genai machine translation traffic light下載 - genai machine translation traffic light原始碼下載

genai machine translation traffic light

Ai源碼

1.0.0

下載

使用法學碩士進行翻譯品質評估

該存儲庫包含一個程式碼範例，用於部署一個應用程序，該應用程式可以對一些常見語言對的翻譯句子進行品質評估。該應用程式採用來源句子及其翻譯對應內容，並使用大型語言模型來執行一些品質評估並提供紅色、琥珀色或綠色評級。該應用程式還將呈現法學碩士的推理以及它識別出的錯誤清單。

此應用程式的預期用途是評估通用語言對的機器翻譯模型的質量，其中綠色評級不需要人工幹預。 AMBER 評分需要進行一些更正，但翻譯中保留了句子的意圖。紅色評級表示翻譯品質較差，無法使用或改變了來源句子的含義。

該應用程式旨在展示多語言法學碩士的一些有趣的能力，而不是作為一個生產就緒的系統。

設定

先決條件

要部署此應用程序，我們需要一個能夠存取 Bedrock 特定 Bedrock 模型的 AWS 帳戶。若要啟用必要的模型，請執行下列步驟：

登入您將使用的帳戶的 AWS 控制台。
切換到您要部署到的區域。首先檢查 Bedrock 是否在該地區可用，以及您將使用的模型也可用（預設為 Claude 3 Sonnet 和 Llama2 Chat 70B）
導航到控制台上的基岩，然後從下拉式選單中前往Model access
選擇Modify model access
從基本型號清單中選擇：
- 克勞德第 3 首十四行詩
- 駱駝聊天 70B
檢查兩種型號的條款和條件，以及您的使用情況是否在這些範圍內。
按一下Next應立即授予存取權限。如果幾分鐘內未授予存取權限，請聯絡 AWS Support。

本地開發和建置要求和步驟

Python 3.12
AWS SAM CLI
國家公共管理

先建立一個python虛擬環境python3.12 -m venv .venv

接下來，啟動虛擬環境並安裝要求：

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

使用 SAM CLI 建立應用程式
```
sam build --template template.yaml
```
這將首先建立應用程式的套件並在本地建立.aws-sam資料夾。
部署建置的工件。對於您的第一次部署，請使用--guided標誌來回答有關堆疊的一系列問題。這些參數可以保存在本地並在將來的部署中重複使用。
```
sam deploy --guided --profile < AWS_PROFILE >
```
請求的第一個參數將是堆疊名稱。在本文檔的其餘部分中，我們將其稱為$STACK_NAME這將開始將應用程式部署到您指定的 AWS 帳戶。部署時間應少於 15 分鐘。完成後，將顯示堆疊的一組輸出，我們將在下一步中使用它們來配置 UI。

配置使用者介面

為了配置 UI，我們需要使用一些堆疊輸出。

前往您部署到的 AWS 帳戶的控制台，導覽至 Cloudformation，然後導覽至 Stacks。
找到堆疊$STACK_NAME ，將其開啟並轉到「輸出」標籤。
在本地，打開ui/src/aws-exports.js編輯該檔案。

使用 Cloudformation Stacks 的 Outpts 標籤上的對應變數填入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 ,