Преглед
ELMo (Embeddings from Language Models) беше пробив от 2018 г., който даде на всяка дума представяне, оформено от нейното изречение, така че „банка“ в „речен бряг“ се различава от „банка“ в „спестовна банка“. Той отбеляза преминаването от статични вектори на думи към контекстно-зависимо НЛП.
ELMo Contextual Embeddings е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
ELMo, въведен от Allen Institute за изследователи на AI (Peters et al., 2018), създава представяния на думи чрез изпълнение на изречение през дълбок двупосочен езиков модел LSTM, обучен върху корпус от милиард думи. За разлика от Word2Vec или GloVe, които присвояват един фиксиран вектор на дума, ELMo изчислява нов вектор за всяко събитие въз основа на заобикалящия контекст. Най-важното е, че ELMo комбинира всички вътрешни LSTM слоеве чрез научени, специфични за задачата тегла, вместо да използва само горния слой. По-ниските слоеве са склонни да улавят синтаксиса (част от речта, структура), докато по-високите слоеве улавят семантиката и смисъла на думата. Добавянето на ELMo към съществуващите модели доведе до големи печалби в шест сравнителни задачи, включително отговаряне на въпроси, анализ на настроението и разпознаване на именуван обект.
Техническа информация
ELMo подрежда два LSTM: преден езиков модел, предсказващ следващата дума, и обратен, предсказващ предходната дума, всеки върху входове на CNN на ниво символ (така че обработва невидими думи). За задача надолу по веригата ELMo свива представянията на слоевете, използвайки softmax-нормализирани тегла плюс скалар, всички научени по време на фина настройка. Това означава, че всяка задача може да реши колко синтактичен спрямо семантичен сигнал иска от замразения предварително обучен biLM.
Овладяване на контекстни вграждания на ELMo
ELMo (Embeddings from Language Models) беше пробив от 2018 г., който даде на всяка дума представяне, оформено от нейното изречение, така че „банка“ в „речен бряг“ се различава от „банка“ в „спестовна банка“. Той отбеляза преминаването от статични вектори на думи към контекстно-зависимо НЛП. ELMo Contextual Embeddings е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте ELMo Contextual Embeddings като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно от това, което все още изисква експертна преценка.
На практика силни екипи, използващи ELMo Contextual Embeddings, проектират цикли за подкани, извличане и преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Подобряване на системите за разпознаване на именувани обекти, които трябва да разберат дали „Вашингтон“ се отнася за лице, държава или град въз основа на околните думи
Повишаване на анализа на настроенията чрез улавяне, че „болен“ означава отрицателно в „Чувствам се болен“, но положително на жаргон „това е болно“
Подобряване на системите за отговаряне на въпроси в бенчмарка SQuAD чрез подаване на чувствителни към контекста токен вектори в четеца
Разграничаване на смисъла на думата при машинен превод, така че многозначните думи като „растение“ да се превеждат правилно в даден контекст
Модели на изпълнение
ELMo Contextual Embeddings на практика
Подобряване на системите за разпознаване на именувани обекти, които трябва да разберат дали „Вашингтон“ се отнася за лице, държава или град въз основа на околните думи.
Подобряване на системите за разпознаване на наименувани обекти, които трябва да разберат дали „Вашингтон“ се отнася за човек, щат или град въз основа на заобикалящите думи Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
ELMo Contextual Embeddings на практика
Повишаване на анализа на настроенията чрез улавяне, че „болен“ означава отрицателно в „Чувствам се болен“, но положително на жаргон „това е болно“.
Повишаване на анализа на настроенията чрез улавяне, че „болен“ означава отрицателно в „Чувствам се болен“, но положително на жаргон „това е болно“ Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
ELMo Contextual Embeddings на практика
Подобряване на системите за отговаряне на въпроси в бенчмарка SQuAD чрез подаване на чувствителни към контекста токен вектори в четеца.
Подобряване на системите за отговаряне на въпроси в бенчмарка SQuAD чрез подаване на чувствителни към контекста токени вектори в четеца Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
ELMo Contextual Embeddings на практика
Разграничаване на смисъла на думата при машинен превод, така че многозначните думи като „растение“ да превеждат правилно даден контекст.
Разграничаване на смисъла на думата в машинния превод, така че многозначните думи като „растение“ да се превеждат правилно в даден контекст. Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.