All translations

Enter a message name below to show all available translations.

Found 8 translations.

Name	Current message text
^h German (de)	* '''Feedback-Schleifen:''' Die Einbeziehung gesammelten Feedbacks und des RLHF-Zyklus ist entscheidend für die kontinuierliche Verbesserung. Es ermöglicht LLM-Modellen, sowohl unsere Lösungen als auch Sprachmodelle im Laufe der Zeit zu verfeinern, wodurch der Chatbot zunehmend kompetenter wird. Wenn jedoch die gewählten Grundmodelle keine Anpassung bieten, wird es schwierig, die Modelle an menschliches Feedback anzupassen. Wenn das Feedback signifikant ist und aus vielen Bereichen stammt, könnte eine Modellanpassung eine Option sein. Derzeit haben wir begonnen, Benutzerfeedback zu sammeln, aber unsere kontinuierlichen Lernpipelines mit RLHF noch nicht aufgebaut. Werkzeuge, die dies automatisieren, sind entscheidend für das Lebenszyklusmanagement dieser Chatbots nach der Produktion.
^h English (en)	* '''Feedback Loops:''' Incorporating feedback gathered and the RLHF cycle is pivotal for continuous improvement. It allows LLM models to refine both our solutions and Language Models over time, ensuring that the chatbot becomes increasingly proficient. However, if the chosen foundational models don’t offer customization, then it becomes difficult to align the models to human feedback. If the feedback is significant and comes in many areas, then model customization may be an option. As of now, we have begun gathering user feedback but haven’t built our continuous learning pipelines using RLHF yet. Having tools to make this automated is critical to post-production life cycle management of these chatbots.
^h Spanish (es)	* '''Bucles de Retroalimentación:''' Incorporar la retroalimentación recopilada y el ciclo RLHF es fundamental para la mejora continua. Permite que los modelos LLM refinen tanto nuestras soluciones como los Modelos de Lenguaje con el tiempo, asegurando que el chatbot se vuelva cada vez más competente. Sin embargo, si los modelos fundamentales elegidos no ofrecen personalización, entonces se vuelve difícil alinear los modelos con la retroalimentación humana. Si la retroalimentación es significativa y abarca muchas áreas, entonces la personalización del modelo puede ser una opción. Hasta ahora, hemos comenzado a recopilar retroalimentación de los usuarios, pero aún no hemos construido nuestras canalizaciones de aprendizaje continuo utilizando RLHF. Tener herramientas para automatizar esto es crítico para la gestión del ciclo de vida postproducción de estos chatbots.
^h French (fr)	* '''Boucles de rétroaction :''' L'intégration des retours d'information recueillis et du cycle RLHF est essentielle pour une amélioration continue. Cela permet aux modèles LLM de peaufiner à la fois nos solutions et les modèles de langage au fil du temps, garantissant que le chatbot devienne de plus en plus compétent. Cependant, si les modèles de base choisis n'offrent pas de personnalisation, il devient difficile d'aligner les modèles sur les retours humains. Si les retours sont significatifs et couvrent de nombreux domaines, la personnalisation des modèles peut être une option. À ce jour, nous avons commencé à recueillir les retours des utilisateurs, mais nous n'avons pas encore construit nos pipelines d'apprentissage continu utilisant RLHF. Disposer d'outils pour automatiser ce processus est crucial pour la gestion du cycle de vie post-production de ces chatbots.
^h Japanese (ja)	* '''フィードバックループ:''' 収集したフィードバックとRLHFサイクルを取り入れることは、継続的な改善において極めて重要です。これにより、LLMモデルは時間とともに我々のソリューションと言語モデルの両方を洗練し、チャットボットがますます熟練することを保証します。しかし、選択した基盤モデルがカスタマイズを提供しない場合、人間のフィードバックにモデルを合わせることは困難になります。フィードバックが重要で多くの分野にわたる場合、モデルのカスタマイズが選択肢となるかもしれません。現時点では、ユーザーフィードバックの収集を開始しましたが、RLHFを使用した継続的な学習パイプラインはまだ構築していません。これを自動化するためのツールを持つことは、これらのチャットボットのポストプロダクションライフサイクル管理において重要です。
^h Korean (ko)	* '''피드백 루프:''' 수집된 피드백과 RLHF 사이클을 통합하는 것은 지속적인 개선을 위해 매우 중요합니다. 이는 LLM 모델이 시간에 따라 우리의 솔루션과 언어 모델을 정제할 수 있게 하여 챗봇이 점점 더 능숙해지도록 합니다. 그러나 선택한 기초 모델이 맞춤화를 제공하지 않는다면, 모델을 인간의 피드백에 맞추는 것이 어려워집니다. 피드백이 중요하고 여러 분야에서 제공된다면, 모델 맞춤화가 하나의 옵션이 될 수 있습니다. 현재 우리는 사용자 피드백을 수집하기 시작했지만, 아직 RLHF를 사용한 지속적인 학습 파이프라인을 구축하지 않았습니다. 이를 자동화할 수 있는 도구를 갖추는 것은 이러한 챗봇의 생산 후 라이프 사이클 관리에 필수적입니다.
^h Portuguese (pt)	* '''Feedback Loops:''' A incorporação de feedbacks coletados e o ciclo RLHF é fundamental para a melhoria contínua. Isso permite que os modelos LLM refinem tanto nossas soluções quanto os Modelos de Linguagem ao longo do tempo, garantindo que o chatbot se torne cada vez mais proficiente. No entanto, se os modelos fundamentais escolhidos não oferecem personalização, torna-se difícil alinhar os modelos ao feedback humano. Se o feedback for significativo e abranger muitas áreas, então a personalização do modelo pode ser uma opção. Até o momento, começamos a coletar feedback dos usuários, mas ainda não construímos nossos pipelines de aprendizado contínuo usando RLHF. Ter ferramentas para automatizar isso é crítico para a gestão do ciclo de vida pós-produção desses chatbots.
^h Chinese (zh)	* '''反馈循环：''' 结合收集到的反馈和RLHF循环对于持续改进至关重要。它使得LLM模型能够随着时间的推移不断优化我们的解决方案和语言模型，确保聊天机器人变得越来越熟练。然而，如果所选择的基础模型不提供定制化，那么就很难将模型与人类反馈对齐。如果反馈在多个领域中显著且广泛，那么模型定制可能是一个选项。目前，我们已经开始收集用户反馈，但尚未使用RLHF构建我们的持续学习管道。拥有能够实现自动化的工具对于这些聊天机器人的后期生产生命周期管理至关重要。