بيانات التوجيه

تُعد بيانات التوجيه آلية rosetta لتعليم النماذج اللغوية الكبيرة (LLMs) لغات لم يتم تدريبها عليها. من خلال توفير القواعد النحوية، والقواميس، وملاحظات الأسلوب جنبًا إلى جنب مع كل طلب ترجمة، يمكنك تحويل نموذج لغوي كبير (LLM) عام الأغراض إلى مترجم مدرك للسياق لأي لغة — بما في ذلك اللغات التي لا تحظى بأي دعم حالي في الترجمة الآلية (MT).

كيف تعمل

عندما تقوم بتعيين طريقة الزوج اللغوي إلى llm-coached، تقوم rosetta بتحميل ملف توجيه من .rosetta/coaching/<locale>.json وتدرج محتوياته في كل مطالبة (prompt) للنموذج اللغوي الكبير كجزء من رسالة النظام. يرى النموذج اللغوي الكبير (LLM) قواعدك اللغوية جنبًا إلى جنب مع طلب الترجمة، مما ينتج عنه مخرجات تتبع قواعدك النحوية ومصطلحاتك بدلاً من التخمين.

┌──────────────────────────────────────────────────────┐
│ System Message (cached across batches)               │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Base translation rules                           │ │
│ │ + Register instructions                          │ │
│ │ + Grammar rules (from coaching data)             │ │
│ │ + Dictionary entries (from coaching data)         │ │
│ │ + Style notes (from coaching data)               │ │
│ └──────────────────────────────────────────────────┘ │
├──────────────────────────────────────────────────────┤
│ User Message (per batch)                             │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Keys to translate (JSON)                         │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────┘

نظرًا لأن بيانات التوجيه تمثل جزءًا من رسالة النظام، فإنها تستفيد من التخزين المؤقت للمطالبات (prompt caching) — حيث يقوم مزودون مثل Anthropic و Google بتخزين بادئات النظام المتكررة مؤقتًا، لذلك لن تدفع مقابل سياق التوجيه سوى مرة واحدة لكل جلسة، وليس مرة واحدة لكل دفعة.

تنسيق ملف التوجيه

قم بإنشاء ملف JSON واحد لكل لغة محلية (locale) في .rosetta/coaching/:

.rosetta/coaching/crk.json

{
  "grammar_rules": [
    "Plains Cree is polysynthetic — a single word can express what English needs a full sentence for",
    "Animate/inanimate noun distinction affects verb conjugation",
    "Use SRO (Standard Roman Orthography) unless script converter handles conversion",
    "Verb stems are modified by prefixes and suffixes to indicate person, number, tense, and evidentiality"
  ],
  "dictionary": {
    "home": "kīwēwin",
    "settings": "isi-nākatohkēwin",
    "search": "nānātawāpahtam",
    "welcome": "tānisi",
    "submit": "ispīhci",
    "cancel": "pōni"
  },
  "style_notes": "Use formal register. Preserve English technical terms in parentheses when no Cree equivalent exists. Avoid loanwords when a descriptive Cree expression exists."
}

الحقول

الحقل	النوع	مطلوب	الوصف
grammar_rules	string[]	لا	مصفوفة من القواعد النحوية المدرجة في مطالبة النظام. يجب أن تكون كل قاعدة عبارة عن تعليمات موجزة وقابلة للتنفيذ يمكن للنموذج اللغوي الكبير (LLM) اتباعها.
dictionary	object	لا	خريطة مفتاح-قيمة (Key-value map) للمصطلح الإنجليزي → مصطلح اللغة المستهدفة. تُستخدم للمفردات الخاصة بمجال معين والتي قد لا يعرفها النموذج اللغوي الكبير.
style_notes	string	لا	تعليمات أسلوب حرة التنسيق (مستوى اللغة، النبرة، أعراف الرسمية).

جميع الحقول اختيارية — يمكنك البدء بقاموس فقط وإضافة القواعد النحوية أثناء التحسين.

