Maskierte Sprachmodellierung
Die maskierte Sprachmodellierung bringt einer KI bei, absichtlich versteckte Wörter unter Verwendung des gesamten umgebenden Kontexts, sowohl links als auch rechts, einzufügen.
Übersicht
It's the training trick behind BERT and the reason models can deeply understand sentence meaning rather than just predict what comes next.
Tiefer Einblick
Bei der maskierten Sprachmodellierung (MLM) nehmen Sie einen Satz, verstecken etwa 15 % seiner Token zufällig mit einem speziellen [MASK]-Symbol und trainieren das Modell, die Originale zu erraten. Da das Modell Wörter auf beiden Seiten jedes Leerzeichens sieht, baut es ein bidirektionales Verständnis des Kontexts auf. BERT, das 2018 von Google eingeführt wurde, hat dies populär gemacht. Ein cleveres Detail: Von den maskierten Positionen werden etwa 80 % zu [MASK], 10 % werden gegen ein zufälliges Wort ausgetauscht und 10 % bleiben unverändert. Dies verhindert, dass das Modell zum Vorhersagezeitpunkt immer nur ein [MASK]-Token erwartet, und erzwingt Robustheit. Nach diesem Vortraining wird das Modell für Aufgaben wie Klassifizierung, Beantwortung von Fragen und Erkennung benannter Entitäten feinabgestimmt.
Technischer Einblick
MLM verwendet einen Transformer-Encoder mit bidirektionaler Selbstaufmerksamkeit, sodass sich jeder Token gleichzeitig um alle anderen kümmert. Der Verlust wird nur für die maskierten Positionen unter Verwendung der Kreuzentropie gegen die wahren Token-IDs berechnet. Da Aufmerksamkeit nicht kausal ist (keine zukünftige Maskierung), verschmilzt die Darstellung für jedes Wort den linken und rechten Kontext zu einem dichten Vektor. Diese Bidirektionalität ist genau das, was Next-Token-Modelle für die Fähigkeit zur Generierung aufgeben.
Strategische Auswirkungen
Geschwindigkeit und Umfang
Sprachworkflows können schneller ablaufen, ohne dass die Konsistenz darunter leidet.
Zugang und Erreichbarkeit
Es erweitert den Zugang über Sprachen und Kommunikationsstile hinweg.
Klarere Entscheidungen
Teams können mehr Zeit für die Beurteilung aufwenden, während die Automatisierung die Wiederholungen bewältigt.
Die Zukunft der maskierten Sprachmodellierung
Reines MLM wurde teilweise von generativen Decoder-Modellen für Chatbots in den Schatten gestellt, aber es bleibt dominant für Einbettungen, Abrufe und Klassifizierungen, bei denen das Verständnis die Generierung übertrifft. Varianten wie RoBERTa, ELECTRAs Erkennung ersetzter Token und DeBERTa treiben weiterhin Genauigkeit und Effizienz voran. Erwarten Sie, dass Encoder im MLM-Stil weiterhin eine zentrale Rolle bei der Suche und semantischen Ähnlichkeit spielen und als leichte Komponenten in größeren abrufgestützten und multimodalen Systemen fungieren, in denen schnelles und tiefes Verständnis wichtiger ist als freier Text.
Reale Umsetzung
Unterstützt das BERT-basierte Verständnis von Konversationsabfragen von Google Search, um relevantere Seiten anzuzeigen.
Generierung von Satzeinbettungen für semantische Such- und Dokumentabfragesysteme.
Feinabstimmung von BERT für die Stimmungsanalyse bei Produktbewertungen oder Support-Tickets.
Erkennung benannter Entitäten, die Personen, Organisationen und Daten aus juristischen oder medizinischen Texten extrahiert.
Risiken und Leitplanken
Halluzinierte Fakten können still und leise in Berichte, Support-Flows oder Forschungsergebnisse einfließen.
Eine schnelle Sensibilität kann bei ähnlichen Anfragen zu inkonsistenten Ergebnissen führen.
Sensible Textdaten können offengelegt werden, wenn die Zugriffskontrollen schwach sind.
Implementierungs-Roadmap
Definieren Sie vor dem Rollout Ausgabeformat, Ton und Qualitätsstandards.
Bodenantworten mit vertrauenswürdigen Quellen, wann immer es auf Genauigkeit ankommt.
Halten Sie einen Kontrollpunkt für die menschliche Überprüfung für Ergebnisse mit hohem Risiko ein.
Verfolgen Sie Fehlermuster und trainieren Sie Eingabeaufforderungen oder Arbeitsabläufe regelmäßig neu.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Masked Language Modeling quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Nächster Leitfaden
Sprachmodellierung
Häufig gestellte Fragen
What is Masked Language Modeling?
Die maskierte Sprachmodellierung bringt einer KI bei, absichtlich versteckte Wörter unter Verwendung des gesamten umgebenden Kontexts, sowohl links als auch rechts, einzufügen. Es ist der Trainingstrick hinter BERT und der Grund dafür, dass Modelle die Satzbedeutung tiefgreifend verstehen können, anstatt nur vorherzusagen, was als nächstes kommt.
Was ist die Kernschulungsaufgabe bei der maskierten Sprachmodellierung?
MLM verbirgt einen Bruchteil der Token und trainiert das Modell, um sie mithilfe des linken und rechten Kontexts wiederherzustellen.
Wie viel Prozent der Token maskiert BERT normalerweise während des Vortrainings?
BERT maskiert etwa 15 % der Eingabe-Tokens, ein Gleichgewicht zwischen ausreichender Signalgabe und ausreichender Hinterlassenschaft von Kontext.
Warum vermittelt MLM ein Modell mit bidirektionalem Verständnis?
Der Transformer-Encoder nutzt nicht-kausale Selbstaufmerksamkeit, sodass jeder Token alle anderen auf beiden Seiten sehen kann.
Was passiert im Maskierungsschema von BERT mit etwa 10 % der ausgewählten Positionen, anstatt zu [MASKE] zu werden?
Um die Robustheit zu verbessern, werden 10 % der maskierten Positionen gegen einen zufälligen Token ausgetauscht und 10 % bleiben unverändert.
Auf welchen Positionen wird der MLM-Verlust berechnet?
Der Kreuzentropieverlust wird nur auf die maskierten Positionen angewendet und die Vorhersagen mit den ursprünglichen Token-IDs verglichen.