûteux nécessitant des corpus parallèles curés et un redéploiement, ce qui contredit l'exigence d'effort minimal et de rapidité. C'est tentant car le fine-tuning adapte véritablement un modèle à la terminologie spécifique au domaine, et conviendrait aux scénarios où aucun glossaire n'existe et où de grands volumes de paires de traduction étiquetées sont déjà disponibles.

D

Fausse

Passez à Amazon Translate avec une terminologie personnalisée.

Amazon Translate est un service distinct, donc basculer abandonne le flux de travail existant du foundation model Bedrock et nécessite une réintégration plutôt qu'un simple changement de configuration. C'est tentant car la terminologie personnalisée est précisément conçue pour appliquer les correspondances de glossaire, et serait correcte si la charge de travail était de la pure traduction sans aucune dépendance à Bedrock.

Pour aller plus loin

Choisir comment adapter un foundation model implique un compromis entre l'effort, le coût et la profondeur de la modification du comportement du modèle. Par ordre d'effort croissant : l'ingénierie de prompt, qui modifie les instructions et le contexte dans chaque requête ; la génération augmentée par récupération (RAG), qui ajoute des informations pertinentes récupérées à partir d'une source de connaissances ; et le fine-tuning ou pré-entraînement continu, qui modifient les poids du modèle avec des données d'entraînement. Ici, le problème est un glossaire connu et fini, des traductions approuvées pour des termes spécifiques, et l'exigence est d'améliorer rapidement avec un effort minimal. Inclure le glossaire dans le prompt, avec des instructions telles que 'Utilisez les traductions approuvées suivantes pour les termes de l'entreprise et ne traduisez pas les noms de produits', donne directement au modèle ce qui lui manque, sans entraînement, préparation de données ou nouvelle infrastructure. C'est l'option A. Des exemples de few-shot montrant des phrases correctement traduites renforcent cela, et un modèle de prompt Bedrock le maintient cohérent. Si le glossaire grandit, ne récupérer que les termes qui apparaissent dans chaque document maintient les prompts courts et le coût bas. Le fine-tuning (option C) nécessite un jeu de données bilingue préparé, du temps d'entraînement, un coût et un débit provisionné pour le modèle personnalisé, ce qui est excessif pour ce problème, et il se peut qu'il n'utilise toujours pas de manière fiable les termes approuvés exacts. Un modèle plus grand (option B) comprend mieux la langue mais ne connaît toujours pas la terminologie privée. Amazon Translate avec la terminologie personnalisée (option D) est une option robuste conçue spécifiquement pour la traduction basée sur un glossaire, mais cela implique de remplacer la solution existante basée sur Bedrock plutôt que de l'améliorer, ce n'est donc pas la réponse à effort minimal ici. Pour l'examen AI Practitioner, commencez par l'ingénierie de prompt et passez au RAG ou au fine-tuning uniquement lorsque cela s'avère insuffisant.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.