Pemodelan Bahasa
Pemodelan bahasa adalah tugas yang tampaknya sederhana untuk memprediksi kata atau token apa yang akan muncul selanjutnya, berdasarkan teks yang ada sejauh ini.
Ikhtisar
This single objective, scaled up massively, is what produces today's powerful chatbots and writing assistants.
Menyelam Lebih Dalam
Pada intinya, model bahasa memberikan probabilitas pada rangkaian teks. Mengingat pesan 'Ibukota Perancis adalah', ia memperkirakan seberapa besar kemungkinan setiap token berikutnya, dan 'Paris' akan mendapat skor tinggi. Model bahasa awal adalah n-gram statistik yang hanya menghitung seberapa sering rangkaian kata muncul, namun kesulitan dengan konteks yang panjang dan frasa yang tidak terlihat. Model bahasa saraf menggantikan penghitungan dengan representasi yang dipelajari, dan arsitektur transformator dari tahun 2017 memungkinkan model menangani teks yang panjang secara efisien. Model bahasa besar modern seperti keluarga GPT dilatih pada kumpulan teks yang sangat besar dengan satu tujuan: memprediksi token berikutnya. Hebatnya, melakukan hal ini dengan baik akan memaksa model menyerap tata bahasa, fakta, pola penalaran, dan gaya, karena memprediksi teks secara akurat memerlukan pemahamannya. Generasi bekerja dengan berulang kali memprediksi token berikutnya dan memasukkannya kembali.
Wawasan Teknis
Sebagian besar model bahasa modern bersifat autoregresif: model tersebut memfaktorkan probabilitas sebuah kalimat ke dalam produk probabilitas token berikutnya, memprediksi satu token pada suatu waktu dari kiri ke kanan. Pelatihan meminimalkan kerugian lintas entropi, yang memberi penghargaan pada penetapan probabilitas tinggi ke token berikutnya yang sebenarnya dalam teks pelatihan. Ini diawasi sendiri, labelnya bebas dari teks itu sendiri, jadi tidak diperlukan anotasi manusia. Pada waktu pembuatan, strategi pengambilan sampel seperti suhu, top-k, dan top-p (inti) mengontrol trade-off antara keluaran yang dapat diprediksi dan keluaran kreatif.
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 Pemodelan Bahasa
Prediksi token berikutnya telah terbukti sangat ampuh, dan undang-undang penskalaan menunjukkan bahwa model yang lebih besar dan lebih banyak data terus meningkatkan kemampuan, meskipun kemajuannya melambat dan data berkualitas tinggi menjadi langka. Batasannya kini beralih ke penalaran, jendela konteks yang lebih panjang, dan metode pasca-pelatihan seperti pembelajaran penguatan dari umpan balik manusia yang membentuk perilaku setelah model dasar dibangun. Harapkan perpaduan yang berkelanjutan antara pemodelan bahasa dengan alat, pengambilan, dan masukan multimodal, sementara tujuan dasar memprediksi token berikutnya tetap menjadi landasan bagi segala sesuatu yang lain untuk dibangun.
Implementasi Dunia Nyata
Pelengkapan otomatis di keyboard ponsel atau email Anda menyarankan kata berikutnya saat Anda mengetik
Chatbot seperti ChatGPT menghasilkan jawaban yang lancar dengan berulang kali memprediksi token berikutnya
Editor kode seperti GitHub Copilot memprediksi baris kode berikutnya dari konteks sekitar
Sistem pengenalan ucapan menggunakan model bahasa untuk memilih transkripsi yang paling masuk akal di antara opsi yang terdengar serupa
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 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
Next guide
Pemodelan Bahasa Bertopeng
Pertanyaan yang sering diajukan
What is Language Modeling?
Pemodelan bahasa adalah tugas yang tampaknya sederhana untuk memprediksi kata atau token apa yang akan muncul selanjutnya, berdasarkan teks yang ada sejauh ini. Tujuan tunggal ini, yang ditingkatkan secara besar-besaran, inilah yang menghasilkan chatbot dan asisten menulis yang hebat saat ini.
Apa tugas inti yang dilakukan model bahasa?
Model bahasa memperkirakan kemungkinan kejadian berikutnya secara berurutan, dan generasi bekerja dengan berulang kali memprediksi dan menambahkan token berikutnya.
Apa batasan utama model bahasa n-gram awal?
Model N-gram mengandalkan penghitungan rangkaian kata pendek, sehingga model tersebut menangani konteks jangka panjang dengan buruk dan gagal dalam frasa yang belum pernah mereka lihat.
Mengapa pelatihan model bahasa disebut 'diawasi sendiri'?
Token berikutnya yang benar sudah ada dalam teks, sehingga model membuat targetnya sendiri tanpa anotasi manual.
Apa arti 'autoregresif' bagi model bahasa?
Model autoregresif menghasilkan token teks demi token, mengkondisikan setiap prediksi baru pada semua yang dihasilkan sejauh ini.
Fungsi kerugian manakah yang biasanya digunakan untuk melatih model bahasa?
Pelatihan meminimalkan entropi silang, memberi penghargaan pada model karena menetapkan probabilitas tinggi ke token aktual berikutnya yang diamati dalam teks pelatihan.