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.
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.