genai machine translation traffic light下载 - genai machine translation traffic light源代码下载

genai machine translation traffic light

Ai源码

1.0.0

下载

使用法学硕士进行翻译质量评估

该存储库包含一个代码示例，用于部署一个应用程序，该应用程序可以对一些常见语言对的翻译句子进行质量评估。该应用程序采用源句子及其翻译对应内容，并使用大型语言模型来执行一些质量评估并提供红色、琥珀色或绿色评级。该应用程序还将呈现法学硕士的推理以及它识别出的错误列表。

此应用程序的预期用途是评估通用语言对的机器翻译模型的质量，其中绿色评级不需要人工干预。 AMBER 评级需要进行一些更正，但翻译中保留了句子的意图。红色评级表示翻译质量较差，无法使用或改变了源句子的含义。

该应用程序旨在展示多语言法学硕士的一些有趣的能力，而不是作为一个生产就绪的系统。

设置

先决条件

要部署此应用程序，我们需要一个能够访问 Bedrock 特定 Bedrock 模型的 AWS 账户。要启用必要的模型，请执行以下步骤：

登录您将使用的账户的 AWS 控制台。
切换到您要部署到的区域。首先检查 Bedrock 是否在该地区可用，以及您将使用的模型也可用（默认为 Claude 3 Sonnet 和 Llama2 Chat 70B）
导航到控制台上的基岩，然后从下拉菜单中转到Model access
选择Modify model access
从基本型号列表中选择：
- 克劳德第 3 首十四行诗
- 骆驼聊天 70B
检查两种型号的条款和条件，以及您的使用情况是否在这些范围内。
单击Next应立即授予访问权限。如果几分钟内未授予访问权限，请联系 AWS Support。

本地开发和构建要求和步骤

Python 3.12
AWS SAM CLI
国家公共管理

先创建一个python虚拟环境python3.12 -m venv .venv

接下来，激活虚拟环境并安装要求：

 source .venv/bin/activate
pip install -r requirements.txt

使用 SAM CLI 构建应用程序
```
sam build --template template.yaml
```
这将首先构建应用程序的包并在本地创建.aws-sam文件夹。
部署构建的工件。对于您的第一次部署，请使用--guided标志来回答有关堆栈的一系列问题。这些参数可以保存在本地并在将来的部署中重复使用。
```
sam deploy --guided --profile < AWS_PROFILE >
```
请求的第一个参数将是堆栈名称。在本文档的其余部分中，我们将其称为$STACK_NAME这将开始将应用程序部署到您指定的 AWS 账户。部署时间应该少于 15 分钟。完成后，将显示堆栈的一组输出，我们将在下一步中使用它们来配置 UI。

配置用户界面

为了配置 UI，我们需要使用一些堆栈输出。

转到您部署到的 AWS 账户的控制台，导航到 Cloudformation，然后导航到 Stacks。
找到堆栈$STACK_NAME ，将其打开并转到“输出”选项卡。
在本地，打开ui/src/aws-exports.js编辑该文件。

使用 Cloudformation Stacks 的 Outpts 选项卡上的相应变量填写aws-exports.js中的以下值：

aws_project_region: $Region ,
aws_cognito_region: $Region ,
aws_user_files_s3_bucket_region: $Region ,

aws_user_files_s3_bucket: $S3Bucket ,
aws_cloud_logic_custom: [
    {
    name: " api " ,
    endpoint: " $Endpoint " ,
    },
],
aws_user_pools_id: $UserPoolsId ,
aws_cognito_identity_pool_id: $IdentityPoolId ,
aws_user_pools_web_client_id: $UserPoolsWebClientId ,