পরবর্তী আপপরবর্তী গাইড
ROUGE এবং BLEU মূল্যায়ন মেট্রিক্স
টেকনিক্যাল
প্রযুক্তিগত গাইড
BERTScore এবং শব্দার্থিক মূল্যায়ন
BERTScore পরিমাপ করে যে কতটা ভালোভাবে মেশিন-জেনারেটেড টেক্সট একটি রেফারেন্সের সাথে মেলে অর্থ তুলনা করে, সঠিক শব্দ নয়।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
It fixes a core blind spot of older metrics that punish valid paraphrases.
গভীর ডুব
BERTScore BERT বা RoBERTa এর মতো একটি প্রাসঙ্গিক মডেলের সাথে প্রতিটি টোকেন এম্বেড করে জেনারেট করা টেক্সট (অনুবাদ, সারাংশ, ক্যাপশন) মূল্যায়ন করে, তারপর কোসাইন সাদৃশ্য দ্বারা রেফারেন্স টোকেনের সাথে প্রার্থীর টোকেন মেলে। BLEU এবং ROUGE-এর মতো পুরানো মেট্রিকগুলি ওভারল্যাপিং n-গ্রাম গণনা করে, তাই অভিন্ন অর্থ থাকা সত্ত্বেও 'বিড়াল মাদুরের উপরে' এবং 'একটি বিড়াল পাটির উপরে বসে' স্কোর শূন্যের কাছাকাছি। BERTScore পরিবর্তে লোভনীয় টোকেন ম্যাচিং গণনা করে, তারপর নির্ভুলতা, প্রত্যাহার এবং F1-এ একত্রিত করে। কারণ এম্বেডিংগুলি প্রাসঙ্গিক, বিভিন্ন বাক্যে একই শব্দ বিভিন্ন ভেক্টর পায়, সূক্ষ্মতা ক্যাপচার করে। এটি মানুষের মানের বিচারের সাথে অনেক ভালো সম্পর্কযুক্ত, বিশেষ করে সাবলীল প্যারাফ্রেজের জন্য, যে কারণে এটি 2019 এর প্রবর্তনের পর এটি একটি আদর্শ শব্দার্থ-মূল্যায়ন টুল হয়ে উঠেছে।
বাস্তব-বিশ্ব বাস্তবায়ন
স্কোরিং মেশিন-ট্রান্সলেশন সিস্টেম যেখানে বৈধ শব্দের পরিবর্তন হয়, তাই BLEU অন্যায়ভাবে সঠিক প্যারাফ্রেজকে শাস্তি দেয়
বিমূর্ত সংক্ষিপ্তসারগুলি মূল্যায়ন করা যা বাক্যাংশগুলি অনুলিপি করার পরিবর্তে নতুন শব্দগুলিতে উত্স বিষয়বস্তুকে পুনরায় বর্ণনা করে৷
বেঞ্চমার্কিং ইমেজ-ক্যাপশনিং মডেল যেখানে অনেক সাবলীল ক্যাপশন একই ছবি বর্ণনা করে
স্বর্ণ উত্তরের সাথে চ্যাটবট বা QA প্রতিক্রিয়ার তুলনা করা যখন বাক্যাংশ ভিন্ন হলেও অর্থ অভিন্ন
BERTScore এবং শব্দার্থিক মূল্যায়নের ভবিষ্যত
শব্দার্থিক মূল্যায়ন শিক্ষিত এবং LLM-ভিত্তিক বিচারকদের দিকে সরে যাচ্ছে যারা টোকেন সাদৃশ্যের বাইরে বাস্তবতা, সুসংগততা এবং সহায়কতার মূল্যায়ন করে। BERTScore একটি দ্রুত, পুনরুত্পাদনযোগ্য বেসলাইন রয়ে গেছে, কিন্তু BLEURT, COMET, এবং 'LLM-as-judge' গ্রেডিং ক্যাপচার গুণাবলী BERTScore মিস করে, যেমন হ্যালুসিনেটেড ফ্যাক্টের মতো নতুন পদ্ধতি। হাইব্রিড পাইপলাইন প্রত্যাশা করুন: বৃহৎ-স্কেল স্ক্রীনিংয়ের জন্য সস্তা এম্বেডিং মেট্রিক্স, আরও ব্যয়বহুল মডেল-ভিত্তিক বিচারক চূড়ান্ত, উচ্চ-স্টেকের মূল্যায়নের জন্য সংরক্ষিত।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- খরচ ও বাজেট. আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
- সুস্পষ্ট সিদ্ধান্ত. কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
- মান নিয়ন্ত্রণ. ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
জন্য সতর্ক
- একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
- অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
- সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
পরবর্তী পদক্ষেপ
- বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
- বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
- ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
- স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the BERTScore and Semantic Evaluation quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is BERTScore and Semantic Evaluation?
BERTScore পরিমাপ করে যে কতটা ভালোভাবে মেশিন-জেনারেটেড টেক্সট একটি রেফারেন্সের সাথে মেলে অর্থ তুলনা করে, সঠিক শব্দ নয়। এটি পুরানো মেট্রিক্সের একটি মূল অন্ধ স্পট ঠিক করে যা বৈধ প্যারাফ্রেজকে শাস্তি দেয়।
BLEU এবং ROUGE এর কোন মূল দুর্বলতা BERTScore সম্বোধন করে?
BLEU এবং ROUGE এন-গ্রাম ওভারল্যাপ গণনা করে, তাই বিভিন্ন শব্দের অর্থ-সংরক্ষণের প্যারাফ্রেজ সঠিক হওয়া সত্ত্বেও খারাপ স্কোর করে।
BERTScore কিভাবে সিদ্ধান্ত নেয় যে দুটি টোকেন একই রকম?
BERTScore BERT এর মত একটি মডেলের সাথে টোকেন এম্বেড করে এবং ভেক্টর স্পেসে কোসাইন সাদৃশ্য ব্যবহার করে তাদের তুলনা করে।
এর অর্থ কী যে BERTScore এম্বেডিংগুলি 'প্রসঙ্গিক'?
প্রাসঙ্গিক মডেলগুলি বিভিন্ন প্রসঙ্গে একই শব্দের জন্য বিভিন্ন এম্বেডিং তৈরি করে, অর্থের সূক্ষ্মতা ক্যাপচার করে।
BERTScore সাধারণত কোন তিনটি মান রিপোর্ট করে?
BERTScore নির্ভুলতা, প্রত্যাহার, এবং একটি সম্মিলিত F1 স্কোরের মধ্যে টোকেন ম্যাচিংকে একত্রিত করে।
BERTScore-এ ঐচ্ছিক IDF ওজন নির্ধারণের উদ্দেশ্য কী?
ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি 'the'-এর মতো ঘন ঘন শব্দের প্রভাব হ্রাস করে যা সামান্য অর্থ বহন করে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড