Kontakt aufnehmen

Schulungsübersicht

Einführung in die Unternehmenslokalisierung mit LLMs

  • Verständnis von Lokalisierungsökosystemen im Unternehmen
  • Von neuronaler Maschinenübersetzung (NMT) zu LLM-gestützter Übersetzung
  • Herausforderungen bei Qualität, Governance und Compliance

LLM-Modelllandschaft für die Lokalisierung

  • Vergleich von Deepseek-, Qwen-, Mistral- und OpenAI-Modellen
  • Fine-Tuning und Anpassung für Übersetzung und Post-Editing
  • Modellbereitstellung und Aspekte der Kosten-Nutzen-Beziehung

Architektur von LLM-Lokalisierungs-Pipelines

  • Systemdesign-Muster für LLM-basierte Übersetzung
  • Anbindung von APIs, Datenbanken und Content-Management-Systemen
  • Pipeline-Orchestrierung mit LangChain und Docker

Automatisierte Qualitätssicherung für LLM-Übersetzungen

  • Definition linguistischer Qualitätsmetriken (BLEU, COMET, MQM)
  • Aufbau automatisierter QA-Agenten zur Validierung von Übersetzungen
  • Feedback-Schleifen für Post-Editing und kontinuierliche Verbesserung

Governance und Compliance in der Lokalisierungskünstlichen Intelligenz

  • Etablierung von Human-in-the-Loop-Governance
  • Tracking, Audit-Logs und Änderungskontrolle
  • Ethische Standards und Datenschutzrichtlinien in LLM-Systemen

Bewertungs- und Monitoring-Rahmenwerke

  • Überwachung der Übersetzungsleistung und von Drift-Erscheinungen
  • Echtzeit-Benachrichtigungen und Protokollierung mit Open-Source-Tools
  • Implementierung von Review-Dashboards für die QA-Aufsicht

Unternehmensintegration und Workflow-Automatisierung

  • Integration von LLM-Übersetzungspipelines mit CMS- und TMS-Systemen
  • Workflow-Automatisierung und Job-Scheduling
  • Abteilungsübergreifende Zusammenarbeit und Versionskontrolle

Skalierung und Absicherung der Lokalisierungsinfrastruktur

  • Skalierung von Multi-Model-Bereitstellungen in Cloud und On-Premises
  • Sicherheit, Zugriffsmanagement und Datenverschlüsselung
  • Best Practices für die Governance bei der unternehmensweiten Einführung von LLMs

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundkenntnisse in Machine Learning und Natural Language Processing
  • Erfahrung mit Python oder TypeScript für die API-Integration
  • Vertrautheit mit Unternehmens-Lokalisierungsworkflows und -Tools

Zielgruppe

  • KI- und NLP-Ingenieure
  • Lokalisierungstechnologie-Manager
  • Softwarearchitekten und Engineering-Leads
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien