एनकोडर-डिकोडर आर्किटेक्चर
एनकोडर-डिकोडर आर्किटेक्चर एक मॉडल को दो हिस्सों में विभाजित करता है: एक जो एक इनपुट को पढ़ता है और एक समृद्ध आंतरिक प्रतिनिधित्व में संपीड़ित करता है, और एक जो इससे आउटपुट उत्पन्न करता है।
सिंहावलोकन
This design powers translation, summarization, and any task where the input and output are different sequences.
गहरा गोता
एक एनकोडर-डिकोडर मॉडल किसी समस्या को दो चरणों में संसाधित करता है। एनकोडर पूरे इनपुट अनुक्रम (मान लीजिए, एक अंग्रेजी वाक्य) को पढ़ता है और इसे प्रासंगिक वैक्टर के एक सेट में बदल देता है जो अर्थ को पकड़ लेता है। फिर डिकोडर अपने पिछले आउटपुट और एनकोडर के अभ्यावेदन को देखते हुए, एक समय में एक टोकन आउटपुट अनुक्रम (मान लीजिए, फ़्रेंच) उत्पन्न करता है। मूल 2017 ट्रांसफार्मर अनुवाद के लिए बनाया गया एक एनकोडर-डिकोडर था। T5 और BART जैसे मॉडल इस आकार का उपयोग करते हैं और प्रत्येक कार्य को टेक्स्ट-इन, टेक्स्ट-आउट के रूप में फ्रेम करते हैं। विभाजन शक्तिशाली है क्योंकि एनकोडर पूरे इनपुट को एक ही बार में देख सकता है (द्विदिशात्मक संदर्भ), जबकि डिकोडर बाएं से दाएं उत्पन्न करता है। यह डिज़ाइन को अनुक्रम-दर-अनुक्रम समस्याओं के लिए स्वाभाविक रूप से फिट बनाता है जहां आउटपुट की लंबाई और सामग्री इनपुट से भिन्न होती है।
तकनीकी अंतर्दृष्टि
एनकोडर द्विदिश आत्म-ध्यान का उपयोग करता है, इसलिए प्रत्येक इनपुट टोकन एक ही बार में हर दूसरे टोकन पर ध्यान देता है। डिकोडर ऑटोरेग्रेसिव है और नकाबपोश आत्म-ध्यान का उपयोग करता है, जिसका अर्थ है कि प्रत्येक स्थिति केवल कारण पीढ़ी को संरक्षित करने के लिए पहले की स्थिति को देख सकती है। उन्हें कनेक्ट करना क्रॉस-अटेंशन है: डिकोडर परतें एनकोडर की अंतिम छुपी स्थिति को क्वेरी करती हैं। यह पृथक्करण एनकोडर को एक पूर्ण, ऑर्डर-स्वतंत्र समझ बनाने देता है जबकि डिकोडर एक समय में एक टोकन के लिए प्रतिबद्ध होता है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
एनकोडर-डिकोडर आर्किटेक्चर का भविष्य
जीपीटी जैसे डिकोडर-केवल मॉडल अब सामान्य प्रयोजन चैट पर हावी हैं क्योंकि एक एकल स्टैक आसानी से स्केल करता है और संकेत के माध्यम से कई कार्यों को संभालता है। लेकिन एनकोडर-डिकोडर डिज़ाइन वहीं बने रहते हैं जहां इनपुट समझ और आउटपुट जेनरेशन वास्तव में अलग होते हैं: वाक् पहचान (व्हिस्पर), दस्तावेज़ सारांश, और मल्टीमॉडल सिस्टम एक टेक्स्ट डिकोडर के साथ एक विज़न एनकोडर को जोड़ते हैं। हाइब्रिड आर्किटेक्चर की अपेक्षा करें जो डिकोडर लचीलेपन को बनाए रखते हुए पुनर्प्राप्ति और ग्राउंडिंग के लिए एनकोडर की द्विदिशात्मक समझ को उधार लेता है, खासकर जब मॉडल टेक्स्ट, ऑडियो और छवियों को फ्यूज करते हैं।
वास्तविक विश्व कार्यान्वयन
Google ट्रांसलेट और डीपएल एक भाषा के वाक्य को दूसरी भाषा में मैप करने के लिए एनकोडर-डिकोडर ट्रांसफॉर्मर का उपयोग करते हैं।
OpenAI का व्हिस्पर ऑडियो स्पेक्ट्रोग्राम को एन्कोड करता है और उन्हें लिखित या अनुवादित पाठ में डिकोड करता है।
T5 और BART अमूर्त संक्षेपण की शक्ति प्रदान करते हैं, लंबे लेखों को छोटे सारांशों में संघनित करते हैं।
इमेज कैप्शनिंग सिस्टम शब्दों में तस्वीरों का वर्णन करने के लिए एक टेक्स्ट डिकोडर के साथ एक विज़न एनकोडर को जोड़ता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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 Encoder-Decoder Architectures 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
अगली गाइड
क्रॉस-एनकोडर बनाम द्वि-एनकोडर
अक्सर पूछे जाने वाले प्रश्नों
What is Encoder-Decoder Architectures?
एनकोडर-डिकोडर आर्किटेक्चर एक मॉडल को दो हिस्सों में विभाजित करता है: एक जो एक इनपुट को पढ़ता है और एक समृद्ध आंतरिक प्रतिनिधित्व में संपीड़ित करता है, और एक जो इससे आउटपुट उत्पन्न करता है। यह डिज़ाइन अनुवाद, सारांशीकरण और किसी भी कार्य को शक्ति प्रदान करता है जहां इनपुट और आउटपुट अलग-अलग क्रम में होते हैं।
एनकोडर-डिकोडर मॉडल में एनकोडर का मुख्य कार्य क्या है?
एनकोडर संपूर्ण इनपुट अनुक्रम का उपभोग करता है और इसके अर्थ को कैप्चर करने वाले प्रासंगिक वैक्टर का उत्पादन करता है, जिसे डिकोडर तब उपयोग करता है।
डिकोडर नकाबपोश (कारणात्मक) आत्म-ध्यान का उपयोग क्यों करता है?
मास्किंग यह सुनिश्चित करती है कि प्रत्येक आउटपुट स्थिति केवल पिछली स्थितियों में ही शामिल होती है, बाएं से दाएं ऑटोरेग्रेसिव पीढ़ी क्रम को संरक्षित करती है।
कौन सा तंत्र डिकोडर को एनकोडर के अभ्यावेदन से जोड़ता है?
क्रॉस-अटेंशन प्रत्येक डिकोडर परत को एनकोडर की छिपी हुई स्थितियों को क्वेरी करने देता है, जो इनपुट की समझ को आउटपुट की पीढ़ी से जोड़ता है।
इनमें से कौन सा मॉडल एनकोडर-डिकोडर (अनुक्रम-से-अनुक्रम) आर्किटेक्चर है?
T5 (और BART) क्लासिक एनकोडर-डिकोडर मॉडल हैं जो कार्यों को टेक्स्ट-टू-टेक्स्ट के रूप में फ्रेम करते हैं। BERT केवल एनकोडर है और GPT-3 केवल डिकोडर है।
एनकोडर-डिकोडर डिज़ाइन अनुवाद के लिए स्वाभाविक रूप से उपयुक्त क्यों है?
अनुवाद एक अनुक्रम को दूसरे अनुक्रम में मैप करता है, इसलिए पूरे स्रोत (एनकोडर) को पढ़ना और एक नया लक्ष्य (डिकोडर) बनाना पूरी तरह से फिट बैठता है।