CompactQE: Estimación interpretable de la calidad de la traducción mediante LLMs pequeños de peso abierto

La estimación de calidad en traducción automática ha evolucionado desde métricas tradicionales hacia enfoques basados en grandes modelos de lenguaje. Sin embargo, el uso de modelos propietarios masivos plantea retos de privacidad de datos y costes elevados. Una alternativa emergente son los modelos de peso abierto con menos de 30 mil millones de parámetros, que mediante estrategias de prompting eficientes pueden generar simultáneamente puntuaciones de calidad, anotaciones de errores, correcciones sugeridas y posediciones completas. Estos sistemas ofrecen una interpretabilidad que los modelos cerrados no pueden proporcionar, al tiempo que mantienen correlaciones competitivas con juicios humanos. En este contexto, empresas como Q2BSTUDIO desarrollan ia para empresas que integran modelos ligeros y abiertos, permitiendo a sus clientes desplegar soluciones de traducción y análisis de calidad sin comprometer la seguridad ni depender de infraestructuras externas. Además, la combinación de estas capacidades con servicios cloud aws y azure facilita escalabilidad y cumplimiento normativo. La compañía también ofrece software a medida y aplicaciones a medida que incorporan agentes IA para automatizar flujos de trabajo de traducción, junto con servicios inteligencia de negocio como power bi para visualizar métricas de calidad. La ciberseguridad es otro pilar fundamental, asegurando que los datos sensibles de los clientes permanezcan protegidos durante todo el proceso. Esta aproximación demuestra que la inteligencia artificial para empresas no necesita ser masiva para ser efectiva; con modelos compactos y estrategias de prompting inteligentes, es posible obtener resultados interpretables, privados y económicamente viables, marcando un nuevo paradigma en la estimación de calidad de traducción.