Tokenisation WordPièce
WordPièce est l'algorithme de tokenisation de sous-mots qui alimente BERT et de nombreux modèles Google, divisant les mots en fragments réutilisables afin qu'un modèle puisse gérer n'importe quel texte avec un vocabulaire fixe.
Aperçu
C'est pourquoi un modèle qui n'a jamais vu le « malheur » peut toujours le comprendre en lisant « un », « ##happy » et « ##ness ».
Plongée profonde
WordPièce construit un vocabulaire d'unités de sous-mots plutôt que de mots entiers ou de caractères uniques. En partant de caractères individuels, il fusionne avidement la paire de symboles qui augmente le plus la probabilité du corpus de formation, en répétant jusqu'à ce qu'il atteigne une taille de vocabulaire cible (BERT utilise environ 30 000 jetons). Lors de l'inférence, il symbolise avidement de gauche à droite, en faisant correspondre le sous-mot le plus long du vocabulaire, puis en continuant sur le reste. Les pièces de continuation à l'intérieur d'un mot sont marquées d'un préfixe « ## », donc « jouer » devient « jouer » + « ##ing ». Cela résout le problème du vocabulaire hors du vocabulaire : les mots rares ou invisibles se décomposent simplement en fragments connus, jusqu'à des caractères uniques si nécessaire, tandis que les mots courants restent sous forme de jetons uniques pour plus d'efficacité.
Aperçu technique
WordPièce diffère de Byte-Pair Encoding par son critère de fusion. BPE fusionne la paire adjacente la plus fréquente ; WordPièce fusionne la paire qui maximise la probabilité des données d'entraînement, en choisissant approximativement la paire dont la fréquence commune dépasse le plus le produit des fréquences de ses parties. Le marqueur '##' distingue les éléments initiaux des mots des continuations, permettant au tokenizer de reconstruire les limites des mots sans ambiguïté lors du décodage en texte.
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 de la tokenisation WordPièce
Les nouveaux grands modèles de langage privilégient de plus en plus les modèles d'unigramme BPE au niveau octet (famille GPT) ou SentencePièce, qui évitent le prétraitement spécifique au langage et gèrent toute entrée Unicode. WordPièce reste fondamental dans les encodeurs dérivés de BERT, encore largement déployés pour la recherche et la classification. Attendez-vous à une utilisation continue dans le PNL de production, parallèlement à la recherche de modèles d'octets et de caractères sans tokenizer qui pourraient éventuellement réduire complètement le recours à des vocabulaires de sous-mots fixes.
Mise en œuvre dans le monde réel
BERT tokenise les requêtes de recherche dans Google Search, divisant les termes inconnus en sous-mots afin que le modèle puisse toujours correspondre aux pages pertinentes.
BertTokenizer de Hugging Face utilise WordPièce pour convertir le texte brut en identifiants de jeton transmis à BERT pour l'analyse des sentiments et la reconnaissance d'entités nommées.
BERT multilingue utilise un vocabulaire WordPièce partagé dans plus de 100 langues, permettant aux fragments d'être réutilisés dans des scripts associés.
Les variantes DistilBERT et BERT cliniques/biomédicales héritent de WordPièce, traitant des termes médicaux rares comme « pneumonoconiose » en les divisant en morceaux connus.
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 WordPiece Tokenization 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
Tokenisation de sous-mots
Questions fréquemment posées
Qu'est-ce que la tokenisation WordPièce ?
WordPièce est l'algorithme de tokenisation de sous-mots qui alimente BERT et de nombreux modèles Google, divisant les mots en fragments réutilisables afin qu'un modèle puisse gérer n'importe quel texte avec un vocabulaire fixe. C'est pourquoi un modèle qui n'a jamais vu le « malheur » peut toujours le comprendre en lisant « un », « ##happy » et « ##ness ».
Qu'indique le préfixe « ## » dans la sortie WordPièce ?
WordPièce marque les continuations de sous-mots avec '##', donc 'playing' devient 'play' + '##ing', permettant au décodeur de reconstruire les limites des mots.
Quelle est à peu près la taille du vocabulaire WordPièce utilisé par le BERT original ?
BERT utilise un vocabulaire WordPièce d'environ 30 000 unités de sous-mots, équilibrant la couverture par rapport à la taille de la table d'intégration.
En quoi le critère de fusion de WordPièce diffère-t-il du codage par paire d'octets standard ?
BPE fusionne la paire adjacente la plus fréquente, tandis que WordPièce fusionne la paire qui augmente le plus la probabilité du corpus, favorisant les paires dont la fréquence conjointe dépasse le produit de leurs parties.
Comment WordPièce gère-t-il un mot jamais vu lors de la formation ?
Les mots invisibles sont divisés en sous-mots connus correspondants les plus longs, retombant en caractères uniques, ce qui résout le problème de hors vocabulaire.
Au moment de l'inférence, comment WordPièce choisit-il comment diviser un mot ?
WordPièce symbolise avidement, faisant correspondre l'entrée de vocabulaire la plus longue en commençant à la position actuelle, puis en se répétant sur le reste.