Peringkasan Abstraktif vs Ekstraktif
Dua strategi untuk memperkecil teks: peringkasan ekstraktif menyalin kalimat-kalimat terpenting secara verbatim, sedangkan peringkasan abstraktif menulis kalimat-kalimat baru dengan kata-katanya sendiri.
Ikhtisar
The first is safer and faithful; the second reads more naturally but can invent details.
Menyelam Lebih Dalam
Peringkasan ekstraktif memperlakukan tugas sebagai seleksi: ia menilai setiap kalimat (berdasarkan posisi, kata kunci yang tumpang tindih, sentralitas grafik seperti TextRank, atau pengklasifikasi) dan menyatukan kalimat-kalimat yang berperingkat teratas. Karena setiap kalimat keluaran sudah muncul di sumbernya, tidak bisa berhalusinasi fakta, meski hasilnya terasa berombak dan mubazir. Peringkasan abstrak memperlakukan tugas sebagai pembangkitan: model urutan-ke-urutan (BART, PEGASUS, T5, atau LLM modern) mengkodekan dokumen dan menerjemahkan ringkasan baru yang diparafrasekan yang dapat memadukan gagasan di seluruh kalimat dan menggunakan kata-kata yang tidak pernah ada dalam sumbernya. Hal ini menghasilkan prosa yang lancar dan ringkas yang mendekati cara seseorang meringkas, dengan mengorbankan risiko faktual; model tersebut mungkin menyatakan klaim yang masuk akal tetapi tidak didukung.
Wawasan Teknis
Metode ekstraktif sering kali membuat grafik kemiripan kalimat dan menjalankan sentralitas gaya PageRank, atau memberi label pada kalimat sebagai simpan/lepaskan. Model abstraktif dilatih secara autoregresif untuk memprediksi token ringkasan referensi berikutnya; PEGASUS terutama melakukan pra-latihan dengan menutupi dan membuat ulang seluruh kalimat penting (pembuatan kalimat celah), menyelaraskan pra-pelatihan dengan tujuan peringkasan.
Dampak Strategis
Kecepatan dan skala
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Access and reach
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Clearer decisions
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Masa Depan Peringkasan Abstraktif vs Ekstraktif
Model bahasa besar telah mendorong peringkasan abstraktif hingga mendekati kefasihan manusia, menjadikannya default untuk sebagian besar aplikasi. Yang terdepan sekarang adalah kesetiaan: mendeteksi dan menghukum halusinasi, mendasarkan ringkasan dengan kutipan, dan sistem hibrida yang mengekstrak bukti pendukung sebelum mengabstraksikannya. Harapkan peringkasan dokumen panjang dan multi-dokumen, ditambah panjang dan gaya yang dapat dikontrol, akan matang dengan cepat.
Implementasi Dunia Nyata
Agregator berita menggunakan ringkasan ekstraktif untuk menarik tiga kalimat paling sentral dari sebuah artikel untuk mendapatkan cuplikan yang tepat
Alat catatan rapat menggunakan model abstrak untuk menulis ulang transkrip menjadi item tindakan ringkas dengan kata-kata segar
PEGASUS dan BART memperkuat peringkasan dokumen abstrak di banyak jalur penelitian dan produk
Alat peninjauan hukum mengekstraksi klausa-klausa utama secara verbatim (ekstraktif) untuk menghindari risiko perubahan makna parafrase
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Terus Menjelajah
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 Abstractive vs Extractive Summarization 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
Next guide
Peringkasan AI
Pertanyaan yang sering diajukan
What is Abstractive vs Extractive Summarization?
Dua strategi untuk memperkecil teks: peringkasan ekstraktif menyalin kalimat-kalimat terpenting secara verbatim, sedangkan peringkasan abstraktif menulis kalimat-kalimat baru dengan kata-katanya sendiri. Yang pertama lebih aman dan setia; yang kedua membaca lebih alami tetapi dapat menciptakan detail.
Apa yang dilakukan oleh peringkas ekstraktif?
Peringkasan ekstraktif mengambil kalimat dengan skor tertinggi dari sumbernya dan menggunakannya kembali kata demi kata.
Jenis ringkasan manakah yang memiliki risiko lebih tinggi terjadinya halusinasi fakta?
Model abstraktif menghasilkan teks baru dan dapat menegaskan klaim yang masuk akal namun tidak didukung; metode ekstraktif hanya menggunakan kembali kalimat sumber.
Mengapa ringkasan ekstraktif bisa terasa terputus-putus atau mubazir?
Karena kalimat-kalimat dipilih secara terpisah dan disalin sebagaimana adanya, hasilnya mungkin tidak memiliki transisi yang mulus dan pengulangan gagasan.
Model mana yang biasa digunakan untuk peringkasan abstraktif?
Transformator urutan-ke-urutan seperti BART, PEGASUS, dan T5 adalah standar untuk menghasilkan ringkasan abstraktif.
Apa tujuan pra-pelatihan PEGASUS yang khas?
PEGASUS menutupi kalimat-kalimat penting dan melatih model untuk membuatnya kembali, yang mencerminkan tugas peringkasan.