Tokenizzazione delle sottoparole
La tokenizzazione delle sottoparole divide il testo in unità più piccole delle parole ma più grandi dei caratteri, come "token" più "izzazione".
Panoramica
It is the standard way modern language models turn text into the discrete IDs they actually process, balancing vocabulary size against meaning.
Immersione profonda
Le parole sono troppe per essere enumerate (i vocabolari sarebbero enormi e mancherebbero parole rare), mentre i singoli caratteri hanno poco significato e formano sequenze molto lunghe. La tokenizzazione delle sottoparole è il compromesso: mantiene intere le parole frequenti ma suddivide le parole rare o complesse in frammenti significativi. 'Infelicità' potrebbe diventare 'un', 'felicità', 'ness'. Gli algoritmi principali includono Byte-Pair Encoding (utilizzato da GPT), WordPiece (utilizzato da BERT) e Unigram/SentencePiece (utilizzato da T5 e molti modelli multilingue). Questo approccio gestisce le parole invisibili con garbo, condivide pezzi tra parole correlate ("gioca", "suona", "giocato") e supporta qualsiasi lingua. Ogni frammento viene mappato a un ID intero e questi ID sono ciò che il livello di incorporamento del modello converte in vettori.
Approfondimento tecnico
Diversi algoritmi scelgono le sottoparole in modo diverso: BPE unisce coppie frequenti dal basso verso l'alto, WordPiece sceglie le unioni che aumentano maggiormente la verosimiglianza del corpus e Unigram inizia con un ampio vocabolario e sfronda i token che danneggiano meno la probabilità. WordPiece contrassegna le parti interne alle parole con un prefisso '##', mentre SentencePiece tratta gli spazi come un simbolo speciale, quindi funziona direttamente sul testo non elaborato senza pre-divisione negli spazi bianchi, ideale per le lingue senza spazi.
Impatto strategico
Velocità e scala
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
Accedere e raggiungere
Espande l'accesso attraverso lingue e stili di comunicazione.
Decisioni più chiare
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.
Il futuro della tokenizzazione delle sottoparole
La tokenizzazione delle sottoparole rimarrà dominante perché è veloce e compatta, ma i suoi punti deboli, le scomode suddivisioni in matematica, codice e script rari, oltre ai costi dei token irregolari tra le lingue, stanno guidando la ricerca su modelli a livello di byte e senza token. Aspettatevi tokenizzatori più intelligenti, possibilmente appresi o adattivi e una migliore equità multilingue in modo che il testo non inglese non venga penalizzato con molti più token per frase.
Implementazione nel mondo reale
BERT utilizza la tokenizzazione di WordPiece, contrassegnando i pezzi di continuazione come "##ing" per ricostruire le parole originali.
T5 e molti modelli multilingue utilizzano SentencePiece, che gestisce direttamente le lingue senza spazio come il giapponese.
I modelli di chat dividono un termine tecnico raro in frammenti noti invece di fallire su una parola sconosciuta.
I tokenizzatori condividono le sottoparole tra "corsa", "corsa" e "corridore", consentendo al modello di generalizzare la morfologia in modo efficiente.
Rischi e guardrail
Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.
Tabella di marcia per l'implementazione
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.
Continua a esplorare
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 Subword 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
Prossima guida
Tokenizzazione del pezzo di frase
Domande frequenti
What is Subword Tokenization?
La tokenizzazione delle sottoparole divide il testo in unità più piccole delle parole ma più grandi dei caratteri, come "token" più "izzazione". È il modo standard con cui i modelli linguistici moderni trasformano il testo negli ID discreti che effettivamente elaborano, bilanciando la dimensione del vocabolario con il significato.
Quale problema risolve la tokenizzazione delle sottoparole rispetto all'utilizzo di parole intere?
I vocabolari di parole intere sono enormi e mancano ancora parole rare; le sottoparole mantengono gestibili i vocabolari e dividono con grazia le parole sconosciute.
Quale di questi è un algoritmo di tokenizzazione delle sottoparole utilizzato da BERT?
BERT utilizza WordPiece, che seleziona le unioni che aumentano maggiormente la probabilità del corpus di addestramento.
In che modo WordPiece contrassegna in genere un pezzo che continua una parola?
WordPiece antepone le sottoparole interne alle parole con '##', quindi 'playing' diventa 'play' più '##ing'.
Perché SentencePiece è adatto a lingue come il giapponese?
SentencePiece opera su testo grezzo e codifica gli spazi come un simbolo speciale, quindi funziona anche senza spazi tra le parole.
A cosa si associa alla fine ciascun frammento di sottoparola prima di raggiungere il modello?
A ciascuna sottoparola viene assegnato un ID intero, che il livello di incorporamento trasforma in un vettore che il modello può elaborare.