السلوك الاحتياطي

إذا تم تكوين زوج لغوي لـ llm-coached ولكن لا يوجد ملف توجيه لتلك اللغة المحلية، فإن rosetta ترجع إلى الطريقة القياسية llm مع ظهور تحذير في وحدة التحكم (console):

[INFO] No coaching data for "crk" at .rosetta/coaching/crk.json
       Falling back to standard LLM method. Create coaching data for better results.

هذا يعني أنه يمكنك تعيين "defaultMethod": "llm-coached" بشكل عام بأمان — حيث ستستخدمه اللغات التي تحتوي على بيانات توجيه، وستحصل باقي اللغات على ترجمة LLM قياسية دون أخطاء.

متى تستخدم التوجيه

السيناريو	الطريقة الموصى بها
لغات المستوى الأول (الفرنسية، الإسبانية، الألمانية)	llm أو google-translate — النماذج اللغوية الكبيرة (LLMs) تعرفها جيدًا بالفعل
لغات المستوى الثاني (الكورية، التركية، التايلاندية)	llm مع تحديد مستوى اللغة — تتعامل النماذج اللغوية الكبيرة معها بشكل مناسب مع توجيهات الأسلوب
لغات المستوى الثالث (الكري السهول، اليوروبا، الكيتشوا)	llm-coached — تحتاج النماذج اللغوية الكبيرة إلى قواعد نحوية وقواميس
اللغات المصطنعة (الكلينغونية، السندارينية، الكريبتونية)	llm-coached — تمتلك النماذج اللغوية الكبيرة بعض بيانات التدريب ولكنها تحتاج إلى تصحيحات

بناء بيانات توجيه جيدة

القواعد النحوية

اكتب القواعد في شكل تعليمات، وليس أوصاف. يتبع النموذج اللغوي الكبير (LLM) التعليمات بشكل أفضل من تفسيره للنظريات اللغوية.

// ❌ Descriptive (the LLM learns nothing actionable)
"Plains Cree has animate and inanimate noun classes"

// ✅ Instructive (the LLM knows what to do)
"When translating nouns, check whether the Cree equivalent is animate (NA) or inanimate (NI) — this affects which verb conjugation to use"

القواميس

ركز على المصطلحات الخاصة بالمجال التي قد يخطئ فيها النموذج اللغوي الكبير أو يبتكرها. لا تهتم بالكلمات الشائعة التي يتعامل معها النموذج بالفعل — بل ركز على المصطلحات الخاصة بواجهة المستخدم (UI) لتطبيقك.

ملاحظات الأسلوب

كن محددًا بشأن مستوى اللغة، والرسمية، والأعراف:

"style_notes": "Use formal register (vous-form in French). Preserve brand names untranslated. UI labels should be imperative mood ('Save', not 'Saves'). Maximum 40 characters for button text."

اختبار الترجمات الموجهة

استخدم MT Eval Harness لقياس أداء ترجماتك الموجهة مقارنة بمدونة مرجعية (reference corpus):

# Install the harness
pip install mt-eval-harness

# Run coached translations against your test corpus
mt-eval run --corpus data/crk-corpus.json --model google/gemini-2.5-pro

# Score the results
mt-eval test eval/logs/run_*.json

يمنحك هذا درجات تقييم chrF++، و BLEU، والتطابق التام (exact match). قم بإنشاء إصدارات متعددة من ملف التوجيه وقارن بينها — فالمقاييس الموضوعية تتفوق على المراجعة الذاتية.

---

انظر أيضًا

• طرق الترجمة — طريقة llm-coached
• دعم لغة قليلة الموارد — التوجيه في الممارسة العملية
• مواصفات المكون الإضافي — حزم بيانات التوجيه في مكون إضافي
• بوابة الجودة — كيفية التحقق من صحة الترجمات الموجهة
• التكوين — تكوين التوجيه لكل زوج لغوي