Modèles séquence à séquence
Les modèles séquence à séquence mappent une séquence à une autre de longueur éventuellement différente, comme traduire une phrase ou résumer un document.
Aperçu
They introduced the encoder-decoder design and the attention mechanism that paved the way for the Transformer.
Plongée profonde
Un modèle séquence à séquence (seq2seq) comporte deux parties : un encodeur qui lit la séquence d'entrée et compresse sa signification, et un décodeur qui génère la séquence de sortie un jeton à la fois. Le travail historique de Sutskever, Vinyals et Le réalisé en 2014 utilisait des LSTM empilés pour la traduction automatique. Une faiblesse est apparue : le fait de regrouper une phrase entière dans un seul vecteur de longueur fixe a entraîné une perte d'informations sur les entrées longues. En 2015, Bahdanau a attiré l'attention, permettant au décodeur de revenir sur tous les états du codeur et de se concentrer sur les plus pertinents pour chaque mot de sortie. Cela a résolu le goulot d’étranglement et amélioré considérablement la traduction. L'idée se généralise à toute tâche de texte d'entrée à sortie et a directement inspiré l'architecture d'auto-attention complète du Transformer en 2017.
Aperçu technique
L'encodeur produit une séquence d'états cachés ; le décodeur génère des sorties de manière autorégressive, conditionnées par les sorties précédentes et le contexte du codeur. Attention calcule une somme pondérée des états du codeur à l'aide des scores d'alignement, de sorte que chaque étape de décodage dessine un vecteur de contexte personnalisé. Cela dissocie la longueur de sortie d'un seul vecteur de goulot d'étranglement et fournit un alignement doux entre les positions d'entrée et de sortie, qui peut également être interprété comme les mots sources qui ont conduit chaque mot traduit.
Impact stratégique
Vitesse et échelle
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Accès et portée
Il étend l’accès à toutes les langues et styles de communication.
Décisions plus claires
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
L'avenir des modèles séquence à séquence
Le seq2seq moderne est dominé par les modèles d'encodeur-décodeur Transformer comme T5 et BART, qui encadrent presque toutes les tâches PNL sous forme de texte à texte. Seq2seq basé sur RNN est en grande partie historique, mais le modèle codeur-décodeur prospère dans la traduction, le résumé et la reconnaissance vocale. Attendez-vous à une croissance continue des systèmes seq2seq multilingues et multimodaux, ainsi qu'à des gains d'efficacité grâce aux décodeurs non autorégressifs et distillés qui émettent des sorties plus rapidement tout en préservant la qualité.
Mise en œuvre dans le monde réel
Systèmes de traduction automatique convertissant des phrases anglaises en français ou en japonais.
Résumé de texte abstrait qui réécrit les longs articles en courts résumés.
Reconnaissance vocale mappant une séquence de forme d'onde audio à une transcription de texte.
Chatbot et systèmes de dialogue qui mappent un énoncé d'utilisateur à une réponse générée.
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
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 Sequence-to-Sequence Models 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
Guide suivant
Forçage des enseignants dans les modèles de séquence
Questions fréquemment posées
What is Sequence-to-Sequence Models?
Les modèles séquence à séquence mappent une séquence à une autre de longueur éventuellement différente, comme traduire une phrase ou résumer un document. Ils ont introduit la conception du codeur-décodeur et le mécanisme d’attention qui ont ouvert la voie au Transformer.
Quels sont les deux principaux composants d’un modèle séquence à séquence ?
Un encodeur lit et compresse l'entrée, et un décodeur génère la séquence de sortie.
Quel problème clé le mécanisme d’attention a-t-il résolu dans les modèles seq2seq ?
Attention, laissez le décodeur accéder à tous les états du codeur au lieu de s'appuyer sur un seul vecteur compressé, corrigeant ainsi les performances des phrases longues.
Quelle architecture le modèle de traduction seq2seq original de 2014 utilisait-il ?
Sutskever et coll. utilisé des réseaux récurrents LSTM empilés pour l'encodeur et le décodeur.
Comment l’attention construit-elle le contexte de chaque étape de décodage ?
L'attention attribue des poids aux états du codeur afin que chaque étape de sortie se concentre sur les positions d'entrée les plus pertinentes.
Pourquoi les sorties seq2seq peuvent-elles différer en longueur des entrées ?
Le décodeur génère de manière autorégressive et peut s'arrêter à un jeton de fin de séquence, permettant une longueur de sortie variable.